- 博客(804)
- 收藏
- 关注
RSS订阅原创 大模型知识库问答系统评估体系搭建：从技术指标到业务监控全流程解析
本文详细介绍了基于AI大模型的知识库问答系统评估体系构建方法，包括多维评测体系（业务、技术、安全）、关键评估指标解读、评测数据集构建、评测方案设计（自动化、人工、ABTest）、Badcase分析与迭代策略，以及评估结果可视化与监控看板搭建。通过系统化的评估方法，可有效解决大模型幻觉问题，提高知识库问答系统的准确性、完整性和用户体验，助力打造智能、稳定、高效的AI产品。
2025-09-12 10:16:03
725
原创 大模型应用开发：Dify+RAGFlow知识库集成实现精准检索的实战指南
本文详细介绍了如何在Dify平台上集成RAGFlow知识库，通过创建知识库、配置API KEY、连接外部知识库等步骤，实现两种工具的优势互补。这种集成方式充分利用了Dify的工作流能力和RAGFlow优秀的知识库构建与召回功能，解决了Dify文档解析不足的问题，让开发者能够构建更精准、更强大的大模型应用。
2025-09-12 10:14:12
801
原创 大语言模型智能体全面解析：架构、组件与协作框架
大语言模型智能体(LLM Agent)通过语言作为通用接口，实现了从专用系统到通用助手的跨越。与传统专门化AI不同，LLM Agent具有通用化、语言驱动和强推理能力特点，由感知系统、大语言模型、规划系统等7个核心组件构成。多智能体协作框架如AutoGen(对话驱动)和CrewAI(角色分工)代表两大设计范式，通过智能体间协作解决复杂问题，标志着AI发展的重要方向。
2025-09-11 19:19:43
1026
原创 多模态大模型完全指南：从通用大脑到业务专家的实战之路
多模态大模型(MLLM)实现跨模态深度理解与融合分析，企业可通过提示工程、检索增强生成(RAG)、微调和预调等方法论，将通用模型训练为业务专家。建议企业从精准场景切入，小步快跑，逐步构建专属多模态业务智能系统，实现从"人分析数据"到"AI自主洞察"的转变，抢占智能升级高地。
2025-09-11 19:18:53
804
原创 2025必学！AI大模型数据治理体系实战指南（附交付物）
本文系统分析2025年AI大模型技术趋势与企业数字化转型痛点，提供制造业、金融、医疗等多行业落地案例。详细阐述技术选型、人才培养和生态合作三大转型策略，以及应对数据治理、模型部署、组织变革等挑战的方法。AI大模型正从"工具化"迈向"智能化+产业化"深度融合，成为企业数字化转型的核心基础设施和战略资产。
2025-09-10 19:12:23
1104
原创 大模型本地部署完全指南：从零开始的保姆级教程
本文详细介绍大模型本地部署的入门教程，包括基础条件、部署优势（数据隐私、离线运行等）及LM Studio的具体部署步骤。指导读者下载安装软件、访问模型资源库、选择适合自己电脑配置的模型，并推荐了几款实用模型。适合有一定电脑基础但想体验大模型本地运行的读者。
2025-09-10 19:09:46
1064
原创 智能体驱动的RAG系统构建：从数据预处理到效果评估全流程
本文详细介绍了如何构建生产级智能体驱动RAG系统，以工业设备维修手册为例，展示了从数据预处理（多策略分块、清洗、摘要生成）到核心流程构建（智能体规划、检索与蒸馏、思维链推理）的全过程。系统通过LangGraph实现规划与反思能力，结合RAGAS进行量化评估，形成能处理复杂问题、抑制幻觉的高效知识问答系统，为开发者提供从原型到生产级系统的完整实践路径。
2025-09-05 16:05:06
855
原创 AI Agent工作流程深度剖析：让大模型自主思考、规划与执行的奥秘
AI Agent是一种能像人类助理一样主动理解目标、规划任务、使用工具并持续学习的AI系统。其核心工作流程包括感知理解、规划决策、执行行动、观察评估、反思学习和输出沟通的闭环循环。目前AutoGPT、LangChain、AutoGen等框架已推动Agent从实验走向实用，在客服、编程、数据分析等领域展现出巨大潜力，未来将更广泛融入工作生活。
2025-09-05 16:02:49
1216
原创 大模型本地部署教程：ollama工具使用详解，适合小白和程序员
文章主要介绍了大模型本地部署的重要性和方法，重点讲解了ollama这一小巧简单的部署工具。文章详细说明了ollama的特点（多平台支持、多种交互接口）、安装步骤、模型下载方式以及API接口使用，帮助开发者在本地环境中快速部署大模型，特别适合学习和小规模开发测试使用。
2025-09-04 17:26:39
965
原创 AI Agent实战：如何自动化生成Helm Chart？程序员必学指南
