<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[之之为知知]]></title><description><![CDATA[不讲虚的！职场老王的自习室，只给能落地的职场干货]]></description><link>https://blog.youkuaiyun.com/wangfantastic</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wangfantastic]]></copyright><item><title><![CDATA[别只盯着大模型！2026年真正改变世界的，是这5个AI新趋势]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/157291927</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/157291927</guid><author>wangfantastic</author><pubDate>Fri, 23 Jan 2026 14:15:30 +0800</pubDate><description><![CDATA[当AI从“能回答问题”进化到“能主动做事”，我们正站在一个关键拐点上：AI不再是工具，而成为我们的“数字同事”甚至“代理智能体”。出门前，你的AI助理提醒：“今天协和医院的复诊结果已出，MedAgent初步分析无异常，但建议你下周做一次心电图复查。未来最抢手的岗位，不是算法工程师，而是“AI+医疗”“AI+制造”的解决方案架构师。产品经理不再手动写PRD，而是告诉AI：“设计一个提升用户留存的方案”，AI自动生成原型、A/B测试计划和数据埋点建议。那些只追求“效果”却忽视“责任”的AI产品，将被市场淘汰。]]></description><category></category></item><item><title><![CDATA[NLP进化史：一场「打补丁」的技术接力赛]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/156979413</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/156979413</guid><author>wangfantastic</author><pubDate>Thu, 15 Jan 2026 09:31:58 +0800</pubDate><description><![CDATA[回顾整个发展历程，你会发现一个有趣的规律：阶段核心问题解决方案新问题规则时代机器不懂人话手写规则规则写不完统计时代规则写不完数据统计没有语义理解词向量时代稀疏表示、无语义Word2Vec一词多义、无序列RNN时代无法处理序列RNN/LSTM长依赖、慢Attention时代信息瓶颈注意力机制还是依赖RNNTransformer时代串行处理慢自注意力预训练不足预训练时代标注数据不足BERT/GPT能力有限、不对齐大模型时代不够聪明扩大规模。]]></description><category></category></item><item><title><![CDATA[一文看懂：langchain、Agent与编排]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/155388505</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/155388505</guid><author>wangfantastic</author><pubDate>Sat, 29 Nov 2025 14:37:17 +0800</pubDate><description><![CDATA[使用 LangChain 的@tool@tool"""查询某个产品的市场规模（示例工具）。"""print("【Agent】调用 market_size_tool")# TODO: 真实实现return f"[工具返回]from langchain_core . tools import tool @tool def market_size_tool(product : str) - > str : """查询某个产品的市场规模（示例工具）。]]></description><category></category></item><item><title><![CDATA[看完这篇文章，别再把 MCP 和 LangChain 搞混了]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/155354730</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/155354730</guid><author>wangfantastic</author><pubDate>Fri, 28 Nov 2025 15:00:56 +0800</pubDate><description><![CDATA[如果你哪天又被人问到：“MCP 和 LangChain 有啥区别？MCP = 通用插线板标准定义“大模型怎么跟工具说话”，偏“协议 / 接口”层。LangChain = 装修队 + 施工图帮你把模型、工具、数据、流程统统编排起来，偏“应用框架”层。只想让系统更“AI 友好”：先搞 MCP要造一个完整 AI 应用：用 LangChain / LangGraph 这类框架系统多、团队大、希望长期演进：MCP + LangChain 一起用。]]></description><category></category></item><item><title><![CDATA[一次吐血微调]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/155324260</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/155324260</guid><author>wangfantastic</author><pubDate>Thu, 27 Nov 2025 21:39:14 +0800</pubDate><description><![CDATA[经过这次折腾，我算是彻底活明白了。