<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[python12222_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/python12222_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; python12222_]]></copyright><item><title><![CDATA[一文读懂 RAGFlow 知识库接入 Dify 的全流程]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/147592456</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/147592456</guid><author>python12222_</author><pubDate>Mon, 28 Apr 2025 17:42:26 +0800</pubDate><description><![CDATA[今天来给大家分享一下，如何将ragflow知识库接入dify，作为dify的外挂知识库。]]></description><category></category></item><item><title><![CDATA[DeepSeek + Dify ：零成本搭建企业级本地私有化知识库保姆级喂饭教程]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/147592391</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/147592391</guid><author>python12222_</author><pubDate>Mon, 28 Apr 2025 17:41:05 +0800</pubDate><description><![CDATA[DeepSeek作为可以私有化本地部署的大模型，加上Dify这个组合，我们还可以有很多其他应用场景，比如：智能客服，智能题库。也可以把自己的个人资料，过往输出文章，日记等所有个人信息上传到本地知识库，打造自己的私人助理。Dify还有很多其他功能，有了deepseek这样的优秀国产AI大模型加持，我们可以做更多智能体应用。当然，Dify也可以像coze一样，发布为对外服务的api，这样，它就可以结合cursor快速做出更多的AI应用。何以破局，唯有行动！]]></description><category></category></item><item><title><![CDATA[一文搞懂：大模型是怎么被训练出来的？AI大模型落地必读]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/147229048</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/147229048</guid><author>python12222_</author><pubDate>Mon, 14 Apr 2025 17:33:56 +0800</pubDate><description><![CDATA[从整体上看，训练LLM主要包括两个关键阶段：预训练（Pre-training）后训练（Post-training）：微调、RL和RLHF。上述流程整合了预训练、微调、RLHF等核心阶段，适用于自然语言处理和多模态大模型：1.]]></description><category></category></item><item><title><![CDATA[如何使用Hugging Face从零开始训练BPE、WordPiece和Unigram Tokenizers]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146887716</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146887716</guid><author>python12222_</author><pubDate>Mon, 31 Mar 2025 22:36:11 +0800</pubDate><description><![CDATA[如果你有一些NLP的经验，你可能知道标记化是任何NLP管道的舵手。标记化通常被认为是NLP的一个子领域，但它有自己的。现在，它支撑着许多最先进的NLP模型。这篇文章是关于通过利用从头开始训练标记化**。**在我们进入训练和比较不同标记器的有趣部分之前，我想给你一个关于算法之间关键差异的简要总结。主要区别在于要合并的，以及每个算法用来生成最终标记集的。]]></description><category></category></item><item><title><![CDATA[AI大模型应用实战：使用LLaMA-Factory快速训练自己的专用大模型]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146887497</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146887497</guid><author>python12222_</author><pubDate>Mon, 31 Mar 2025 22:30:33 +0800</pubDate><description><![CDATA[本文聊聊 LLama-Factory，它是一个开源框架，这里头可以找到一系列预制的组件和模板，让你不用从零开始，就能训练出自己的语言模型（微调）。不管是聊天机器人，还是文章生成器，甚至是问答系统，都能搞定。而且，LLama-Factory 还支持多种框架和数据集，这意味着你可以根据项目需求灵活选择，把精力集中在真正重要的事情上——创造价值。使用LLama-Factory，常见的就是训练LoRA模型，增强模型在某方面的生成能力。本教程将以增强 GLM-4-9B-Chat 模型的脑筋急转弯能力为例，演示LoRA]]></description><category></category></item><item><title><![CDATA[大模型书籍推荐：Transformer自然语言处理: 构建语言应用，附409页pdf免费下载]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146602992</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146602992</guid><author>python12222_</author><pubDate>Fri, 28 Mar 2025 15:29:43 +0800</pubDate><description><![CDATA[Transformers 已经被用来编写真实的新闻故事，改进谷歌搜索查询，甚至创造出讲笑话的聊天机器人。在本指南中，作者Lewis Tunstall、Leandro von Werra和Thomas Wolf(拥抱Transformers 的创始人之一)使用亲身实践的方法来教你Transformers如何工作，以及如何将它们集成到应用程序中。你会很快学到他们能帮你解决的各种任务。本书涵盖了NLP中transformers的所有主要应用，每一章(除了少数例外)专门针对一个任务，结合一个实际的用例和数据集。]]></description><category></category></item><item><title><![CDATA[大模型应用RAG实战：如何快速搭建个性化RAG聊天机器人]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146602794</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146602794</guid><author>python12222_</author><pubDate>Fri, 28 Mar 2025 15:24:40 +0800</pubDate><description><![CDATA[在 AI 领域，Retrieval-Augmented Generation（简称 RAG）已经成为生成式 AI 应用的重要技术，尤其是在对话式 AI 中。