个人随笔
2025年最后一天上班有感
又到了一年最后一天上班快要下班的日子2025年没怎么学习也没怎么锻炼2026年希望达成如下成就1、身体健康2、AI AI AI3、工作顺利4、能搞点副业
 随笔  2025-12-30 17:13:37
初学Agent:RAG中Embedding核心知识笔记
一、核心定义与价值Embedding（嵌入）是RAG（检索增强生成）流程中的关键步骤，核心是将非结构化文本数据（单词、句子、文档等）映射为低维稠密向量的过程。其核心目标是实现“语义近则向量近”——让语义相似的文本在高维向量空间中的距离更近，语义不相关的文本距离更远，为后续语义检索提供基础。价值：解决了传统关键词检索（如Elasticsearch）无法理解语义关联的问题（例如查询“治疗感冒的药...
 人工智能  2025-12-30 16:46:05
初学Agent:大模型同一问题不同输出的核心原理：概率采样与随机性机制
一、核心原理：概率采样而非「选最大值」大模型生成文本的本质是 逐词（Token）预测，核心逻辑如下：输入问题（如 “写一首关于秋天的诗”）后，模型会对第一个 Token（如 “秋”“风”“金”）计算出完整的概率分布 —— 每个候选 Token 都有对应出现概率；模型默认不直接选择概率最高的 Token（该策略为 Greedy Search，易导致输出重复、生硬），而是通过 采样策略 从概率分...
 人工智能  2025-12-30 15:50:41
初学Agent：阿里千问、百度文心一言、字节豆包：上下文与参数规模
一、核心概念铺垫1. 上下文大小（Context Window）定义：模型单次推理可处理的最大文本长度，核心单位为 token（词元），是模型“记忆能力”的核心指标作用：上下文越大，能记住的对话历史越长、处理的文档越完整，适配长文本分析、多轮复杂对话等场景基础换算前提：中文环境下，1个token≈1个汉字（纯中文文本）；含英文/标点时，1个token≈0.8-0.9个汉字2. 训练参数规模（...
 人工智能  2025-12-30 15:15:35
初学Agent：LLM与Chat Models的简单理解
一、核心定义1. LLM（Large Language Model，大语言模型）基于Transformer架构，通过海量文本数据训练的底层基础模型，核心能力是理解和生成人类语言，是所有语言类AI产品的技术底座。2. Chat Models（聊天模型）基于LLM优化的对话专用产品形态，通过指令微调（SFT）、人类反馈强化学习（RLHF）等技术适配多轮交互场景，是LLM面向“聊天/交互”需求的产...
 人工智能  2025-12-30 15:05:18
初学Agent：#高质量提示词（Prompt）核心指南与各行业模板
一、核心理解确认与补充你对优秀提示词的核心构成（立角色、述问题、定目标、补要求）以及模板相关需求（提炼、复用、版本管理、动态变化）的总结完全正确！这是对提示词工程核心逻辑的精准提炼，我补充部分关键细节，帮你完善认知：1. 优秀提示词四要素的核心作用（补充说明）立角色：核心是“锚定专业度”，让 AI 聚焦特定领域的知识体系和思考方式（如“资深产品经理”“初中数学教师”），避免泛泛而谈；述问题：...
 人工智能  2025-12-27 14:27:30
初学Agent：对编程与大模型交互的简单理解
我问AI:下面是我对通过编程与大模型交互的方式的了解1、我们通过编写提示词模板，在提示词模板中插入变量2、将用户输入的内容，替换提示词模板中的变量获得最终要使用的提示词3、将提示词传给大模型，并且提示词中要明确要求大模型按什么格式返回，比如json格式，且要求不要有任何多余的东西，这样模型就不会乱生成，可以直接获取我们要的格式4、对模型返回的结果进行解析，生成我们要的对象，比如数组或者jso...
 人工智能  2025-12-27 12:54:45
初学Agent：向量数据库的简单了解
一、向量数据库的定义向量数据库是一种专门用于存储、管理和检索“向量嵌入”（Vector Embeddings）的数据库。向量嵌入是将文本、图像、音频、视频等非结构化数据或半结构化数据，通过深度学习模型（如BERT、ResNet等）转化而成的高维数值向量，每个向量都蕴含了原始数据的语义信息或特征属性。与传统关系型数据库（如MySQL）存储结构化数据、键值数据库（如Redis）存储简单键值对不同...
 人工智能  2025-12-25 23:07:07
初学Agent：对LangChain的简单了解
一、LangChain 背景LangChain 是由 Harrison Chase 于 2022 年 10 月推出的开源框架，恰逢生成式 AI 爆发前夕（后续 OpenAI ChatGPT 发布进一步推动其发展），并迅速成为 GitHub 上增长最快的开源项目之一。其诞生的核心背景是：大语言模型（LLM）虽具备强大的自然语言处理能力，但存在明显局限性——训练数据有时间截止点（无法获取实时信息...
 人工智能  2025-12-25 22:57:33
初学Agent：RAG对未训练私有数据有效的核心原理
结合LLM作为概率模型的本质，RAG（检索增强生成）之所以能让未参与训练的企业私有数据发挥作用，核心原因在于LLM的上下文学习能力与概率分布引导机制。以下从核心原理拆解、原理总结、延伸解读三个维度展开详细说明：一、核心原理分层拆解1. LLM的概率生成逻辑：上下文决定条件概率分布LLM的核心本质是概率模型，其核心功能是基于输入的“上下文序列”预测下一个token的概率分布。训练数据的作用是让...
 人工智能  2025-12-24 21:35:28
首页<1/1481,476>尾页
有疑问发邮件到 : suibibk@qq.com 侵权立删
Copyright : 个人随笔   备案号 : 粤ICP备18099399号-2