如果是做垂直领域的信息查询千万别上来就搞微调！微调像是把孩子关起来背字典，背错了还容易瞎编（幻觉），字典更新了还得重新背。RAG像是允许孩子带字典进考场（开卷考试），哪里不会翻哪里，又快又准。想让AI学周杰伦说话的语气？你去微调。想让AI查周杰伦的资料？请老老实实选 RAG。简单粗暴的“翻书找答案”，才是最香的。]]></description><category></category></item><item><title><![CDATA[数据“整容”记：标准化和归一化，到底动了哪几刀？]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/151319863</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/151319863</guid><author>wangfantastic</author><pubDate>Mon, 08 Sep 2025 13:07:35 +0800</pubDate><description><![CDATA[比如，全班平均分80，突然有个考了150分（可能是作弊），标准差一下子变大，其他人的分数一除，全被“压”扁了，差异看不出来了。如果新来一个数据，比原来的“最大值”还大，那它归一化后可能超过1，破坏了[0,1]的范围，模型可能“懵”。如果直接扔进模型，模型会认为“距离”这个特征特别重要——因为它数字大，稍微动一动，对结果影响就很大。这三个特征，数值范围天差地别：面积是“百”级，卧室是“个”位数，距离是“千”级。所以，我们需要给数据做“整容”，让它们变得“协调”。听起来很美，但“整容”不是万能的，也得看体质。]]></description><category></category></item><item><title><![CDATA[模型和数据，谁才是AI时代的“亲儿子”？]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/151319489</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/151319489</guid><author>wangfantastic</author><pubDate>Mon, 08 Sep 2025 12:47:10 +0800</pubDate><description><![CDATA[就像我朋友的推荐系统，模型学的是“用户点了这个，所以喜欢这个”，可实际上，用户可能只是手滑。比如现在各大手机厂商的语音助手，基础数据（语音、文本）大同小异，谁能用更小的模型、更快的反应、更自然的回答赢下用户，靠的就是算法优化。我们给它看一万张带标签的猫狗照片，它通过反复练习，总结出“耳朵尖的是猫，耳朵耷拉的是狗”这类规则。反观一些企业，一上来就砸钱搞“AI中台”“算法平台”，可自家的数据要么散落在各个部门，要么格式乱七八糟，连基本的用户画像都拼不全。但它是模型的“粮食”，是决策的“地基”。]]></description><category></category></item><item><title><![CDATA[信息熵、KL散度、交叉熵...别再傻傻分不清]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/151312390</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/151312390</guid><author>wangfantastic</author><pubDate>Mon, 08 Sep 2025 09:44:52 +0800</pubDate><description><![CDATA[从而让机器能够智能地选择最优路径。这套工具的目的，就是。]]></description><category></category></item><item><title><![CDATA[不同场景下的向量数据库选择：知识库、知识图谱与推荐系统]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/149636501</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/149636501</guid><author>wangfantastic</author><pubDate>Fri, 25 Jul 2025 13:50:36 +0800</pubDate><description><![CDATA[向量数据库在如今大模型应用中有不可替代的作用，但数据库的选型不能脱离具体业务场景。不同应用场景对数据规模、检索精度、更新频率的要求差异显著，这直接决定了哪种向量数据库更适合。本文将聚焦和三大典型场景，深入分析其核心需求与最佳技术选型。]]></description><category></category></item><item><title><![CDATA[Chromadb 1.0.15 索引全解析：从原理到实战的向量检索优化指南]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/149636131</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/149636131</guid><author>wangfantastic</author><pubDate>Fri, 25 Jul 2025 13:37:16 +0800</pubDate><description><![CDATA[在大模型应用如火如荼的当下，向量数据库已成为连接文本、图像与 AI 模型的核心枢纽。Chromadb 作为轻量级向量数据库的佼佼者，在 1.0.15 版本中对索引机制进行了 API 优化，让索引配置更简洁直观。