哪份工作最适合你?使用 LLMs 和 semantic_text 将简历与工作进行匹配

在windows上用docker编译ceph 去转义也不行,这就导致它无法正常读到本地文件,解决办法就是去需要读文件的目录中build,使用不带任何前缀的相对路径方式,Dockerfile在哪个目录,哪个目录就是它的当前路径,或者,到Linux上build,就不存在这个问题,这个小问题困扰了半天,松鼠哥认为这是个bug=.=这个源路径是本地windows路径,这里没有用绝对路径而是使用了本目录,因为使用绝对路径是有问题的,我们知道,windows的路径与linux的路径最大的区别就是用。为什么要在windows上跑docker去编译ceph的代码? 阅读详情

了解如何使用 Elastic 的 LLM Inference API 处理职位描述,并运行双重混合搜索来找到最适合你简历的职位。

在本文中,我们将介绍以下主题:

  1. 使用 Elastic Web Crawler 抓取职位列表并将其索引到 Elastic Cloud。感谢我的同事 Jeff Vestal 向我展示如何操作!
  2. 使用 Elastic Azure OpenAI Inference Endpoint 作为摄取管道的一部分,使用 GPT-4o 处理职位列表。
  3. 使用 semantic_text 工作流嵌入简历并处理输出。
  4. 执行双层混合搜索,根据你的简历找到最合适的工作。

理论用例

以下是用例的想法。假设我是 Elastic 等公司的人力资源部门,我有几个职位空缺和一个人才库。我可能想通过自动将人才库中的简历与可用的职位空缺进行匹配来使我的工作更轻松。我使用 Elastic 平台实现了这一点,并将我的旧简历放入其中。

这些职位空缺显然与我的简历最相关:



1.  Top 3 Jobs for Han 

3.  Job Title: 
4.  Principal Technical Marketing Engineer, Search

6.  Description: 
7.  Drive technical go-to-market strategies for Elasticsearch 
8.  and generative AI, create and maintain demo environments, develop 
9.  content and training for field teams, influence product roadmaps, and 
10.  represent Elastic at industry events.
11.  --------------------------
12.  Job Title: 
13.  Search - Search Inference - Software Engineer II

15.  Description: 
16.  As a Software Engineer II on the Search Inference team 
17.  at Elastic, you will develop and enhance search workflows by integrating 
18.  performant, scalable, and cost-efficient machine learning model inference 
19.  into Elasticsearch and Kibana, collaborating in a remote-first, 
20.  cross-functional team environment.
21.  --------------------------
22.  Job Title: 
23.  Search - Extract and Transform - Software Engineer II

25.  Description: 
26.  As a Software Engineer II on the Search Extract and Transform team, 
27.  you will enhance search components, collaborate on scalable and 
28.  secure solutions, and optimize performance indicators while 
29.  contributing to Elasticsearch, Kibana, and other connectors.
30.  --------------------------



你知道吗,这些都是意想不到的好选择。第一个选择听起来与我过去几个月所做的事情非常相似(实际上有点怪异),而第二个和第三个选择可能源于我的简历中塞满了搜索和机器学习用例。

让我们深入了解一下这是如何做到的!

在这里插入图片描述
本文实现的是双重混合搜索,利用 LLM 将简历和职位描述分别转化为两类数据 —— 一组核心能力和一组要求,然后进行匹配,同时将简历与理想候选人简历进行匹配。

先决条件

你需要一个 Elastic Cloud 部署和一个 Azure OpenAI 部署才能继续使用本笔记本。有关更多详细信息,请参阅此 readme。如果你在个人计算机上继续操作,请确保在继续操作之前安装了 docker 桌面!

如果你使用的是 Linux 系统,则安装成功后你可能会看到以下内容:



1.  View build details: docker-desktop://dashboard/build/desktop-linux/desktop-linux/icqfo62fhdfinlgz3swcrd8p8

3.  What's Next?
4.    1. Sign in to your Docker account → docker login
5.    2. View a summary of image vulnerabilities and recommendations → docker scout quickview
6.  2db5e5e71b10f1cd772864c039661dfb4eadb3d116b0e95145c918b52e900a90



抓取 Elastic 的职位列表

首先要做的是安装 Elastic 爬虫。创建一个新的项目文件夹,进入其中,然后运行以下命令来克隆 repo、构建 docker 镜像并运行它。



1.  git clone https://github.com/elastic/crawler.git
2.  cd crawler 
3.  docker build -t crawler-image . && docker run -i -d --name crawler crawler-image



