<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[mdaidmx的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/mdaidmx</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; mdaidmx]]></copyright><item><title><![CDATA[面试官：如何避免 Chunk 粒度太细导致“语义碎片化” ？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/155265012</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/155265012</guid><author>mdaidmx</author><pubDate>Wed, 26 Nov 2025 11:02:13 +0800</pubDate><description><![CDATA[摘要： 语义碎片化指Chunk拆分过细导致逻辑断裂、加载变慢或上下文丢失的问题。解决方案包括：1️⃣ 锚定最小语义单元，确保每个Chunk能独立表达完整功能或逻辑（如工程化中合并强耦合模块，内容生产按闭环拆分）；2️⃣ 建立语义关联，通过预加载、提示词等方式保持拆后关联性；3️⃣ 动态合并策略，根据使用频率或共现率优化Chunk粒度（高频合并，低频拆分）。核心原则是Chunk需能独立表达完整语义，而非单纯追求小粒度。]]></description><category></category></item><item><title><![CDATA[面试官：如何判断一个Embedding的质量？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154697224</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154697224</guid><author>mdaidmx</author><pubDate>Mon, 24 Nov 2025 16:29:14 +0800</pubDate><description><![CDATA[Embedding是语义搜索、推荐、RAG 等系统的底层“地基”。判断 Embedding 是否合格，不能只看单一指标（比如相似度或维度），要从语义一致性、泛化能力、计算/部署成本三维度做系统评估。本文给出工程可执行的方法、指标、常见坑与实践检查清单，便于在项目中落地评测与改进。]]></description><category></category></item><item><title><![CDATA[面试官：怎么避免LoRA合并时的遗忘问题？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154985940</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154985940</guid><author>mdaidmx</author><pubDate>Tue, 18 Nov 2025 12:02:25 +0800</pubDate><description><![CDATA[摘要：LoRA微调合并时出现“失忆”现象，主要是合并策略不当所致。解决方案分三步：1）双维度评估，通过保留性测试和融合性测试确保模型未退化；2）分层合并策略，对不同层采用差异化参数合并比例；3）正则化约束，使用L2正则化和早停策略（8-12轮最优）防止过拟合。关键点在于保留原生参数分布的同时，让LoRA参数温和融入，避免特征漂移。]]></description><category></category></item><item><title><![CDATA[AI产品经理面试:AIGC未来的商业模式都有哪些？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154847096</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154847096</guid><author>mdaidmx</author><pubDate>Fri, 14 Nov 2025 19:42:11 +0800</pubDate><description><![CDATA[《AIGC商业模式的层级演进与变现路径》摘要：本文系统分析了AIGC的四大商业层级：1）基础模型与算力层的API变现；2）平台中间层的生态构建；3）垂直行业应用的降本增效；4）C端的内容消费变现。指出当前商业化主战场在企业服务领域，未来将向&quot;价值链重构&quot;演化，AIAgent平台和生态型模式最具潜力。短期看技术变现，中期重交互革新，长期将形成AI驱动的全新产业形态。文末预告将深度探讨AIGC产品的具体落地路径选择。]]></description><category></category></item><item><title><![CDATA[面试官：未来Agent的演化方向是什么？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154793447</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154793447</guid><author>mdaidmx</author><pubDate>Thu, 13 Nov 2025 16:47:08 +0800</pubDate><description><![CDATA[AI智能体演进正经历从工具调用到生态协作的四个阶段：1）ToolAgent阶段，通过API调用执行任务；2）AutoAgent阶段，具备自主任务规划和决策能力；3）CrewAgent阶段，实现多智能体分工协作；4）AgenticOS阶段，形成自组织的数字生态系统。技术发展从单一功能转向智能体间的协同进化，未来AI竞争将聚焦于智能体系统的协作效率而非模型规模，最终形成&quot;虚拟企业&quot;式的新型运作模式。]]></description><category></category></item><item><title><![CDATA[面试官：请介绍一下vLLM PagedAttention]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154698696</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154698696</guid><author>mdaidmx</author><pubDate>Tue, 11 Nov 2025 18:04:41 +0800</pubDate><description><![CDATA[vLLM框架的PagedAttention技术通过分页管理KV缓存（类似虚拟内存机制），显著提升大模型推理效率。