- 博客(17)
- 收藏
- 关注
RSS订阅原创 从0到1开发一款AI模拟面试工具：我的踩坑与思考
本文介绍了一款AI模拟面试工具的开发过程，重点解决了题库设计、AI追问和用户体验等技术难题。该工具通过状态机控制面试流程，采用JSON格式实现题库热插拔，支持11个岗位的智能题型分配。核心创新包括：基于回答质量的AI追问选题、本地相似度校验防止重复提问、闲聊检测机制保持面试专业性。文章详细讲解了从需求分析到技术实现的全过程，包括动态题型配额算法、追问去重双保险等关键技术点，为AI应用落地提供了实用参考。
2026-04-16 16:34:39
659
原创 大模型微调与私有化部署：从零到一完全指南
本文系统介绍了大模型开发的核心流程与关键技术，帮助开发者快速入门。内容涵盖：1）大模型基础概念，包括参数规模、开源与闭源模型对比及选型建议；2）开发五步法（预训练、指令微调、对齐、量化、部署），重点讲解LoRA等实用技术；3）数据准备策略，强调质量优先原则，提供数据格式、来源及多样性建议。文章通过通俗类比（如"装修房子"解释LoRA）降低理解门槛，为不同技术基础的读者提供从理论到实践的完整指南，特别适合需要私有化部署的企业开发者。
2026-04-13 19:30:50
592
原创 IVF（倒排文件索引）系列算法详解
类型存储格式距离计算方式压缩比召回率检索速度内存占用IVF-Flat原始 float32精确距离1×最高慢高IVF-PQ子空间编码（M 字节）ADC 查表极高（~32×）中等极快极低IVF-SQ直接计算中等（~4×）较高快中低选择建议对召回率要求极致 + 内存充足 → IVF-Flat海量数据 + 内存受限 + 可接受少量召回损失 → IVF-PQ追求性价比平衡 → IVF-SQIVF 负责“选哪些簇”，后缀决定“簇内怎么算”Flat。
2026-03-21 21:25:02
410
原创 HuggingGPT vs RestGPT：让大模型学会“调用工具”的两种经典范式
本文介绍了2023年AI Agent领域的两个代表性工作——HuggingGPT和RestGPT，它们解决了大语言模型(LLM)无法直接执行具体任务的问题。HuggingGPT通过让LLM作为"调度中心"，调用HuggingFace平台上的专业AI模型来完成多模态任务；RestGPT则专注于让LLM学会调用现实世界的RESTful API，实现真实应用的操作。两者都基于"LLM当大脑，工具做执行"的核心思路，但分别针对不同场景：HuggingGPT整合AI模型能力，R
2026-03-19 21:11:58
458
原创 LangChain 1.0 实战：手写 Plan-and-Execute Agent 框架
❌ LangChain 0.x 的写法（1.0 已移除）但升级到后，这些函数被移除了！官方建议开发者根据具体需求自定义实现。"""表示计划中的单个步骤"""id: int = Field(..., description="步骤的 ID")description: str = Field(..., description="步骤的描述")
2026-03-14 09:42:49
835
原创 深入浅出 LangChain Agent：从人工实现到框架原理
摘要： 本文通过手动实现与LangChain框架对比，解析AI Agent的核心原理。手动实现需处理工具调用、多轮对话等逻辑，而LangChain将其抽象为create_tool_calling_agent（配置阶段）和AgentExecutor（执行阶段）。前者自动生成工具描述并整合Prompt，后者通过循环驱动多轮交互，利用agent_scratchpad记录中间步骤。框架封装了通用流程，开发者只需关注工具实现，显著提升开发效率。
2026-03-13 11:55:45
723
原创 [特殊字符] RAG 评估实战总结：修复 RAGAS Context Precision“部分匹配”误判问题
放弃使用 RAGAS 黑盒式的evaluate()函数，改为自定义 Pydantic Prompt 类并手动执行评估循环。这种方法无需修改 RAGAS 源码，即可完全掌控判断逻辑。关键指令设计 (ANY PARTMUST be 1.”关键 Few-Shot 示例 (examplesInput: 答案有2种方法，Context 只描述了其中1种。OutputVerdict=1默认配置不可盲信：RAGAS 的默认 Prompt 在处理答案分散在多文档块的场景时存在设计缺陷，会导致严重的低估。