完成后,转到 crawler/config/ 并创建一个名为 elastic-job.yml 的新文件。粘贴以下代码片段,并填写你的 Elastic Cloud 端点和 API 密钥。如果你愿意,可以更改 output_index 设置。这是存储抓取的 Web 内容的索引。我已将其设置为 elastic-job。



1.  domains:
2.    - url: https://jobs.elastic.co
3.      seed_urls:
4.        - https://jobs.elastic.co/jobs/department/customer-success-group
5.        - https://jobs.elastic.co/jobs/department/engineering
6.        - https://jobs.elastic.co/jobs/department/finance-it-operations
7.        - https://jobs.elastic.co/jobs/department/human-resources
8.        - https://jobs.elastic.co/jobs/department/legal
9.        - https://jobs.elastic.co/jobs/department/marketing
10.        - https://jobs.elastic.co/jobs/department/sales-field-operations
11.      crawl_rules:
12.        - policy: allow
13.          type: begins
14.          pattern: /jobs/
15.  output_sink: elasticsearch
16.  output_index: elastic-job
17.  max_crawl_depth: 2
18.  elasticsearch:
19.    host: <YOUR ELASTIC CLOUD ENDPOINT>
20.    port: "9243"
21.    api_key: <YOUR ELASTIC CLOUD API KEY>
22.    bulk_api:
23.      max_items: 5



现在将 elastic-job.yml 复制到你的 docker 容器中。



1.  cd crawler 
2.  docker cp config/elastic-job.yml crawler:/app/config/elastic-job-finder.yml



验证域名(我们的网络爬虫的目标):

docker exec -it crawler bin/crawler validate config/elastic-job.yml

你应该会收到以下消息:

Domain https://jobs.elastic.co is valid

这样,我们就可以开始了。开始爬行!

docker exec -it crawler bin/crawler crawl config/elastic-job.yml

如果一切顺利,你应该会在 Kibana 上的 elastic-job 索引中看到 104 个职位描述。太棒了!

在这里插入图片描述
截至 2024 年 9 月 13 日的 Elastic 职位空缺,内容摘自 jobs.elastic.co

处理职位空缺

现在我们已经将职位空缺编入索引,是时候将它们处理成更有用的形式了。打开你的 Kibana 控制台,并为你的 Azure OpenAI LLM 创建推理端点。



1.  PUT _inference/completion/azure_openai_gpt4o_completion
2.  {
3.      "service": "azureopenai",
4.      "service_settings": {
5.          "api_key": <YOUR AZURE OPENAI API KEY>,
6.          "resource_name": <YOUR AZURE OPENAI RESOURCE NAME>,
7.          "deployment_id": <YOUR AZURE OPENAI DEPLOYMENT ID>,
8.          "api_version": "2024-06-01"
9.      }
10.  }



我们可以利用这个推理端点来创建包含 LLM 处理步骤的提取管道。现在让我们定义该管道:



1.  PUT _ingest/pipeline/llm_gpt4o_job_processing
2.  {
3.    "processors": [
4.      {
5.        "script": {
6.          "source": """
7.          ctx.requirements_prompt = 'Extract all key requirements from the job description as a list of bulleted points. Do not return notes or commentary. Do not return any text that is not a key requirement. Be as complete and comprehensive as possible: ' + ctx.body
8.          """
9.        }
10.      },
11.      {
12.        "inference": {
13.          "model_id": "azure_openai_gpt4o_completion",
14.          "input_output": {
15.            "input_field": "requirements_prompt",
16.            "output_field": "requirements"
17.          }
18.        }
19.      },
20.      {
21.        "remove": {
22.          "field": "requirements_prompt"
23.        }
24.      },
25.      {
26.        "script": {
27.          "source": """
28.          ctx.ideal_resume_prompt = 'Write the resume of the ideal candidate for this job role. Be concise and avoid fluff. Focus on skills and work experiences that closely align with what the job description is asking for: ' + ctx.body
29.          """
30.        }
31.      },
32.      {
33.        "inference": {
34.          "model_id": "azure_openai_gpt4o_completion",
35.          "input_output": {
36.            "input_field": "ideal_resume_prompt",
37.            "output_field": "ideal_resume"
38.          }
39.        }
40.      },
41.      {
42.        "remove": {
43.          "field": "ideal_resume_prompt"
44.        }
45.      },
46.      {
47.        "script": {
48.          "source": """
49.          ctx.descriptor_prompt = 'Describe the job role in no more than 1 sentence. Be concise and efficient, focusing on maximum information density: ' + ctx.body
50.          """
51.        }
52.      },
53.      {
54.        "inference": {
55.          "model_id": "azure_openai_gpt4o_completion",
56.          "input_output": {
57.            "input_field": "descriptor_prompt",
58.            "output_field": "descriptor"
59.          }
60.        }
61.      },
62.      {
63.        "remove": {
64.          "field": "descriptor_prompt"
65.        }
66.      }
67.    ]
68.  }



