<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[spring5的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/spring5</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; spring5]]></copyright><item><title><![CDATA[Datawhale AI夏令营 - 科大讯飞AI大赛（多模态RAG方向）]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/149929644</link><guid>https://blog.youkuaiyun.com/spring5/article/details/149929644</guid><author>spring5</author><pubDate>Tue, 05 Aug 2025 10:01:21 +0800</pubDate><description><![CDATA[此部分可补充说明理解baseline所必须知道的知识点: 检索增强生成。它是一种将外部知识库的检索能力与大语言模型的生成能力相结合的技术框架。其核心思想是，当LLM需要回答问题时，不直接让它凭空回答，而是先从一个庞大的知识库（如我们处理好的PDF内容）中检索出最相关的几段信息，然后将这些信息连同问题一起交给LLM，让它“参考”这些材料来生成答案。这极大地提高了答案的准确性、时效性，并解决了LLM的“幻觉”问题。向量嵌入 (Vector Embeddings): 这是让计算机理解文本语义的桥梁。]]></description><category></category></item><item><title><![CDATA[Datawhale coze-ai-assistant：Task 5 发布]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146398961</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146398961</guid><author>spring5</author><pubDate>Thu, 20 Mar 2025 15:58:23 +0800</pubDate><description><![CDATA[4、发布到微信小程序操作：打开编辑好的coze智能体选API发布，进入「小微智能体」小程序选发布智能体，通过个人访问令牌方法配置，完成后可查询、预览、发布。2、官方渠道发布内容：涵盖智能体发布和应用发布，涉及多个平台，如发布智能体到豆包、飞书、抖音等，应用发布到抖音小程序、微信小程序等。3、API服务内容：包括发布智能体为API服务、发布到Chat SDK，发布应用为API服务、通过API运行应用工作流等。1、发布方式分类：coze发布方式分三类，官方渠道发布如抖音、微信小程序等；]]></description><category></category></item><item><title><![CDATA[Datawhale coze-ai-assistant：Task 4 应用]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146312707</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146312707</guid><author>spring5</author><pubDate>Mon, 17 Mar 2025 14:27:06 +0800</pubDate><description><![CDATA[学习网址：​​​​​​​​​​​​​​​​​​​​​Docs。]]></description><category></category></item><item><title><![CDATA[Datawhale coze-ai-assistant：Task 3 工作流]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146298910</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146298910</guid><author>spring5</author><pubDate>Sun, 16 Mar 2025 19:34:07 +0800</pubDate><description><![CDATA[通过以上步骤，你可以在Coze平台上创建和配置一个基于大模型的聊天机器人工作流，使其具备强大的功能和交互性。]]></description><category></category></item><item><title><![CDATA[Datawhale coze-ai-assistant：Task 2 智能体 + 资源的进阶]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146297404</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146297404</guid><author>spring5</author><pubDate>Sun, 16 Mar 2025 18:10:55 +0800</pubDate><description><![CDATA[Agent智能体是一种能够自主感知环境、做出决策并采取行动以实现目标的系统。其基本概念包括自主性、感知能力、决策能力和行动能力。操作流程通常涉及感知环境、选择行动、执行行动、接收反馈和更新策略。智能体在强化学习、多智能体系统和自动驾驶等领域有广泛应用，展现了其在复杂环境中的适应性和高效性。]]></description><category></category></item><item><title><![CDATA[Datawhale coze-ai-assistant：Task 1 了解 AI 工作流 + Coze的介绍]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146296289</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146296289</guid><author>spring5</author><pubDate>Sun, 16 Mar 2025 16:44:55 +0800</pubDate><description><![CDATA[工作流是一种高效的自动化工具，适用于需要重复性和标准化操作的业务场景。它通过分解复杂任务为简单步骤，并按照固定顺序执行，确保任务的高效完成。与智能体相比，工作流更注重全局流程的管理和优化，而智能体则更适合处理局部任务。通过合理设计和应用工作流，可以显著提升业务效率和创新能力。扣子（Coze）是字节跳动推出的一款新一代AI应用开发平台，旨在帮助用户快速搭建基于大模型的AI应用，无需编程基础即可实现从创建到发布的全流程。]]></description><category></category></item><item><title><![CDATA[DataWhale 速通AI编程开发：（进阶篇）第4章 MCP服务]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146294413</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146294413</guid><author>spring5</author><pubDate>Sun, 16 Mar 2025 14:11:20 +0800</pubDate><description><![CDATA[MCP（Model Context Protocol）是模型上下文协议的简称，它是一种允许Roo Code与本地运行的MCP服务器进行通信的协议。这些服务器提供额外的工具和资源，可以显著扩展Roo Code的功能。