其三大优势包括显存高效复用（利用率提升至90%+）、长文本支持（显存占用降低80%）和高并发动态调度（QPS显著提高）。实际应用中，企业API服务成本下降60%，长文本处理效率提升8倍，边缘设备实现低延迟推理。该技术以操作系统级优化重构推理架构，使大模型更高效经济。]]></description><category></category></item><item><title><![CDATA[大模型面试: 怎么做RAG的query改写？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154658407</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154658407</guid><author>mdaidmx</author><pubDate>Mon, 10 Nov 2025 19:48:57 +0800</pubDate><description><![CDATA[RAG系统中的query改写策略 在RAG系统中，高质量知识库常因query语义不对齐导致生成结果偏差。核心解决方法是query改写，通过标准化语义表达提升检索效果。主要策略包括：1）提取核心实体并加权；2）基于5W1H框架补全真实意图；3）消除歧义并拆解逻辑。实现路径从基础工具到LLM智能改写，并以召回率为验证标准。面试需准备落地细节和评估方法，重点关注改写对检索质量的提升作用。]]></description><category></category></item><item><title><![CDATA[面试官：哪些因素会影响AI生图可控性？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154522843</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154522843</guid><author>mdaidmx</author><pubDate>Fri, 07 Nov 2025 10:40:21 +0800</pubDate><description><![CDATA[AI生图可控性提升的五要素 通过分析AI绘图常见问题，本文提出提升生图质量的五个关键要素：1)选择适合任务的基础模型；2)构建层次化的提示词结构；3)调节采样步数等核心参数；4)建立负向提示词库；5)匹配硬件配置。这五个方面共同构成了AI生图可控性金字塔，针对性地解决&quot;生图效果不理想&quot;的问题。不同层级的要素分别影响生图的能力边界、语义理解、输出稳定性、废图率和整体表现，需系统性地协调优化才能获得理想输出。]]></description><category></category></item><item><title><![CDATA[面试官:请尝试拆解sora2的视频生成过程，并解释生成效果为什么这么好？]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154487646</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154487646</guid><author>mdaidmx</author><pubDate>Thu, 06 Nov 2025 14:08:09 +0800</pubDate><description><![CDATA[Sora2视频生成效果惊艳主要源于三项核心技术：1）语义解析阶段通过构建&quot;时空语义图&quot;精准理解文本内容；2）采用DiffusionTransformer架构实现时空一致的视频生成；3）通过海量视频训练隐式学习物理规律。这三项创新使生成的视频不仅画面连贯，还具备真实的物理特性，实现从&quot;制作视频&quot;到&quot;模拟世界&quot;的技术跨越。]]></description><category></category></item><item><title><![CDATA[一文搞懂大模型SFT：数据构建、质量评估与工业化流程]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154427990</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154427990</guid><author>mdaidmx</author><pubDate>Wed, 05 Nov 2025 09:57:58 +0800</pubDate><description><![CDATA[SFT（监督微调）是大模型实现人类意图对齐的关键阶段，其数据质量直接决定模型性能。优质SFT数据需多源构建：过滤公开数据、扩展专家种子数据、回流用户反馈。数据标准强调结构化指令、多样性、对抗样本和安全过滤。工业级流水线采用自动化清洗质检结合人工抽检，实现高效迭代。]]></description><category></category></item><item><title><![CDATA[一文讲清：AI、AGI、AIGC、NLP、LLM、ChatGPT的区别与联系]]></title><link>https://blog.youkuaiyun.com/mdaidmx/article/details/154403710</link><guid>https://blog.youkuaiyun.com/mdaidmx/article/details/154403710</guid><author>mdaidmx</author><pubDate>Tue, 04 Nov 2025 19:01:29 +0800</pubDate><description><![CDATA[本文系统梳理了AI领域核心概念及其层级关系：AI是总概念，包含追求通用智能的AGI和内容生成的AIGC等技术方向。重点解析了NLP（AI语言分支）、LLM（NLP突破性进展）及ChatGPT（LLM应用代表）的关联，并用层级图展示&quot;AI→技术分支→具体应用&quot;的逻辑链条。针对开发者，建议重点掌握LLM调用、AIGC产品设计和Prompt工程三大核心技能，为AI应用开发奠定基础。]]></description><category></category></item></channel></rss>