我们正在使用 LLM 为我们的数据创建三个新字段。

  1. 要求:这是对相关职位的核心能力和要求的文本描述。我们将对其进行分块和嵌入。稍后,我们作为输入传递的简历将被处理成一组核心能力(core competencies)。这些核心能力将与此字段匹配。
  2. 理想简历:这是该职位假设的 “理想候选人” 的简历。我们也将对其进行分块和嵌入。我们传递的简历将与此理想简历匹配。
  3. 描述符:这是对职位及其内容的一句话描述。这将使我们能够在稍后快速解释搜索结果。

每个 LLM 处理步骤都有三个部分:

  1. 脚本(script)处理器将使用存储在正文字段中的职位描述构建提示。提示将存储在其自己的字段中。
  2. 推理(inference)处理器将在提示上运行 LLM,并将输出存储在另一个字段中。
  3. 删除(remove)处理器,一旦 LLM 推理结束,它将删除提示字段。

一旦我们定义了处理器,我们就需要一个嵌入模型。导航到 Analytics -> Machine Learning -> Trained Models,然后单击三角形部署按钮部署 elser_model_2_linux-x86_64。

在这里插入图片描述
单击三角形按钮部署 Elser。这将使用 ML 节点,因此请确保你的 Elastic Cloud 部署允许自动扩展 ML 节点。

模型部署完成后,运行以下命令创建名为 elser_v2 的推理端点:



1.  PUT _inference/sparse_embedding/elser_v2
2.  {
3.    "service": "elser",
4.    "service_settings": {
5.      "num_allocations": 1,
6.      "num_threads": 4
7.    }
8.  }



部署嵌入模型后,让我们定义一个名为 elastic-job-requirements-semantic 的新索引。我们将对 requirements 和 ideal_resume 字段进行分块和嵌入,因此将它们设置为 semantic_text 并将 inference_id 设置为 elser_v2。



1.  PUT elastic-job-requirements-semantic
2.  {
3.    "mappings": {
4.      "properties": {
5.        "requirements": {
6.          "type": "semantic_text",
7.          "inference_id": "elser_v2"
8.        },
9.        "ideal_resume": {
10.          "type": "semantic_text",
11.          "inference_id": "elser_v2"
12.        }
13.      }
14.    }
15.  }



设置完成后,让我们运行重新索引(reindex)操作来处理我们的职位描述并在 elastic-job-requirements-semantic 中索引结果。通过将大小设置为 4,我们确保每次处理 4 个文档的批次,这在 LLM API 因任何原因失败时为我们提供了一定的安全性:



1.  POST _reindex?slices=auto&wait_for_completion=false
2.  {
3.    "source": {
4.      "index": "elastic-jobs",
5.      "size": 4
6.    },
7.    "dest": {
8.      "index": "elastic-job-requirements-semantic",
9.      "pipeline": "llm_gpt4o_job_processing"
10.    }
11.  }



执行重新索引,并观察处理后的文档如何填满 elastic-job-requirements-semantic 索引!

在这里插入图片描述
elastic-job-requirements-semantic 索引中的新 requirements 字段及其分块嵌入。

控制台将为你提供一个 task_id,你可以使用以下命令检查重新索引的状态:

GET _tasks/EUgmrdCKS2aAVZC-Km_mVg:26927998

一旦工作完成,我们就可以进行最后一步!

