yweng18的博客

在人工智能飞速发展的今天，大语言模型（LLM）已经成为许多领域的核心技术。然而，尽管它们展现出了惊人的能力，但也有明显的局限性。本文将通过分析大模型的核心能力与实际局限，结合具体案例和实验，帮助读者建立对大模型的合理预期，并探讨未来的发展方向。

在实际应用中，开发者常常需要结合多个框架的优势。例如，使用LangChain 管理复杂的业务逻辑链，同时利用LlamaIndex 的高效索引和检索能力构建知识库。本文在基于[ 第56篇：LangChain快速入门与应用示例]和[ 第57篇：LlamaIndex使用指南：构建高效知识库]基础上，通过 cmd方式集成、基于Streamlit UI集成、基于Ollama本地大模型集成 三个步骤以实战案例展示如何将两者无缝集成，构建一个智能客服系统，抛砖引玉、以飨读者。

在大语言模型（LLM）驱动的智能应用中，如何高效地管理和利用海量知识数据是开发者面临的核心挑战之一。**LlamaIndex（原 GPT Index）** 是一个专为构建大模型知识库设计的框架，它提供了从数据摄入、索引构建到查询优化的完整解决方案。本文将全面介绍 LlamaIndex 的核心功能和技术特点，并通过实战代码示例展示如何构建高效的知识库应用。我们将涵盖从基础架构到高级应用开发的全流程，帮助你快速掌握这一强大的工具！

最近最火的肯定非Manus和OpenManus莫属，因为与传统AI工具仅提供信息不同，Manus能完成端到端的任务闭环。例如用户发送“筛选本月抖音爆款视频”，它会自动完成： 爬取平台数据 → 分析互动指标 → 生成TOP50榜单 → 打包下载链接 整个过程无需任何人工介入，真正实现“一句话出成果”。Manus让普通人应用大模型变得无比简单，而这是AI大模型应用爆发的基础条件之一。Manus的开发并不神秘，它是基于LangChain为代表的AI大模型中间件技术之上，要学会开发智能体LangChain是必学课程

Prompt Engineering（提示工程）是与大模型高效沟通的关键技能。通过精心设计的Prompt，可以让模型生成更准确、更有用的结果。本文将从基础知识到高级策略，全面解析Prompt Engineering的核心技巧，并通过实战案例帮助你掌握这一新兴技能。

本文将用通俗易懂的语言拆解大模型领域的四大核心概念：参数、Token、训练与推理。通过案例对比、代码实战和成本计算，帮助读者快速掌握这些术语的底层逻辑与实际应用价值。

在人工智能快速发展的今天，大语言模型（LLM）的能力评估已成为一项关键任务。本文将系统介绍大模型评测的标准体系、方法论及典型评测基准，帮助读者建立科学评估大模型能力的方法框架。我们将通过实际案例展示如何设计和实施评测，并探讨评测结果与实际应用体验的一致性问题，避免片面或主观评价。

做个预告，为系统化梳理AI大模型的发展脉络，并为普及AI素养做一点贡献，特给自己制定了一个小目标，3个月内完成交稿。整体设计如下：一、基础知识模块（20篇）讲述大模型基础概念、原理、生态和伦理安全；二、应用实践模块（30篇）介绍基础应用技巧、垂直领域应用、高级应用技巧和工程化实践；三、开发工具与框架模块（20篇）介绍开发环境和工具、主流框架和库、开发实践；四、大模型微调与定制模块（15篇）；五、前沿趋势与挑战模块（15篇）