本文将基于 1.0.15 版本，详解 HNSW、Flat、IVF 三种核心索引的原理与实战用法，帮你避开版本兼容陷阱，构建高效向量检索系统。]]></description><category></category></item><item><title><![CDATA[为什么说大模型才有泛化能力？小模型做不到的事，提示词也救不了]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/149292985</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/149292985</guid><author>wangfantastic</author><pubDate>Sat, 12 Jul 2025 13:23:22 +0800</pubDate><description><![CDATA[泛化能力，就是模型在面对从未见过的数据或任务时，依然能做出合理判断和回应的能力。换句话说，就是一个模型能不能“举一反三”。]]></description><category></category></item><item><title><![CDATA[Win10安装dify]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148935418</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148935418</guid><author>wangfantastic</author><pubDate>Thu, 26 Jun 2025 23:16:02 +0800</pubDate><description><![CDATA[如果遇到docker无法启动，一般是wls未启动的问题。安装过程中注意一定要开启wls，等待安装完成，重启电脑即可。bcdedit 是否为auto，如果不是，设置为auto。注意，如果没有设置安装源，需要梯子，等待下载完成即可。安装没有报错，全部组件启动后，浏览器输入。进入dify的docker目录。配置初始化信息进入系统即可。]]></description><category></category></item><item><title><![CDATA[提示词优化：让大模型理解你的心意]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148903212</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148903212</guid><author>wangfantastic</author><pubDate>Wed, 25 Jun 2025 17:19:52 +0800</pubDate><description><![CDATA[提示词（Prompt）是用户输入给大模型的一段文字，用于引导模型生成期望的输出内容。它可以是一句话、一段描述、甚至是一个结构化的模板。在大模型的世界里，提示词就是你与AI沟通的语言。不同的提示词会导致模型产生截然不同的输出结果。例如：写点什么请用中文写一篇关于气候变化对农业影响的科普文章，要求通俗易懂，适合中学生阅读，字数控制在800字左右。显然，后者更有可能得到高质量的回答。]]></description><category></category></item><item><title><![CDATA[大模型微调：从零到实践，掌握AI大模型的核心技能]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148903003</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148903003</guid><author>wangfantastic</author><pubDate>Wed, 25 Jun 2025 17:13:53 +0800</pubDate><description><![CDATA[预训练（Pre-training）是指在大规模通用语料上训练模型的过程，通常需要巨大的计算资源和时间。微调（Fine-tuning）则是在预训练模型的基础上，使用特定领域的数据对模型进行进一步训练，使其适应具体任务。打个比方，预训练就像是给模型“上学”，让它掌握基本的语言理解和表达能力；而微调则是“专项培训”，让模型学会解决某个具体问题。大模型微调是连接理论与实践的重要桥梁。大模型微调的基本概念与优势；如何使用 Qwen 进行文本分类任务的微调；如何使用 LoRA 技术降低训练成本；]]></description><category></category></item><item><title><![CDATA[文本分类与聚类：让信息“各归其位”的实用方法]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148817458</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148817458</guid><author>wangfantastic</author><pubDate>Sat, 21 Jun 2025 23:14:37 +0800</pubDate><description><![CDATA[想象一下你是一个图书管理员，面对成千上万本书，你需要把它们放到正确的位置。比如历史书放A区，小说放B区，科普读物放C区。这个过程就是典型的“分类”。文本分类也是类似的概念：它是根据已有的类别标准，把一段文字自动分配到一个或多个预设的类别中。新闻网站把每篇报道打上“体育”、“财经”、“科技”等标签；客服系统自动识别用户留言是否属于“投诉”、“咨询”、“建议”；邮件系统判断一封邮件是不是垃圾邮件。有时候，我们手里有一堆文本，但没有现成的分类标准，也不知道应该分成几类。这时候该怎么办呢？]]></description><category></category></item><item><title><![CDATA[为什么培训机构基本都不教强化学习？]