设置简历搜索

在这一步,我们将转到 Python 环境。在你的项目目录中,创建一个 .env 文件并使用以下值填充它:



1.  ELASTIC_ENDPOINT=<YOUR ELASTIC ENDPOINT>
2.  ELASTIC_API_KEY=<YOUR ELASTIC API KEY>
3.  ELASTIC_INDEX_NAME=<YOUR ELASTIC INDEX NAME>
4.  AZURE_OPENAI_KEY_1=<AZURE OPEN AI API KEY>
5.  AZURE_OPENAI_KEY_2=<AZURE OPEN AI API KEY>
6.  AZURE_OPENAI_REGION=<AZURE OPEN AI API REGION>
7.  AZURE_OPENAI_ENDPOINT=<AZURE OPEN AI API ENDPOINT>



现在将你的简历添加到目录中。 .pdf 文件效果最好。由于我害羞,我不会在这里发布我的简历。

运行以下命令安装依赖项(Elasticsearch 和 OpenAI):

pip install elasticsearch==8.14.0 openai==1.35.13 llama-index==0.10.55

并创建一个包含两个类的python脚本:LlamaIndexProcessor 调用 SimpleDirectoryReader 来加载本地文档,AzureOpenAIClient 提供了一种方便的方法来调用gpt-4o。



1.  import traceback
2.  import uuid
3.  import os
4.  from elasticsearch import Elasticsearch, helpers
5.  from openai import AzureOpenAI
6.  from dotenv import load_dotenv
7.  from llama_index.core import SimpleDirectoryReader
8.  import pickle
9.  load_dotenv()
10.  ''' 
11.  Load a pdf documnent using LlamaIndex's SimpleDirectoryReader 
12.  '''
13.  class LlamaIndexProcessor:
14.      def __init__(self):
15.          pass 

17.      def load_documents(self, directory_path):
18.          ''' 
19.          Load all documents in directory
20.          '''
21.          reader = SimpleDirectoryReader(input_dir=directory_path)
22.          return reader.load_data()
23.      def load_document(self, filepath):
24.          return SimpleDirectoryReader(input_files=[filepath]).load_data()

26.  ''' 
27.  Azure OpenAI LLM Class
28.  '''
29.  class AzureOpenAIClient:
30.      def __init__(self):
31.          self.client = AzureOpenAI(
32.              api_key=os.environ.get("AZURE_OPENAI_KEY_1"),
33.              api_version="2024-06-01",
34.              azure_endpoint=os.environ.get("AZURE_OPENAI_ENDPOINT")
35.          )
36.      def generate(self, prompt, model="gpt-4o", system_prompt=""):
37.          response = self.client.chat.completions.create(
38.              model=model,
39.              messages=[
40.                  {"role": "system", "content": system_prompt},
41.                  {"role": "user", "content": prompt}
42.              ],
43.              max_tokens=4096
44.          )
45.          return response.choices[0].message.content

47.  LLM = AzureOpenAIClient()
48.  llamaindex_processor=LlamaIndexProcessor()



现在是时候搜索工作了!运行此代码以加载你的简历:



1.  documents=llamaindex_processor.load_document('resume.pdf')
2.  resume=documents[0].to_dict()['text']



让我们通过以下提示(prompt)来生成你的简历的核心竞争力:



1.  competencies_prompt=''' 
2.  Analyze the given resume and extract key skills, competencies, and qualifications. Generalize and categorize the information into broad, widely applicable terms. Present each item on a new line without numbering or bullets.

4.  Avoid quoting directly from the resume. Instead, distill the information into generalized, transferable skills and competencies. Focus on:

6.  General industry segments or fit
7.  Technical skills and areas of expertise
8.  Soft skills and interpersonal abilities
9.  Professional competencies and responsibilities
10.  Industry-specific knowledge
11.  Educational background and qualifications
12.  Types of relevant experience
13.  Omit any explanatory text, categorization labels, or additional commentary. Each line should contain a single, distinct generalized skill or competency derived from the resume content.
14.  '''

16.  competencies=LLM.generate(resume, system_prompt=competencies_prompt)



对于我的简历来说,这是生成的能力块:



1.  Machine learning engineering
2.  Full-stack development
3.  AI systems design and deployment
4.  Team leadership
5.  Productivity solutions
6.  AI integration with developer tools
7.  Real-time code analysis and generation
8.  AI customer service solutions
9.  ...
10.  ...



现在,初始化 Python Elasticsearch 客户端:



1.  try:
2.      es_endpoint = os.environ.get("ELASTIC_ENDPOINT")
3.      es_client = Elasticsearch(
4.          es_endpoint,
5.          api_key=os.environ.get("ELASTIC_API_KEY")
6.      )
7.  except Exception as e:
8.      es_client = None



让我们定义一个查询!