本文分享了作者利用AI Agent实现开源应用Helm Chart自动化生成的探索历程。从"全自主决策"Agent的失败，到"结构化工作流"Agent的成功实现，最后提出"多Agent协作"架构。文章总结了Agent设计的核心原则：结构化上下文、单一职责、外部化状态管理等，并分享了AI可观测性、Prompt工程等实践挑战，为AI Agent在工程领域的应用提供了宝贵经验。
2025-09-04 17:25:33
690
原创 大模型应用开发：从入门到精通的实践之路——RAG与智能体架构详解
大模型应用开发理论简单但实践困难。RAG系统需平衡数据召回的广度与精准度，同时应对数据量增长带来的速度挑战。智能体系统的核心是模型推理与工具调用能力，可通过ReAct模式激发逻辑思维和纠错能力。大模型应用入门容易，但要做好需要深厚的技术、架构和工程化支持。
2025-09-03 17:25:59
992
原创 5大大模型长期记忆框架详解，让AI拥有“记忆“能力
本文详细介绍了五种增强大语言模型长期记忆能力的创新框架：TIM、CoPS、MaLP、MemoryBank和HippoRAG。这些框架受人类记忆机制启发，通过引入长期记忆系统，使大模型能够存储历史交互、用户偏好等信息，实现自我进化。各框架分别采用记忆内思考、认知个性化搜索、双过程增强记忆、艾宾浩斯遗忘曲线模拟和海马体索引理论等不同方法，有效解决了模型在长期交互中的记忆衰退问题，提升了AI的个性化服务和连贯响应能力。
2025-09-03 17:21:37
1152
原创 【必学收藏】Agentic RAG：大模型检索增强生成的革命性突破，彻底改变传统RAG
本文介绍了传统RAG系统的局限性，详细阐述了Agentic RAG如何通过引入AI代理组件实现动态检索、自我更正和多步推理等功能，解决传统RAG在处理复杂查询、数据分块、嵌入模型和上下文管理等方面的不足。文章对比了两者的差异，展示了Agentic RAG在处理复杂查询和动态数据时的优势，并提供了使用Python和LangGraph构建系统的示例代码，指出Agentic RAG并未取代向量数据库，而是将其整合进更智能的生态系统。
2025-09-01 17:45:05
717
原创 大模型开发新思路：Agentic RAG技术详解与实战案例，收藏不亏
本文介绍了Agentic RAG技术，通过智能体实现无需向量化检索的轻量级大模型应用。以餐厅推荐系统为例，展示如何从用户输入提取参数，通过纯Python条件过滤结构化数据检索结果，再由大模型生成友好回复。相比传统RAG，Agentic RAG节省算力存储开销，灵活扩展性强，无需复杂基础设施即可快速验证智能推荐核心流程，适合中小规模数据场景。
2025-09-01 17:43:05
777
原创 《打造你的AI第二大脑：WPS知识库全攻略（建议收藏）》
文章介绍生成式AI时代如何通过WPS知识库构建"第二大脑"，包括上传文档创建知识库、智能问答和内容抽取等功能应用。帮助用户高效管理海量信息，打造个人知识系统，提升工作效率，是AI时代专业人士必备技能。
2025-08-30 16:31:30
940
原创 【建议收藏】法律大模型DeepSeek实战：为什么我不建议本地部署？程序员必看避坑指南
DeepSeek-R1法律大模型虽对法律服务行业有颠覆性影响，但作者通过实践发现三个关键问题：未经专门训练的大模型法律检索错误频发；技术迭代速度快，部署后仍需频繁升级；本地部署硬件与训练成本高昂。因此，作者建议普通律师暂缓本地部署，转而关注未来可能出现的针对法律行业的蒸馏版本AI工具，同时掌握法律AI应用技能将成为律师职业发展的关键方向。
2025-08-30 16:29:43
885
原创 大模型微调入门指南：从ChatGPT到LoRA实战（含完整代码，建议收藏）
本文详细介绍了大模型微调(Fine-tuning)的基本概念、重要性和应用场景。从GPT到ChatGPT的演进过程中，微调扮演了关键角色。文章重点解释了LoRA技术原理及如何使用LoRA高效微调模型，通过代码实例展示了微调流程和注意事项。微调可强化模型特定任务能力、提高性能、避免数据泄露并降低成本，技术门槛不高，即使是10B以下模型，非专业人员也可尝试。
2025-08-29 17:43:48
786
原创 在生命科学领域，大模型RAG架构对医疗保健有何影响？
检索增强生成 (RAG) 架构通过整合实时数据，显著提升了大型语言模型 (LLM) 在医疗保健领域的准确性和实用性，为临床决策支持、虚拟医疗和医学研究等应用带来了变革。
2025-08-29 17:13:05
1013
原创 一文带你提示词工程入门
最近，ChatGPT、文心一言等大语言模型（LLM）爆火，无数人惊叹于它们“无所不能”的能 力：写文案、做PPT、解数学题、甚至帮你写代码……但你有没有想过一个问题：为什么同样 的大语言模型，有时候你问它“写篇文章”，它能妙笔生花；有时候问它“解释一个概念”，它 却答非所问？