功能扩展：添加Roo Code原生不支持的新功能数据整合：将外部数据源与Roo Code连接自定义工具：创建适合特定工作流程的专用工具在第2章中，我们简单提到过MCP服务是Roo Code菜单栏的一部分，现在让我们深入了解它的工作原理和实际应用。]]></description><category></category></item><item><title><![CDATA[DataWhale 速通AI编程开发：（进阶篇）第3章 提示词（Prompts）配置项]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146279764</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146279764</guid><author>spring5</author><pubDate>Sat, 15 Mar 2025 15:54:43 +0800</pubDate><description><![CDATA[这个配置项用于配置大语言模型回答的语言，默认是中文，也可以根据自己需求选择其他语言。这个配置项用于配置大语言模型在各个模式下（第二章提到的Code、Architect、Ask、Debug模式）要遵循的规则。这些指令适用于所有模式。它们提供了一套基础行为，可以通过下面的模式特定指令来进行增强。这个功能笔者认为没必要使用，因为下方一行小字：也就是说，我们可以通过在项目里新建.clinerules文件，将项目要求、技术栈等写入这个文件，让大语言模型依据特定的项目需求、技术栈等，生成符合要求的代码。]]></description><category></category></item><item><title><![CDATA[DataWhale 速通AI编程开发：（基础篇）第2章 用Roo Code跑通你的第一个程序]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146278444</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146278444</guid><author>spring5</author><pubDate>Sat, 15 Mar 2025 15:05:44 +0800</pubDate><description><![CDATA[通过以上步骤，我们使用Roo Code从零到一开发了一个番茄时钟项目，并进行了迭代优化。事实上，AI编程开发的过程就是从需求分析-项目开发-迭代升级-添加新需求的过程循环往复，最终得到一个满足用户需求的产品。至此，大家已经通关了AI编程开发，可以尝试使用上述方法，开发一个属于自己的AI编程项目。接下来的部分为“进阶”章节，让大家了解Roo Code的更多功能，同时让大家深入了解AI编程开发的一些技巧。]]></description><category></category></item><item><title><![CDATA[DataWhale 速通AI编程开发：（基础篇）第1章 环境下载、安装与配置]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146263533</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146263533</guid><author>spring5</author><pubDate>Fri, 14 Mar 2025 18:16:38 +0800</pubDate><description><![CDATA[目前绝大多数deepseek非官方渠道均兼容openai的api格式，这里以。为例进行演示，其他非官方渠道同理。点击链接注册账号之后，点击“vscode 更新为最新版。“完成实名，然后点击左侧的。，输入描述信息之后，点击“”，即可完成密钥创建。]]></description><category></category></item><item><title><![CDATA[DataWhale 大语言模型 - 长上下文模型和新型架构]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146262417</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146262417</guid><author>spring5</author><pubDate>Fri, 14 Mar 2025 17:31:26 +0800</pubDate><description><![CDATA[全局和局部自注意力（Global and Local Self-Attention）：Longformer结合了全局自注意力和局部自注意力，全局注意力用于处理序列中的关键部分，而局部注意力则用于处理更广泛的上下文。相对位置编码（Relative Positional Encoding）：相对于原始Transformer的绝对位置编码，Transformer-XL使用相对位置编码，这使得模型能够更好地处理长序列。随着研究的深入，未来可能会有更多创新的模型架构被提出，以更好地解决长文本处理的问题。]]></description><category></category></item><item><title><![CDATA[DataWhale 大语言模型 - 模型详细配置]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146262182</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146262182</guid><author>spring5</author><pubDate>Fri, 14 Mar 2025 17:21:01 +0800</pubDate><description><![CDATA[本课程围绕中国人民大学高瓴人工智能学院赵鑫教授团队出品的《大语言模型》书籍展开，覆盖大语言模型训练与使用的全流程，从预训练到微调与对齐，从使用技术到评测应用，帮助学员全面掌握大语言模型的核心技术。此外，随着技术的发展，新的优化技术和工具可能会出现，进一步影响模型配置的选择。隐藏单元数（Hidden Units）：每个注意力头和前馈网络中的隐藏单元数决定了模型的容量，更多的单元可以提升模型的表达能力。层数（Depth）：模型的层数越多，能够捕捉到的语言特征通常越复杂，但同时也增加了计算成本和过拟合的风险。]]></description><category></category></item><item><title><![CDATA[DataWhale 大语言模型 - Transformer模型介绍]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146262037</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146262037</guid><author>spring5</author><pubDate>Fri, 14 Mar 2025 17:13:28 +0800</pubDate><description><![CDATA[多头自注意力（Multi-Head Self-Attention）机制：这是Transformer的核心，允许模型在不同位置上同时关注输入序列的不同部分，以捕捉序列内部的依赖关系。编码器-解码器注意力（Encoder-Decoder Attention）：在解码器的某些层中，除了自注意力层，还有一个注意力层专门用于关注编码器的输出，以获取输入序列的全局信息。前馈神经网络（Feed-Forward Neural Network）：在每个自注意力层之后，都会接一个简单的前馈网络，对每个位置进行相同的计算。]]