寻找工作

现在是时候使用双重混合搜索了(double hybrid search) - 我称之为双重,因为我们将分别在不同的字段上进行两次混合搜索:



1.  es_query={
2.    "retriever": {
3.      "rrf": {
4.        "rank_window_size":20,
5.        "retrievers": [
6.          {
7.            "standard": {
8.              "query": {
9.                "nested": {
10.                  "path": "requirements.inference.chunks",
11.                  "query": {
12.                    "sparse_vector": {
13.                      "inference_id": "elser_v2",
14.                      "field": "requirements.inference.chunks.embeddings",
15.                      "query": competencies
16.                    }
17.                  },
18.                  "inner_hits": {
19.                    "size": 2,
20.                    "name": "requirements.body",
21.                    "_source": [
22.                      "requirements.inference.chunks.text"
23.                    ]
24.                  }
25.                }
26.              }
27.            }
28.          },
29.          {
30.            "standard": {
31.              "query": {
32.                "nested": {
33.                  "path": "ideal_resume.inference.chunks",
34.                  "query": {
35.                    "sparse_vector": {
36.                      "inference_id": "elser_v2",
37.                      "field": "ideal_resume.inference.chunks.embeddings",
38.                      "query": resume
39.                    }
40.                  },
41.                  "inner_hits": {
42.                    "size": 2,
43.                    "name": "ideal_resume.body",
44.                    "_source": [
45.                      "ideal_resume.inference.chunks.text"
46.                    ]
47.                  }
48.                }
49.              }
50.            }
51.          }
52.        ]
53.      }
54.    },
55.    "size": 20
56.  }



有两个 rrf.retriever 组件。第一个将 competencies 进行嵌入生成并对 requirements 字段进行混合搜索。第二个将resume 本身进行嵌入生成,并对 ideal_resume 字段进行混合搜索。运行搜索,让我们看看我们得到了什么!



1.  search_results = es_client.search(index="elastic-job-requirements-semantic", body=es_query)

3.  total_hits = search_results['hits']['total']['value']

5.  for hit in search_results['hits']['hits']:
6.      print(f"Job Title: {hit['_source']['title']}")
7.      print(f"Description: {hit['_source']['descriptor']}")
8.      print('--------------------------')



结果在文章开头,所以在这里复制它可能有点奇怪。

这样,我们就完成了!
​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

MuleSoft如何实现企业级AI编排与LLM工作流治理 AI编排(AI Orchestration)是将大语言模型(LLM)深度融入ERP、CRM、MES等核心业务系统的关键范式,其本质不是简单调用API,而是构建可审计、可治理、可回滚的智能工作流。它依赖于企业级集成平台对异构数据的语义解析、上下文组装、安全脱敏与全链路追踪能力。MuleSoft凭借DataWeave引擎、Anypoint Monitoring和API生命周期管理,天然承担起‘AI工作流编译器’角色,解决LLM落地中的可观测性黑洞、治理能力缺失与安全边界模糊三大死穴。典型应用场景包括智能工单分类 阅读详情

相关推荐

MuleSoft企业级AI编排:构建可控、可审计、可降级的LLM工作流

AI编排(AI Orchestration)是将大语言模型(LLMs)深度融入企业核心业务系统的关键范式,其本质不是简单调用API,而是基于状态机驱动的动态路由与事务化协同。它依托集成平台的协议穿透力、事务一致性、合规审计与运维成熟度四大能力,解决LLM在真实生产环境中不可控、难复用、不合规等核心痛点。MuleSoft凭借对SAP、Oracle、PLC、主机等混合系统的原生支持,以及Anypoint平台的Trace追踪、SLA监控、密钥治理和灰度发布能力,成为企业级AI落地的首选编排中枢。本文聚焦如何利用M

weixin_30621711的博客 439

Docker 命令 & K8S 共享卷

因为容器是镜像的运行实例,如果有任何一个容器在使用某个镜像,那么该镜像就会被认为是被“占用”的,Docker 不会允许删除被使用的镜像。容器的创建是基于镜像的,镜像提供了容器运行所需的一切环境和依赖。如果希望不同的 Pod 中的容器之间共享数据,可以考虑使用网络存储(如 NFS、GlusterFS、Ceph 等)或者对象存储(如 AWS S3、Google Cloud Storage 等)来实现数据的共享。在 Pod 的 YAML 文件中定义两个容器,并在配置容器中挂载共享卷(共享的文件地址)。

Think In JAVA—Max 1633

MuleSoft与LLM协同实现企业级AI工作流编排

企业AI落地的核心挑战在于如何将大语言模型(LLM)的语义理解能力,与真实业务系统(ERP/CRM/SAP等)的安全、可靠、可治理的服务能力深度结合。这本质上是服务编排(API Orchestration)与智能决策(LLM Function Calling、RAG增强推理)的技术融合问题。MuleSoft作为成熟的企业集成平台,提供协议适配、安全策略、事务一致性与全链路追踪能力;LLM则承担自然语言解析、动态服务调度与上下文感知决策。二者协同构建的AI工作流,既规避了纯LLM幻觉风险,又突破了传统集成缺乏

daxi1047的博客 474

Build task failed. Open the Run window to view details.