它结合了预训练大语言模型（LLM）如 OpenAI 的 GPT 和外部知识库（存储在向量数据库中，比如 Milvus 和 Zilliz Cloud），能够生成更加精准、上下文相关的回复，并且保持信息的实时性。一个完整的 RAG 管道通常由四个基本组件组成：向量数据库、嵌入模型、LLM 和框架。]]></description><category></category></item><item><title><![CDATA[手把手教你用LangChain自动写SQL做数据分析可视化]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146602697</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146602697</guid><author>python12222_</author><pubDate>Fri, 28 Mar 2025 15:22:01 +0800</pubDate><description><![CDATA[从数据库里拿到原始数据后，我们得给用户生成一个人类能看懂的自然语言响应。这就得利用语言模型的能力，把原始数据转换成容易理解的内容。我们可以写一个函数，它接收（用户问题）、schema（结构）、sql（SQL 查询）、datatemplate = """根据表结构、问题、SQL 查询和 SQL 响应，提供一个结构化的、人类可读的响应。仅提取响应中可用的字段，并正确格式化它们。{schema}问题：{question}SQL 查询：{query}SQL 响应：{response}]]></description><category></category></item><item><title><![CDATA[Qwen2.5大模型微调实战：医疗命名实体识别（NER）任务（完整代码）]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146536945</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146536945</guid><author>python12222_</author><pubDate>Wed, 26 Mar 2025 18:01:25 +0800</pubDate><description><![CDATA[命名实体识别 (NER) 是一种NLP技术，主要用于识别和分类文本中提到的重要信息（关键词）。这些实体可以是人名、地名、机构名、日期、时间、货币值等等。NER 的目标是将文本中的非结构化信息转换为结构化信息，以便计算机能够更容易地理解和处理。​![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-​NER 也是一项非常实用的技术，包括在互联网数据标注、搜索引擎、推荐系统、知识图谱、医疗保健等诸多领域有广泛应用。​​。]]></description><category></category></item><item><title><![CDATA[AI看舌苔？我用通义千问开发了个老中医（前后端 + OpenAI库）]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146536854</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146536854</guid><author>python12222_</author><pubDate>Wed, 26 Mar 2025 17:55:29 +0800</pubDate><description><![CDATA[所有的项目都是基于 TailwindCSS 实现了响应式，同时支持网页端和移动端的显示效果。这期尝试开发的 AI 应用是使用通义千问的大模型 API，开发一个 AI 看舌苔的应用。整个项目的操作流程比较简单，第一屏用户上传自己的舌头的照片， 保存到 OSS 中。然后将 OSS 保存的图片发送给通义千问的大模型（这里采用了 qwen-vl + qwen-max 两个大模型），让大模型生成我们的前端 JSON 数据并返回整个项目使用到的技术栈如下：前端Nuxt.js。]]></description><category></category></item><item><title><![CDATA[大模型微调到底有没有技术含量？]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146478070</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146478070</guid><author>python12222_</author><pubDate>Mon, 24 Mar 2025 15:44:16 +0800</pubDate><description><![CDATA[并不是说以上的“做法1”是不对的，我自己也有过很多次的“做法1”，毕竟相信前辈往往都能有不错的结果。我只是想强调：SFT这个方向有没有技术含量，还是要看自己的定位和做法。]]></description><category></category></item><item><title><![CDATA[99%的人都应该看看这本书，精简小册子让你快速跨入大模型的世界]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146477995</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146477995</guid><author>python12222_</author><pubDate>Mon, 24 Mar 2025 15:42:17 +0800</pubDate><description><![CDATA[书中首先介绍了大模型（LLM）的基础知识，包括语言模型、自然语言处理（NLP）以及Transformer架构，帮助读者快速理解GPT-4等模型的工作原理。通过这本书，读者能够快速掌握大模型的基础知识与开发技巧，特别适合初学者与想要在短时间内完成AI应用开发的开发者。在deepseek爆火的现在，大模型已经不再是开发者专享的东西，未来一定是大模型的世界，不管你是做什么工作，都应该来了解大模型，甚至是开始使用大模型。这一部分不仅帮助我理解了大模型的技术本质，也让我对NLP领域的前沿发展有了更系统的认识。]]></description><category></category></item><item><title><![CDATA[8分钟打造一个DeepSeek生成测试用例系统知识库]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146422577</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146422577</guid><author>python12222_</author><pubDate>Fri, 21 Mar 2025 15:52:27 +0800</pubDate><description><![CDATA[用户问题 → 知识检索 → 提示词增强 → 大模型生成 → 结果输出与传统生成的区别：知识实时性无需重新训练模型数据安全性敏感信息不离域结果可控性通过检索结果引导生成方向。]]