2025-08-27 19:03:32
828
原创 AI智能体提示词工程的系统化学习，从LangChain到LangGraph
AI 的世界正在飞速演变，从简单的问答系统升级成了复杂、多步骤推理的智能代理。不管你是想打造客服机器人、数据分析工具，还是复杂的自动化工作流程，掌握 LangChain 和 LangGraph 的提示工程（Prompt Engineering）是你成功的关键！
2025-08-27 19:01:47
1025
原创 一文搞懂提示词工程和提示词之间的关系
网上充斥着各种类型的提示词模板，也有大量的文章在写提示词工程，而且在招聘网站上提示词工程师的薪水还非常的高。那么提示词和提示词工程到底有什么区别呢？为什么提示词工程师的薪水会非常的高呢？
2025-08-25 10:18:18
797
原创 每个大模型开发者必须要掌握的技术——提示词工程
不知道大家有没有这种感觉，就是在我们使用AI助手的时候，它们有时候表现的像个天才、无所不会，有时候又变成了“人工智障”、答非所问？我们用的越多、就越能发现一个规律：那就是我们发送的信息越具体、越丰富，AI的回答就越准确、越接近我们心中所想。
2025-08-25 10:13:19
1049
原创 基于RAGFlow + DeepSeek，手把手教你完全本地化部署本地知识库
部署本地知识库的工具有很多，RAGFlow、FastGPT、DIFY、AnythingLLM等，他们各有特点，本文以RAGFlow为例。本次是在Windows操作系统中进行的部署。
2025-08-22 10:13:25
1360
原创 2025大模型面试八股文一网打尽
博主最近比较闲，帮同学们精心整理一份面向 2025年校招/社招 的大模型（LLM）面试“八股文”及高频考点梳理。这份资料不仅涵盖了经典基础，更重点加入了 2025年可能考察的前沿技术（如MoE、Agent、多模态、推理等），帮助你应对更高阶的面试挑战。
2025-08-22 10:06:31
626
原创 推理模型大火，我们还需要提示词吗？
最近，随着DeepSeek-R1等推理型大模型的火爆，很多开发者纷纷表示：“推理模型已经这么强了，我们还需要提示词吗？”但实际上，提示词不仅没有失去价值，反而随着推理模型的出现迎来了新的变化。
2025-08-21 12:06:04
1004
原创 一文分清“提示词” 、 “提示词工程” 与“上下文工程”
很多人分不清楚什么是“提示词”（Prompt），什么是“提示词工程”（Prompt Engineering），现在还又多了一个概念叫“上下文工程”（Context Engineering），这又和“提示词工程”什么区别？
2025-08-21 12:01:24
596
原创 六大模型应用场景设计方案总结
公系统AI智能化1.Deepseek+流程管理1）快速查找流程：使用者输入需求描述（如"明天出差去重庆培训两天"），AI自动推荐最匹配的流程模板（如《出差申请单》），显示发起当前流程的需提供资料以及相关要求，提高员工找流程效率，降低员工发起流程的学习与沟通成本。
2025-08-20 19:17:39
632
原创 Agent产品深度体验总结：不是大模型外壳，而是交互范式重塑
Agent，不只是大模型的外壳，而是一次交互范式的重塑。从设计理念到系统实践，从分工逻辑到未来场景，本文梳理 Agent 的发展脉络与应用逻辑，是一次关于“从能力到体验”的思维跃迁图谱。
2025-08-20 19:05:58
1005
原创 提示词工程和上下文工程有什么本质区别？不懂或许是因为你没看这篇！
大语言模型（LLM）这两年的进化速度，有点像坐高铁。刚开始，大家都在研究怎么用一句话“撬动”模型，提示词工程（Prompt Engineering）应运而生，成了热门话题。但当LLM不再只是问答工具，而是走向复杂智能体（Agent）的核心引擎时，问题就来了：光靠提示词，已经撑不起生产级AI系统。于是，一个更宏观、更系统的新领域出现了——上下文工程（Context Engineering）。
2025-08-15 20:12:43
785
原创 一文解AI： 如何写智能体提示词
这是一种针对大语言模型（LLM）应用，通过测试、评估、分析以及优化提示词和工具，系统性改进提示词的实践。是用自然语言进行编程！提示工程往往也是概念工程——确定模型预期行为，界定任务中“表现良好”的含义，传递清晰概念。涉及的部分技能示例：清晰、明确、精准的文字表达以科学思维创建评估体系，持续开展测试产品思维——你的产品理想的模型行为是怎样的？ 了解大语言模型，知晓其特点与局限 汇总并分析失效模式，思考修复办法 考量边缘案例，想办法让提示词能应对各类广泛输入
