玖月初玖-优快云博客

原创通俗理解Transformer

摘要：Transformer是2017年提出的革命性神经网络架构，通过自注意力机制彻底改变了序列建模方式。其核心创新在于完全摒弃RNN/CNN结构，采用多头注意力机制处理序列数据，解决了传统模型在并行计算、长距离依赖和全局语义捕捉方面的局限。关键组件包括：1)自注意力机制，通过Q/K/V向量动态计算词间关系；2)编码器-解码器结构，分别负责语义提取和序列生成；3)位置编码和残差连接等辅助机制。该架构通过并行计算和全局注意力实现了更高效的序列建模，成为NLP领域的基础模型。

2025-07-30 21:53:55 940

原创 RAG优化的17种方法

本文系统分析了RAG（检索增强生成）系统中的文档切块技术及其优化策略。首先阐述了传统切块方法存在的三大问题：粒度控制难、上下文缺失和全局视角不足。随后详细介绍了17种优化方案，包括语义分块、上下文增强检索、查询改写、知识图谱等，每种方法都基于不同的技术假设并具有独特优势。文章还对这些方案进行了评分比较，从实现简易度、改进效果等维度评估其适用性。这些优化策略为提升RAG系统的检索精度和信息相关性提供了多元化的技术路径，需要根据具体场景平衡效果与实现成本进行选择。

2025-07-29 16:28:37 2294

原创 dify-rookie_text2data工具使用

摘要：本文介绍了Dify工具rookie_text2data的部署与使用流程。该工具能将自然语言转换为SQL并执行查询，支持两种模式（转换SQL和执行SQL）。主要步骤包括：创建工作流、配置数据库连接、通过LLM模型处理JSON格式数据、转换为标准SQL并执行、最终将结果格式化为表格输出。文章详细演示了从安装到测试发布的完整过程，并提示用户注意数据库连接细节和跨库查询的可能性。该工具通过自然语言交互简化了数据库查询操作，提升了用户体验。

2025-07-25 15:43:10 4115 5

原创 Dify部署与应用

在 Dify 平台中，Chatflow 和 Workflow 是两种核心的应用编排工具，它们分别服务于不同类型的 AI 应用场景。它更侧重于模拟人类对话的模式，能够记忆上下文，并根据用户的输入进行多步骤的逻辑处理和回复。步骤3、本案例会使用到 tavily 选择“工具”，并搜索 tavily 点击进行安装（我已安装所以在上面，如未安装，则会在下面列表显示）Cloud.dify.ai 是由 Dify 提供的云服务，开箱即用，支持灵活的套餐和价格。面向文本生成类任务的助手，例如撰写故事、文本分类、翻译等。

2025-07-24 21:11:09 1065

原创 MCP：AI与数据交互的新标准

MCP（Model Context Protocol）是Anthropic开发的开源协议，用于标准化大语言模型与外部数据源、工具或服务的连接。该协议采用客户端-服务器架构，包含MCPHost、MCPClient和MCPServer三个核心组件，主要突破上下文窗口限制、降低计算成本、提升信息提取效率。MCP支持知识扩展、工具调用和提示模板三大关键能力，应用场景涵盖长文档处理、代码生成、数据分析等。相比Function Calling，MCP具有通用性强、复用性高、开发复杂度低等优势。文中还以Cursor连接高

2025-07-22 14:54:03 878

原创智能体设计三原则与分类解析

摘要：智能体设计遵循简洁性、透明性和功能性三大原则。智能体可分为三类：反应式智能体基于当前环境快速响应，适合实时场景但缺乏规划能力；深思熟虑智能体通过内部模型进行复杂决策，适合长期规划但响应较慢；混合式智能体结合两者优势，分层处理紧急任务和长期目标，适应性强但系统复杂。三类智能体在响应速度、决策机制和适用场景上各有特点，需根据实际需求选择。

2025-07-21 23:01:56 1220

原创 FunctionCalling：大模型与现实交互的桥梁

摘要：Function Calling是大语言模型的关键技术，使模型能够调用外部工具和API，从而扩展其能力。它不仅能获取实时数据、提高回答准确性，还能实现复杂功能（如天气查询）和个性化服务。与MCP不同，Function Calling是模型厂商的私有接口，需单独适配。文中以高德天气API为例，展示了如何通过Qwen模型调用外部服务获取天气信息。该技术作为大模型与现实世界的交互桥梁，实现了从语言理解到具体行动的转变。

2025-07-21 16:57:06 446

原创初识: LangChain

LangChain 是一个简化 LLM 应用开发的框架，支持集成外部数据与工具，适用于问答、聊天机器人及复杂任务处理。其核心功能包括模型 I/O、检索、记忆、代理、链和回调六大模块。可通过 Agent 动态调用工具（如搜索、计算），或使用 LCEL 构建多步任务链。支持 SQL 交互、记忆存储与自定义工具链。相比 LangGraph、Qwen-Agent，LangChain 更适合快速开发线性任务和 RAG 场景，但部分工具依赖外网 API。代码示例展示了工具调用、记忆管理与 SQL 查询实现。

2025-07-18 15:56:08 165

原创初识：RAG

大模型应用开发的三种主要模式包括：提示工程、检索增强生成（RAG）和模型微调。RAG通过结合外部知识库检索信息，再输入大模型生成答案，有效解决企业应用中知识局限性、专业领域不足、幻觉问题等挑战。RAG流程分为数据准备（数据提取、分割、向量化）和应用（检索、提示注入、生成）两阶段。优化策略包括查询转换、混合检索、提示词优化以及实施动态防护栏确保内容准确性。RAG在金融、医疗等专业领域展现出显著优势，是当前大模型落地的关键技术路径之一。

2025-07-18 09:14:16 827

原创 Embedding与向量数据库

摘要：Embedding是将离散符号转换为连续低维向量的技术，能有效捕捉语义特征。文章介绍了Embedding的基本概念、相似度计算方法（余弦相似度）及应用场景（NLP、推荐系统等），并对比了传统数据库与向量数据库的特点。其中，N-gram技术能增强语义表示并处理未登录词，而向量数据库专为高维向量检索设计，支持语义相似性搜索，是大模型应用的关键基础设施。文中还提供了Word2Vec和句子相似度计算的Python代码示例。

2025-07-17 10:01:31 1304

原创初识：Python库gensim

Gensim是一个强大的Python自然语言处理库，专注于主题建模和文本相似度分析。核心功能包括：Word2Vec/FastText词向量训练、LDA/LSI主题建模、TF-IDF转换等。主要模块包括：models（各类NLP模型）、corpora（文本预处理）、similarities（相似度计算）、keyedvectors（预训练词向量）和utils（工具函数）。Gensim支持大规模语料处理，具有高效性和增量学习能力，广泛应用于文本向量化、主题发现和语义分析等任务。典型流程为：文本预处理→构建词典→向

2025-07-16 11:38:36 1170

weixin_55781982的博客