懒猫的脚印

LangChain是一个开源框架，旨在简化基于大语言模型（LLM）的应用程序开发.它解决基于大语言模型从零开发Agent的工作量(比如: 对接 API、设计交互逻辑、处理数据存储).它提供了一套通用接口，把复杂的调用过程封装起来，大大降低了开发难度。更重要的是，LangChain 不仅能让语言模型连接外部的数据源，还能让它与环境进行交互，这意味着模型可以不再只是“回答问题”，而是能真正参与到任务执行中。

“智能体”（Agent）也称为智能代理，从哲学维度剖析，“智能体”意指具备行动潜能的实体，而“代理”一词，则侧重于对这种行动潜能的施行与展现.智能体的范畴颇为广泛，既涵盖人类个体，亦囊括物理世界以及虚拟空间中的其他各类实体。尤为关键的是，智能体概念的核心聚焦于个体的自主性，即赋予其运用意志、抉择判断以及付诸行动的能力，使之摆脱了单纯被动回应外部刺激的模式.

2018 年OpenAI 在论文题为《Improving Language Understanding by Generative Pre-Training》提出的首个 GPT 系列模型, 其核心思想无监督预训练 + 有监督微调的两阶段范式，提升模型在多种自然语言理解（NLU）任务上的表现。

本文介绍了深度学习中的注意力机制及其核心原理。注意力机制通过动态加权方式让神经网络聚焦于输入数据的关键部分，模仿人类视觉的注意力分配。其核心包括查询值(Q)、键值(K)和真值(V)三个角色，通过计算Q与K的相关性，使用Softmax归一化得到注意力权重，最后加权汇总V的信息。文章还详细阐述了自注意力、掩码自注意力和多头注意力等变体，以及它们在Transformer架构中的应用。这种机制显著提升了神经网络处理序列数据的能力，成为现代深度学习模型的重要基础组件。

卷积神经网络CNN在图象处理领域起到了重要的作用,在自然语言处理中还要看循环神经网络RNN,RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息.

如果我们采用多层BP神经网络去训练1000x1000像素的图像，有1百万个隐层神经元，那么他们全连接的话，就有101210^{12}1012个连接，也就是101210^{12}1012个权值参数。这训练量是很惊人的.卷积神经网络使用权值共享网络结构,降低了网络模型的复杂度，减少了权值的数量。

针对某类问题，人们常常能够从数学上提出相应的解决思路。但由于问题的复杂性和不确定性，描述解决思路的数学方程往往难以求解。基于求解问题的数学原理，可在原理性方法的指导下构造出相应的神经网络模型，使其通过对样本的学习自动实现问题的求解。

人工神经网络(Artificial Neural Network，ANN)，通常简称为神经网络，是一种在生物神经网络的启示下建立的数据处理模型。神经网络由大量的人工神经元相互连接进行计算，根据外界的信息改变自身的结构，主要通过调整神经元之间的权值来对输入的数据进行建模，最终具备解决实际问题的能力.人类自身就是一个极好的模式识别系统。人类大脑包含的神经元数量达到101110^{11}1011数量级，其处理速度比当今最快的计算机还要快许多倍。如此庞大、复杂、非线性的计算系统时刻指挥着全身的获得。

聚类算法又叫做”无监督分类“，目标是通过对无标记训练样本来揭示数据的内在性质及 规律，为进一步的数据分析提供基础。

机器学习-回归问题》知道了回归问题的处理方式,分类问题才是机器学习的重点.从数据角度讲,回归问题可以转换为分类问题的微分。

与预测的输出为离散型不同. 在机器学习中，回归任务是用于预测连续数值型变量的任务。回归任务在很多领域都有着广泛的应用.

机器学习（Machine Learning, ML）是一个总称，用于解决由各位程序员自己基于 if-else 等规则开发算法而导致成本过高的问题，想要通过帮助机器 「发现」 它们 「自己」 解决问题的算法来解决 ，而不需要程序员将所有规则都输入机器，明确告诉机器该怎么做。