2025-08-15 20:09:35
977
原创 十分钟搞定！ollama+Deepseek+cherry studio构建本地知识库
包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！😝有需要的小伙伴，可以保存图片到。
2025-08-14 18:51:03
746
原创 10分钟搞定，Ollama本地部署完全指南，打造专属知识库
打开浏览器→下载 Ollama→输入 1 条命令→搞定！这不是魔法，而是本地部署大语言模型的全新方式。Ollama 简化了大型语言模型的运行，让每个人都能在本地轻松体验 AI 的强大。
2025-08-14 18:46:45
732
原创 一文解读大模型：什么是大模型微调？
预训练大模型虽然具有强大的泛化能力和广泛的知识，但它们通常是针对大量通用数据集进行训练的，这使得它们在处理特定任务时可能无法达到最佳效果，比如ChatGPT、混元、文心一言在回答一些常识性问题时表现的非常出色，但在物理、化学或编程等专业性问题上往往变的傻了吧唧。怎样让大模型更好地适用于特定场景？此时我们就需要利用特定任务的数据集来进一步训练模型，通过模型精调让全能型大模型变的专而精。
2025-08-11 18:59:33
948
原创 大模型知识图谱融合的三大应用场景
通用场景是指无行业属性的场景，通常为各行业的共性需求，如智能客服、知识助手、员工办公助手。通用场景的大模型落地进展较快，本月大模型落地案例中智能客服场景最多，占比为28%；行业垂直场景是指与特定行业业务需求高度相关的场景，例如城市治理、工业质检、智能投顾等。随着大模型技术应用程度加深，企业更加注重大模型技术对核心业务的赋能。从本月落地案例上看，金融、能源、医疗等细分行业落地进展更快。
2025-08-11 18:53:11
1075
原创 如何实现RAG 应用核心环节：检索与问答
经过一段时间的学习，我们已经深入了解了 RAGFlow 从文件上传、解析、分块到知识库构建的全过程，并探索了 RAPTOR、知识图谱、标签集等高级功能。至此，知识库的构建阶段已经完成，接下来我们将进入 RAG 应用的核心环节：检索与问答。
2025-08-04 21:37:51
702
原创 大模型案例拆解：基于Dify集成RAGFlow的知识召回，实现精准检索
在智能体构建和工作流等模型应用编排平台中，dify，ragflow、n8n和目前开源的Coze这几个工具各有其优势。但是，在实际使用中，为了追求更符合个人或者单位要求的效果，通常会将这些工具或者平台的优势集成起来，以便充分发挥各自的优势，今天这篇文章，就是在主要使用Dify的基础上，集成RAGFlow的知识召回能力，从而实现更可靠的知识检索能力。
2025-08-04 21:32:30
1005
原创 1小时教会你本地搭建免费个人AI知识库!
难道你就不想拥有一个超级能干的AI助理管家吗？就像是贾维斯一样的助手!那么DeepSeek的特点就是擅长理解中文,这一点比很多外国AI强大很多!那么我们就可以把自己的工作文件、个人日记、文档笔记交给它去处理,DeepSeek能快速吃透你给的各种文档, 最关键是能装在自己电脑上，我们不用担心隐私泄露!你要是使用公共AI处理就像把钥匙交给陌生人一样不放心，而DeepSeek就像把保险箱安在自己家!
2025-08-01 11:45:20
930
原创 构建企业专属大模型知识库，解决企业知识管理与应用难点
大部分企业的知识管理有三个不足：缺乏长期规划、缺乏组织机制和文化、缺乏智能化，大模型+知识库的体系建设，从知识管理的底层切入，帮助企业探索多场景的知识应用形态，提升企业知识应用价值。本文从知识库建设的挑战、AI+知识库建设框架与路径、4个不同场景的知识库落地案例，三个部分详细展开。
2025-08-01 11:35:26
816
原创 提示词工程：助你从AI“调教师“进阶为“驾驭者“。
"在AI时代，真正的力量不在于拥有最强大的模型，而在于懂得如何与之对话。""提示词工程是人类智慧与机器智能之间的翻译艺术。""一个精妙的提示词，胜过千万次盲目的尝试。"
2025-07-31 11:13:55
1101
原创 什么是提示工程（Prompt Engineering）
不知道大家有没有这种感觉，就是在我们使用AI助手的时候，它们有时候表现的像个天才、无所不会，有时候又变成了“人工智障”、答非所问？我们用的越多、就越能发现一个规律：那就是我们发送的信息越具体、越丰富，AI的回答就越准确、越接近我们心中所想。
2025-07-31 11:11:34
599
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