></description><category></category></item><item><title><![CDATA[DataWhale 大语言模型 - GPT和DeepSeek模型介绍]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146261387</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146261387</guid><author>spring5</author><pubDate>Fri, 14 Mar 2025 17:05:19 +0800</pubDate><description><![CDATA[本课程围绕中国人民大学高瓴人工智能学院赵鑫教授团队出品的《大语言模型》书籍展开，覆盖大语言模型训练与使用的全流程，从预训练到微调与对齐，从使用技术到评测应用，帮助学员全面掌握大语言模型的核心技术。并且，课程内容基于大量的代码实战与讲解，通过实际项目与案例，学员能将理论知识应用于真实场景，提升解决实际问题的能力。课程地址：https://www.datawhale.cn/learn/summary/107赵鑫教授团队：http://aibox.ruc.edu.cn/]]></description><category></category></item><item><title><![CDATA[DataWhale 大语言模型 - 大模型技术基础]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146260657</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146260657</guid><author>spring5</author><pubDate>Fri, 14 Mar 2025 16:45:24 +0800</pubDate><description><![CDATA[本课程围绕中国人民大学高瓴人工智能学院赵鑫教授团队出品的《大语言模型》书籍展开，覆盖大语言模型训练与使用的全流程，从预训练到微调与对齐，从使用技术到评测应用，帮助学员全面掌握大语言模型的核心技术。大语言模型预训练：预训练是大语言模型构建的初始阶段，通过海量无标注文本数据（如网页、书籍、对话记录）训练模型，学习语言的统计规律、语法结构和语义知识。涌现能力：涌现能力是指在复杂系统中，随着系统规模的增加或者系统复杂度的提升，系统会出现一些新的性质或行为，这些性质或行为在系统较小或较简单时是不明显的。]]></description><category></category></item><item><title><![CDATA[DataWhale 大语言模型 - 语言模型发展历程]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/146213719</link><guid>https://blog.youkuaiyun.com/spring5/article/details/146213719</guid><author>spring5</author><pubDate>Wed, 12 Mar 2025 20:11:28 +0800</pubDate><description><![CDATA[本课程围绕出品的《大语言模型》书籍展开，覆盖大语言模型训练与使用的全流程，从预训练到微调与对齐，从使用技术到评测应用，帮助学员全面掌握大语言模型的核心技术。并且，课程内容基于大量的代码实战与讲解，通过实际项目与案例，学员能将理论知识应用于真实场景，提升解决实际问题的能力。]]></description><category></category></item><item><title><![CDATA[DataWhale 动手学AI辅助编程 Task1：动手体验AI辅助编程：番茄钟]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/144682143</link><guid>https://blog.youkuaiyun.com/spring5/article/details/144682143</guid><author>spring5</author><pubDate>Tue, 24 Dec 2024 08:30:12 +0800</pubDate><description><![CDATA[学习提要， 本次和大家一起探索 和AI协作设计应用、编写代码、完成应用开发 的魅力~内心有一种想做些东西的“冲动”或“需求”，但没有思路，想 学会引导AI按照自己的想法实现：有想法做一些程序，同时了解编程语言，但缺少实际开发的经验，想通过AI高效提升编程能力和开发经验：想学会引导AI协作编程，融入自己的开发工作流提升效率点击了解AI辅助编程是什么AI 是什么？]]></description><category></category></item><item><title><![CDATA[Tiny-universe 2：TinyRAG]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/142464346</link><guid>https://blog.youkuaiyun.com/spring5/article/details/142464346</guid><author>spring5</author><pubDate>Mon, 23 Sep 2024 18:29:06 +0800</pubDate><description><![CDATA[LLM会产生误导性的 “幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏专业领域的深度洞察，同时在推理能力上也有所欠缺。正是在这样的背景下，检索增强生成技术（Retrieval-Augmented Generation，RAG）应时而生，成为 AI 时代的一大趋势。RAG 通过在语言模型生成答案之前，先从广泛的文档数据库中检索相关信息，然后利用这些信息来引导生成过程，极大地提升了内容的准确性和相关性。]]></description><category></category></item><item><title><![CDATA[Tiny-universe 1：Qwen整体介绍Qwen-blog]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/142368457</link><guid>https://blog.youkuaiyun.com/spring5/article/details/142368457</guid><author>spring5</author><pubDate>Thu, 19 Sep 2024 20:09:02 +0800</pubDate><description><![CDATA[Qwen的整体架构与Llama2类似，如下图所示:tokenizerembeddingCasualseqclsmodelLinear。]]></description><category></category></item><item><title><![CDATA[InternLM2_PracticalCamp_L2_task1_探索 InternLM 模型能力边界]]></title><link>https://blog.youkuaiyun.com/spring5/article/details/141532200</link><guid>https://blog.youkuaiyun.com/spring5/article/details/141532200</guid><author>spring5</author><pubDate>Sun, 25 Aug 2024 18:22:15 +0800</pubDate><description><![CDATA[在中选择双模型对话，与InternLM2.5及另外任意其他模型对话，收集InternLM2.5 输出结果不如其他模型的对话案例，以及 InternLM2.5 的Good Case，并写成一篇提交到：也可以自行部署收集 bad case 和 good case。]]></description><category></category></item></channel></rss>