HarmonyOS3.1,Previewer预览页面时报错,报错信息为:Build task failed. Open the Run window to view details.

wmd看海的博客 1万+

AI产品化工作流:RAG+语义路由+反馈驱动的工程闭环

RAG(检索增强生成)和语义路由是当前AI应用落地的核心工程能力,前者解决大模型事实性与知识新鲜度问题,后者实现用户意图的精准识别与动态分流;二者结合,再通过结构化、带电的用户反馈机制形成闭环,可显著提升AI服务的准确率、鲁棒性与业务适配性。这种‘信号源优化优先’的技术路径,正成为SaaS产品智能化、客服系统升级、合规培训提效等场景的关键基础设施。本文聚焦真实项目中RAG分层设计、轻量级语义路由部署及Prompt驱动反馈的工程实践,提供可测量、可调试、可规模化复用的AI产品化方法论。

weixin_30482383的博客 373

MuleSoft+LLM企业级AI编排:构建安全可审计的智能工作流

AI编排(AI Orchestration)是将大语言模型深度融入企业核心业务系统的关键范式,其本质是通过API网关与集成平台实现语义理解、协议转换、权限管控与容错熔断的协同。MuleSoft凭借原生DataWeave数据处理能力、30+企业系统连接器及内置策略引擎,在非结构化数据清洗、LLM提示词动态组装、合规审计日志生成等环节展现出不可替代性。相比Kong或Apigee等通用网关,它在SAP IDoc解析、Salesforce事件监听、PDF/OCR上下文注入等真实场景中显著降低胶水代码成本。本文聚焦A

wentao365的专栏 658

Semantic Diffusion:面向大语言模型的语义级渐进生成范式

扩散模型最初在图像生成中展现出强大的渐进式建模能力,其核心并非简单加噪去噪,而是通过多步迭代实现对复杂分布的可控逼近。随着大语言模型(LLMs)在长文本一致性、指令遵循与小样本泛化等场景面临瓶颈,研究者开始将扩散思想从连续像素空间迁移到离散符号系统——但关键挑战在于文本的离散性、结构敏感性与语义密度。Semantic Diffusion由此 emerge,它绕过token或隐空间操作,转而在LLM中间层特征上定义可微的语义演化路径,以BERTScore等语义相似度为监督信号,实现轻量、高效、即插即用的推理增

weixin_33910137的博客 410

MuleSoft+LLM智能编排:企业级AI工作流落地实践

AI编排(AI Orchestration)是大语言模型从内容生成走向业务执行的关键范式,其核心在于语义理解、多系统协同与可审计流程控制。它依托API集成平台实现自然语言意图到结构化系统调用的可靠转换,解决协议异构、治理缺失与可观测性不足三大断层。技术价值体现在无需重构遗留系统即可激活AI能力,保障安全合规与端到端追踪。典型场景包括智能合同审查、贷后管理助手、预测性维护等需跨ERP/CRM/SAP等系统的实时决策任务。本文聚焦MuleSoft作为AI神经中枢的工程化实践,覆盖意图解析、动态流程构建、四层架构

weixin_34184561的博客 375

从零构建有记忆的AI智能体:LangChain实战与记忆系统设计

在人工智能领域,大语言模型(LLM)的上下文管理和记忆能力是构建智能应用的核心挑战。传统对话模型通常是无状态的,每次交互都从零开始,缺乏连续性和个性化。为了解决这一问题,智能体(Agent)技术应运而生,它通过设计多层记忆系统来维护对话历史和用户偏好。记忆系统通常分为短期记忆、长期记忆和工作记忆,其中长期记忆的实现依赖于向量数据库和嵌入模型进行高效存储与检索。这种技术架构不仅提升了对话的连贯性,还为个性化服务奠定了基础,在代码助手、知识管理和自动化工作流等场景中具有重要价值。本文以构建一个能记住开发者技术栈

weixin_34318326的博客 399

别再乱删文件了!修复Print Spooler服务自动停止的3个关键检查点(附Win10/Win11实测)

