感谢关注-最近在编写开源的自动化测试框架还没整理完

本文介绍了基于文心大模型4.5的知识库搭建方案，重点对比了三种不同部署方式的优劣势。教程详细说明了本地部署方案（文心大模型4.5+Ollama+CherryStudio）的实施步骤，包括系统要求、硬件准备、Ollama安装配置、CherryStudio安装配置等内容。该方案具有数据隐私性强、响应速度快、可定制化程度高等优势，适合对数据安全要求高的企业和个人用户。文章还提供了文心大模型4.5的特性介绍，包括多模态能力、高效部署、性能表现和性价比分析，并给出了知识库搭建的完整实施路径。

摘要： 百度ERNIE 4.5系列大模型提供多模态（VL）与纯文本版本，涵盖0.3B至424B参数规模，支持MoE架构（如A47B/A3B）与稠密模型，并分基础版（Base）和微调版。多模态模型（如424B参数旗舰版）适用于复杂跨模态任务，而纯文本模型（如300B参数版）在语言任务中表现优异。轻量级0.3B模型适合边缘部署。框架支持PaddlePaddle（原生优化）和PyTorch（生态丰富）。知识增强型Agent结合ERNIE 4.5的检索增强生成（RAG）技术，显著提升金融、科学等领域任务效率（如投研

百度文心4.5全面开源，标志着其AI战略的重大转型。通过开放720亿参数大模型及配套工具链，百度旨在构建以文心为核心的开发者生态，打破技术壁垒，争夺AI领域的话语权。此举不仅回应了国内外开源趋势，也意在重塑市场规则，推动AI技术在多行业的快速落地与创新应用。

传统开发模式要求开发者兼具业务理解与编码能力，而 AI 协同开发实现了流程解耦：开发者聚焦业务问题定义与约束描述，AI 负责技术实现细节。这一转变体现在：需求阶段，大模型辅助领域建模以识别业务实体关系；设计阶段，AI 生成多套架构方案供开发者决策优化；实现阶段，开发者描述意图即可由 AI 生成并优化代码；测试阶段，AI 自动生成测试用例以提升覆盖率。在此模式下，开发者的核心价值转向业务认知深度与决策能力，需持续迭代领域认知，审核 AI 方案并选择最优路径。这种认知驱动的开发范式，正重塑软件工程实践。

机器学习基本原理- 机器学习是计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的学科；- 根据输入输出类型的不同，机器学习可分为分类问题、回归问题、标注问题三类；- 过拟合是机器学习中不可避免的问题，可通过选择合适的模型降低其影响；- 监督学习是目前机器学习的主流任务，包括生成方法和判别方法两类。