></description><category></category></item><item><title><![CDATA[DeepSeek R1微调实战：一步步将DeepSeek R1微调成一个DeepDoctor（资深医生）]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146421874</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146421874</guid><author>python12222_</author><pubDate>Fri, 21 Mar 2025 15:48:50 +0800</pubDate><description><![CDATA[为了应对 DeepSeek R1 的发布，OpenAI 推出了两个强大的工具：一个更先进的推理模型：o3，以及 Operator AI Agent，依托全新的计算机使用 Agent（CUA，Computer Use Agent）模型，能够自主浏览网站并执行任务。可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。该提示将引导模型逐步思考，并提供一个逻辑严谨、准确的回答。]]></description><category></category></item><item><title><![CDATA[国产五大AI模型哪家强？DeepSeek、豆包、Kimi、智谱清言、通义千问深度解析！哪款大模型更适合你？]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146421803</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146421803</guid><author>python12222_</author><pubDate>Fri, 21 Mar 2025 15:27:35 +0800</pubDate><description><![CDATA[比如搞学术研究，我们问专业领域的复杂问题，它可以快速翻找资料，整理出关键信息，条理清晰地解答，帮我们省下不少时间。采用以KVCache为中心的创新架构，分离预填充与解码集群，充分利用GPU资源，推理吞吐量最高提升525%，响应速度提升3倍。智谱清言通过构建大规模的知识图谱，将海量的信息进行结构化处理，使得模型能够更好地理解和运用知识，为用户提供更准确、更有深度的回答。需要强化多模态能力，数学推理较弱，准确性低于其他竞品，例如解答数学题时常出现细节错误，还需要解决长文本处理的算力成本问题。]]></description><category></category></item><item><title><![CDATA[Embedding向量模型在RAG本地知识库中如何使用]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146399524</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146399524</guid><author>python12222_</author><pubDate>Thu, 20 Mar 2025 16:01:32 +0800</pubDate><description><![CDATA[通过理解这些技术细节，即使是刚入门的小白也能做出专业选择。当处理中文合同文档时，选择BGE模型配合余弦相似度；处理跨国客服对话记录时，Jina的多语言支持是更好的选择；​    记住，选择模型的依据终止依据——合适的才是最好的！]]></description><category></category></item><item><title><![CDATA[大模型报告 | 比清华版更全面、更落地！《DeepSeek企业落地应用讲义精华全版258页》（附下载）]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146399417</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146399417</guid><author>python12222_</author><pubDate>Thu, 20 Mar 2025 15:58:13 +0800</pubDate><description><![CDATA[在当今数智化浪潮席卷全球的时代，人工智能（AI）已成为推动企业转型升级的关键力量。然而，对于众多企业来说，如何将AI技术真正落地应用，实现降本增效、创新发展，依然是一个亟待解决的难题。为此，大任智库AI应用创新团队研发了一本堪称AI应用领域的“宝典”——]]></description><category></category></item><item><title><![CDATA[景观设计转行 | 从景观到大模型，我的产品经理转型探索纪实]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146399362</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146399362</guid><author>python12222_</author><pubDate>Thu, 20 Mar 2025 15:56:08 +0800</pubDate><description><![CDATA[2016-2019  中国农业大学风景园林专业：2020-2023  中国农业大学风景园林专业2023-至今  某AI领域龙头企业-AI大模型产品经理意外邂逅我跟景观结缘纯粹是一场意外。还记得高考后的一个午后，当时选专业选累了，就把专业参考书随手丢到床上，人也趴到了床上。不经意间转头，看到书上的一个专业——风景园林，感觉这专业名还挺清新脱俗，便去详细了解了一下。看了专业简介，需要学习绘画、植物、建筑等，是艺术与工程的交叉学科，又不用学很多数学（因为我本身不是很擅长），所以我就决定报这个专业了。]]></description><category></category></item><item><title><![CDATA[最基础的大模型入门教程，手撸RAG基本原理代码，适合JAVA等传统项目开发人员。]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146346420</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146346420</guid><author>python12222_</author><pubDate>Tue, 18 Mar 2025 17:01:57 +0800</pubDate><description><![CDATA[各大开发平台申请模型例如：智谱开放平台，目前旗下模型glm-4-flash可以免费使用。在模型网站下载开源模型，如Hugging Face（需要科学上网），国内可以在ModelScope下载，具体操作步骤以及硬件要求见官网。]]></description><category></category></item><item><title><![CDATA[如何高效提升大模型的RAG效果？多种实用策略一次掌握]]></title><link>https://blog.youkuaiyun.com/python12222_/article/details/146346230</link><guid>https://blog.youkuaiyun.com/python12222_/article/details/146346230</guid><author>python12222_</author><pubDate>Tue, 18 Mar 2025 16:58:13 +0800</pubDate><description><![CDATA[持续提升RAG（检索增强生成，Retrieval-Augmented Generation）的效果是当前许多企业应用大模型时非常关注的一个关键问题。虽然RAG看起来简单，但真正要做到效果持续提升，还真不是一件容易的事。咱们今天就用更轻松的语言，结合实际案例，聊聊如何通过多种策略持续增强RAG能力，帮助你在实际落地项目中游刃有余！我是Fanstuck，致力于将复杂的技术知识以易懂的方式传递给读者，热衷于分享最新的行业动向和技术趋势。]]></description><category></category></item></channel></rss>