本文深入解析Windows系统中Print Spooler服务自动停止的常见原因及修复方法。从第三方驱动冲突、权限与服务依赖关系到打印队列积压,提供3个关键检查点的详细排查步骤,帮助用户彻底解决打印服务异常问题,适用于Win10/Win11系统。

weixin_31569671的博客 682

HDLbits找茬实战:5个Verilog仿真Bug修复案例,新手避坑指南

本文通过HDLbits平台上的5个典型Verilog仿真Bug案例,详细解析了多路选择器位宽不匹配、模块实例化端口映射错误等常见问题,提供实用的修复方案和调试技巧,帮助Verilog新手快速掌握代码验证与仿真技能,避免常见陷阱。

weixin_42653691的博客 164

AI应用开发中Skill与Agent的区别:从概念到实战的架构解析

在人工智能应用开发领域,理解核心组件的职责与协作是构建高效系统的关键。从概念上讲,模块化设计是软件工程的基础原则,它通过将复杂功能拆分为独立、可复用的单元来提升代码的可维护性和扩展性。其原理在于通过清晰的接口定义和单一职责封装,降低系统耦合度。在AI工程实践中,这一原则催生了两种核心抽象:Skill(技能)与Agent(智能体)。Skill作为原子化的能力单元,专注于执行确定性的具体任务,如调用API或处理数据;而Agent则扮演着智能协调者的角色,它基于大语言模型等决策引擎,负责理解复杂意图、规划任务步骤

weixin_30516243的博客 285

UART中断接收的实战陷阱:HAL库常见误区与性能调优指南

本文深入解析STM32 HAL库UART中断接收机制,揭示常见实战陷阱如数据溢出、中断优先级配置不当等,并提供性能调优方案。重点介绍如何使用空闲中断处理不定长数据、DMA与中断混合模式优化,以及工业级错误恢复与流量控制策略,帮助开发者构建稳定可靠的串口通信系统。

pea55的博客 749

AI Agent 工程实践(10):Memory 不只是聊天记录——长期记忆架构设计

本文探讨了AIAgent长期记忆系统的架构设计问题。作者指出,传统方法如全量存储或纯向量检索存在检索噪声和召回不准的缺陷,提出了双通道记忆存储方案:通过PostgreSQL进行结构化过滤(按类型、范围等分类),再结合向量数据库进行语义检索,实现精准记忆召回。系统包含三大核心流程:写入时分类双写、检索时先过滤后语义匹配、定期蒸馏清理无效记忆。文章还区分了四种记忆类型(工作记忆/情节记忆/语义记忆/流程记忆)及其对应存储策略,为开发者提供了实用的工程实现框架。

2401_85223846的博客 723

山景BP10_128DBG开发板ADC_Key驱动

最近在学习山景BP10_128DBG开发板,想使用开发板上的按键。看了看原理图和之前用过的按键好像有点不一样。常见的按键都是判断IO口是否被拉低或拉高来判断按键是否被按下。山景BP10_128DBG开发板上的按键是ADC按键,每个按键按下之后ADC的采样值是不同的,通过ADC采样回来的值进而判断哪个按键按下。这种方式核心思想就是用一个ADC通道来节约IO口,对于IO紧张的芯片是一个不错的解决思路。

weixin_56646002的博客 1311

【AAAI2025】【小目标检测】FBRT-YOLO:更快速、更优的实时航拍图像检测方法

FBRT-YOLO是一种新型实时航拍图像检测方法,针对小目标检测的精度与效率平衡问题提出创新解决方案。该方法通过两个轻量级模块显著提升性能:特征互补映射模块(FCM)将浅层空间位置信息深度整合至网络深层,缓解信息失衡;多核感知单元(MKP)采用多尺度卷积增强多目标感知能力。实验表明,在VisDrone、UAVDT和AI-TOD数据集上,FBRT-YOLO在检测精度和速度方面均优于现有实时检测器,特别适用于资源受限的飞行设备。该模型通过精简网络结构,在保持高性能的同时降低了计算负担,为航拍实时检测提供了高效解

weixin_44184852的博客 2909

10个有趣的GitHub技能(Skill)项目推荐,ai skill高效赋能

这些技能项目覆盖了从。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 1552

人工智能---什么是Transformer?