2026-02-27 18:59:09
402
原创 RAGAS指标优化实战指南：从诊断到落地的完整方案**
在RAG系统的开发过程中，我们经常面临这样的困境：指标不理想时该从哪里下手？优化了一个指标另一个却下降了怎么办？本文基于RAGAS的四维评估框架，结合真实项目的优化经验，系统性地梳理了指标优化的方法论和实战技巧。
2026-02-27 18:58:33
410
原创 Ragas评估四个常用指标解析笔记
本文解析了Ragas评估系统的四个核心指标：忠实度(Faithfulness)、答案相关性(Answer Relevancy)、上下文精确度(Context Precision)。忠实度检查答案陈述是否源自上下文；答案相关性评估答案是否明确具体；上下文精确度判断单个上下文片段对得出答案的有用程度。通过具体示例展示了各指标的prompt指令、判定标准（0/1二元评估）和实际输出，揭示了评估过程中需注意的细节，如忠实度要求精确匹配而非大致意思对，以及温度参数对LLM输出的影响。这些指标共同构成了对问答系统质量的
2026-02-27 18:37:45
1011
原创 深度学习笔记：单神经元网络的手动前向传播与反向传播实战
本文通过一个简单神经网络（2输入-1隐藏-1输出）详细演示了前向传播和反向传播的计算过程。前向传播计算隐藏层输入、Sigmoid激活和网络输出，使用均方误差计算损失。反向传播通过链式法则计算各权重梯度，并用学习率0.5更新权重。两轮迭代后，损失从0.142降至0.101，验证了反向传播的有效性。该示例直观展示了神经网络的核心计算机制。
2026-02-23 13:07:19
874
原创 参数估计与凸优化：从入门到精通
本文系统介绍了统计学中的参数估计方法和凸优化核心概念。参数估计部分通过商场顾客等待时间案例，生动讲解矩估计、极大似然估计、最小二乘估计和贝叶斯估计四种方法，比较其优缺点及适用场景。凸优化部分则结合房价预测案例，阐释凸集、凸函数等基本概念，说明其在寻找全局最优解中的重要性。全文采用"通俗举例+专业解释"的方式，帮助读者理解这些统计学核心概念的本质与应用。
2026-02-22 21:09:02
825
原创 决策树算法详解：从入门到精通
决策树是一种树形结构的监督学习算法，通过一系列特征问题将数据分类或预测。它由根节点、内部节点、分支和叶子节点组成。算法通过计算信息增益或基尼系数选择最佳分裂特征，最大化分类效果。主流算法包括ID3、C4.5、CART和CHAID，其中CART最常用。为防止过拟合，决策树采用预剪枝（限制深度/样本数）和后剪枝（代价复杂度剪枝）技术。基尼系数计算更快，而信息熵对纯度变化更敏感，实际效果相近。决策树直观易懂，适用于分类和回归任务。
2026-02-22 19:38:18
728
原创 HNSW 原理详解：从“城市导航”到图索引的高效近似最近邻搜索
HNSW索引原理的城市导航类比HNSW（分层可导航小世界图）通过多层结构实现高效向量检索，类比城市导航：L0底层存储全量数据，L1/L2高层稀疏分布。节点随机分配层数，高层提供全局视野快速定位，中层优化区域跳转，底层确保精确连接。搜索从顶层开始逐层细化，动态调整邻居连接以优化路径。关键机制包括：几何分布确定节点层数，双向连接维持图连通性，自组织生长形成智能拓扑。这种设计使HNSW支持十亿级向量的毫秒级检索，平衡搜索速度与精度。
2026-02-09 10:44:29
1426
原创 一文搞懂关于RAG查询重写中的Decomposition和查询扩展中的Multi-Query的区别
摘要：Decomposition（问题分解）和Multi-Query（多查询）属于查询改写的不同类别。Decomposition包括结构分解（拆分复杂查询）和语义分解（揭示隐含意图），属于查询重写；Multi-Query是为同一意图生成不同表述，属于查询扩展。核心区别在于Decomposition是横向扩展意图，Multi-Query是纵向深挖同一意图。适用场景不同：事实性问题适合Multi-Query，宽泛性问题需要Decomposition。
2026-02-07 16:43:06
1331
原创 Advanced RAG相比传统RAG的全阶段优化点
这篇文档详细介绍了Advanced RAG（检索增强生成） 的完整技术体系，从传统RAG的局限性出发，系统性地阐述了各个优化阶段的原理、方法和技术实现
2026-02-04 21:15:57
985
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人