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148762523</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148762523</guid><author>wangfantastic</author><pubDate>Thu, 19 Jun 2025 11:30:43 +0800</pubDate><description><![CDATA[在人工智能（AI）培训市场蓬勃发展的今天，各类机构纷纷推出“机器学习”、“深度学习”课程，甚至有些直接打出“AI工程师速成班”的招牌。。这并不是因为强化学习不重要，相反，它在机器人、自动驾驶、游戏AI等领域已经展现出巨大潜力和实际应用价值。本文将从多个角度深入分析这一现象，包括技术难度、市场需求、教学成本、就业导向等多个维度，帮助我们更全面地理解这一行业现状。]]></description><category></category></item><item><title><![CDATA[强化学习：一种“边做边学”的智能方法]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148762303</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148762303</guid><author>wangfantastic</author><pubDate>Thu, 19 Jun 2025 11:27:01 +0800</pubDate><description><![CDATA[我们可以把强化学习想象成一种“边做边学”的过程。就像一个小孩在玩积木时，通过不断尝试不同的搭建方式，慢慢学会怎么搭得更高、更稳一样，强化学习系统也是通过反复试错来学习如何做出更好的决策。在这个过程中，系统会根据每一次行为的结果获得反馈——比如做得好就给奖励，做得不好就惩罚。久而久之，它就能总结出一套最有效的做法。这种方式不像传统的编程那样靠人写规则，而是让系统自己从经验中“悟”出来怎么做最好。]]></description><category></category></item><item><title><![CDATA[接到数据分析任务后，怎么判断是分类还是回归？什么时候你该考虑换模型？]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148621328</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148621328</guid><author>wangfantastic</author><pubDate>Fri, 13 Jun 2025 00:16:23 +0800</pubDate><description><![CDATA[你有没有遇到过这样的情况？这篇文章带你一步步搞清楚：我们将使用**公开数据集（Iris 和 Diabetes）**进行实战演示，并结合真实业务场景，让你不仅能“看懂”，还能“动手做”。在任何建模之前，最重要的一件事是：你想预测的到底是什么？我们来看两个常见公开数据集的例子：所以你可以问自己一句话：如果是类别标签 → 分类任务
如果是连续数值 → 回归任务虽然都叫“机器学习模型”，但它们处理的任务完全不同。目标变量是离散的类别，如：常见算法：目标变量是连续值，如：常见算法：
2. 初始模型选择：

逻辑回归（]]></description><category></category></item><item><title><![CDATA[机器学习怎么知道哪些数据“有用”？从统计到代码讲清楚]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148621146</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148621146</guid><author>wangfantastic</author><pubDate>Thu, 12 Jun 2025 23:57:46 +0800</pubDate><description><![CDATA[先来看个例子。比如你要预测一个人能不能考上大学。年龄性别家庭收入每天学习时间喜欢的颜色很明显，“喜欢的颜色”这个信息和考试成绩关系不大，应该被排除掉。而像“每天学习时间”、“家庭收入”这些可能更有参考价值。条件含义可预测性强和目标变量之间有明显的关系（如相关性、显著性）稳定性强在不同数据集上表现一致，不随训练集变化剧烈信息量大能提供独立于其他特征的新信息（低共线性）易于解释有助于理解模型输出，便于业务落地方法是否需要训练模型是否推荐特点卡方检验❌。]]></description><category></category></item><item><title><![CDATA[用小模型模仿大模型？这就是知识蒸馏的奥秘]]></title><link>https://blog.youkuaiyun.com/wangfantastic/article/details/148477330</link><guid>https://blog.youkuaiyun.com/wangfantastic/article/details/148477330</guid><author>wangfantastic</author><pubDate>Fri, 06 Jun 2025 16:19:57 +0800</pubDate><description><![CDATA[想象一下你是刚学做饭的新手，而你身边有一位米其林三星大厨。他做一道菜，你看着、记着、照着做，慢慢你也学会了怎么做出口感接近的菜。知识蒸馏就是这么个过程。“老师模型”：通常是一个效果很好但很重的大模型（如 BERT、GPT）“学生模型”：通常是一个轻量但表现一般的小模型（如 TinyBERT、DistilBERT）我们让小模型去“模仿”大模型的输出，从而学到它的“思维方式”，而不是仅仅去记住训练数据里的答案。这样，最终得到的小模型就能在保持轻量的同时，获得接近大模型的效果。]]></description><category></category></item></channel></rss>