Transformer是一种强大的神经网络架构,最初由Google的研究人员在论文《Attention is All You Need》中提出,用于自然语言处理任务,特别是在机器翻译方面取得了巨大成功。Transformer的核心思想是完全基于自注意力机制(self-attention mechanism)来实现序列到序列(sequence-to-sequence)的学习。它在自然语言处理(NLP)和其他序列到序列任务中表现出色,逐渐成为该领域的主流模型。近些年也逐渐在自动驾驶领域有所应用。

智能汽车人的博客 3955

Clang嵌入式工具链实战:STM32F407 MCU编译优化与LLVM构建指南

嵌入式编译器是MCU开发的核心基础设施,而Clang作为现代LLVM编译器前端,正逐步替代传统GCC成为高可靠性嵌入式项目的首选。其核心价值在于更精准的静态分析、更优的IR级优化能力以及模块化可扩展架构,尤其在ARM Cortex-M系列(如STM32F407)上,能显著压缩固件体积、提升启动性能并增强MISRA-C等安全规范合规性。结合lld链接器与newlib-nano轻量C库,Clang可实现跨平台一致的构建流程,支撑AUTOSAR、OTA升级及CI/CD自动化。本文聚焦Clang在裸机MCU场景下的

weixin_34049948的博客 410

Qt实现窗口自适应分辨率大小

如果希望窗口大小始终保持与屏幕分辨率一致,可以将上述代码放在窗口的resizeEvent()函数中。这样,每当窗口大小发生变化时,都会自动调用resizeEvent()函数,从而实现窗口大小的自适应调整。在Qt中,可以通过一些简单的方法实现窗口大小随分辨率变化而自适应调整。获取到当前屏幕的分辨率后,可以根据需要调整窗口的大小。无论在何种分辨率下运行应用程序,窗口都能够正确地自动调整大小,提供更好的用户体验。除了调整窗口大小,还可以考虑将窗口设置为最大化,以充分利用屏幕空间。步骤2:调整窗口大小。

FuJavascript的博客 3660

【WRF数据准备】土地利用数据-MODIS MCD12Q1数据下载及制备

【WRF数据准备】MODIS静态地理数据下载及制备

WW、forever的博客 3413

推理大模型、开源ChatGPT替代方案与向量数据库工程选型指南

推理型大模型(Reasoning LLMs)并非仅指数学逻辑强的模型,而是具备长链任务状态一致性、工具动态调用与中间结果自我校验能力的可调度计算单元;其工程落地受内存墙、延迟墙与一致性墙三重硬约束制约。开源ChatGPT替代方案的核心价值不在于‘像不像’,而在于多轮上下文保真度、指令遵循鲁棒性、工具调用结构化等五项可测量契约指标。向量数据库选型不能只看QPS,必须匹配元数据过滤强度、混合检索需求与增量更新频率等真实场景负债。三者协同时,语义错位、上下文争夺与流式断裂常成为隐性瓶颈——本文聚焦Reasonin

dienangpiao2051的博客 512

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

如何为你的 RAG 应用选择合适的 Embedding 模型?

我们还会看看不同的 embedding 模型,以及哪些适合特定情况。到最后,你会清楚怎么挑对 embedding 模型,来提升准确性,让你的 RAG 应用跑得顺顺的。

python1234567_的博客 741

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

MuleSoft+LLM企业级AI编排:打通系统孤岛的智能工作流

企业AI落地的核心瓶颈并非模型能力,而是如何将大语言模型(LLM)安全、可控、可审计地嵌入现有IT架构——即AI编排(AI Orchestration)。其本质是构建语义化服务网络,在身份认证、多源异构数据转换、端到端流程治理等工程维度实现深度集成。MuleSoft凭借开箱即用的企业连接器、声明式DataWeave数据编织、BPMN级流程编排与原生合规能力,使LLM从演示工具蜕变为ESB上的可调度智能节点。本文聚焦采购审批等高价值场景,详解如何通过语义网关、上下文编织、决策仲裁与行动执行四层设计,让LLM真

weixin_30654419的博客 473

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

RAG的Embedding模型选取大有门道

Embeddings 是捕捉语言含义和模式的数字表示。这些数字帮你的系统找到和问题或主题紧密相关的信息。

2301_81940605的博客 812
上一篇: 大模型书籍:NLP大牛Thomas Wolf等新书《Transformer自然语言处理》,免费分享466页pdf及代码
下一篇: 大模型书籍李开复周鸿祎力荐《实战AI大模型》!NUS尤洋教授首发新书深入浅出热门AI大模型,新手到专家的必备指南
爱喝白开水a
博客等级 码龄3年 6793粉丝 763原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值