个人随笔
当前位置： 首页 人工智能
一个声音克隆开源工具：voicebox
Open source voice cloning powered by Qwen3-TTS. Create natural-sounding speech from text with near-perfect voice replication.使用起来贼简单，下载打开就行https://voicebox.sh/
 人工智能  2026-03-03 22:22:42
Agent学习(14): Skill和MCP区别
核心定位（一句话区分）MCP（Model Context Protocol）：解决「连接」问题，让 AI 能访问外部世界Skill（Agent Skill）：解决「方法论」问题，教 AI 怎么做某类任务类比：MCP 是 AI 的「手」（触碰外部），Skill 是 AI 的「技能书」（知道怎么做），二者需配合使用。Anthropic 官方定义：”MCP connects Claude to e...
 人工智能  2026-02-28 21:38:50
Agent学习(13):用langgraph实现简单的Agent
1. LangGraph 介绍1.1 基本概述LangGraph 是由 LangChain 团队开发的一个开源框架，旨在帮助开发者构建基于大型语言模型（LLM）的复杂、有状态、多主体的应用。它通过将工作流表示为图结构（graph），提供了更高的灵活性和控制能力，特别适合需要循环逻辑、状态管理以及多主体协作的场景，比如智能代理（agent）和多代理工作流。LangGraph 是为智能体和工作流...
 人工智能  2026-02-28 21:22:22
梯度下降算法核心笔记（含大模型应用+凸/非凸函数区别）
一、梯度下降算法核心解析（破解核心疑惑）1. 核心误区澄清梯度下降的目标 不是 「下山最短/最快路径」，而是「在只有局部信息的前提下，保证每一步函数值严格下降，最终收敛到极小值点」。疑惑解答：所谓“第一步缓、第二步更陡，整体更优”的情况真实存在，但梯度下降是「局部贪心算法」，只有当前点的视野，无法预知未来坡度，只能做当下最优选择（往当前最陡下坡走），而非全局最优路径选择。2. 数学本质与迭代...
 人工智能  2026-02-25 20:49:09
Agent学习(12):LangChain的简单使用
LangChain 是一款专为构建大语言模型（LLM）应用设计的 Python/JavaScript 开源框架，核心目标是解决 “只用原生 LLM API 开发复杂应用太繁琐” 的问题，让开发者能快速把 LLM（比如 ChatGPT、文心一言、智谱清言等）和外部资源（数据、工具、知识库）结合起来，搭建智能对话、问答机器人、数据分析、自动化工作流等应用。1、先安装环境conda create ...
 人工智能  2026-02-10 22:09:09
Text2SQL（大模型驱动）的简单理解
一、Text2SQL 基础认知1.1 基本定义与意义Text2SQL（又称NL2SQL）是一种将自然语言转换为SQL查询语句的技术，核心意义在于：让非专业人员无需学习SQL语法，就能通过自然对话的方式查询数据库、获取所需信息，降低数据查询的门槛。1.2 典型应用场景业务分析师的数据自助服务智能BI与数据可视化（含NL2Chart、ChatBI）客服与内部数据库查询跨部门数据协作与分享运营数据...
 人工智能  2026-02-08 19:55:05
Agent学习(11):LlamaIndex的简单使用
LlamaIndex（曾用名 GPT Index）是一款专为大语言模型（LLM）打造的检索增强生成（RAG）开发框架，简单说：它是连接「你的私有数据（文档 / 数据库 / API）」和「通用 LLM（如 GPT-4 / 通义千问 / Llama）」的 “桥梁”，让 LLM 能精准回答基于你私有数据的问题，而不是只依赖模型自身的训练数据。1. 大语言模型开发框架的价值是什么？SDK：Softw...
 人工智能  2026-02-08 15:25:57
Agent学习(10):RAG 父文档检索器 学习笔记
一、核心定义父文档检索器是 RAG（检索增强生成） 中针对「长文档检索效率低、小文档上下文缺失」设计的 分层检索策略。核心逻辑：将长文档拆分为「父文档（完整上下文）+ 子文档（小片段/关键词块）」，先检索易匹配的子文档，再通过子文档关联回完整父文档，用父文档信息做生成，兼顾检索精准度与上下文完整性。通俗理解：子文档做「检索入口」，父文档做「生成素材」，解决“拆太细丢上下文、拆太粗检索不准”的...
 人工智能  2026-02-04 21:10:53
Agent学习(9):商业落地实施RAG工程的核心步骤
一、前置：业务需求对齐（新增，商业落地核心前提）核心目标：明确RAG工程的商业价值、应用场景及核心指标，避免技术无用功，确保落地后能解决实际业务问题。明确业务场景：锁定具体落地场景（如企业内部知识库问答、客户服务智能答疑、行业文档检索辅助决策等），界定适用人群（内部员工/外部客户）；确定核心指标：区分技术指标与商业指标（技术指标：召回率、准确率、响应速度；商业指标：人工成本降低率、客户满意度...
 人工智能  2026-02-04 20:58:03
Agent学习(8):RAG高效召回方法
RAG（检索增强生成）的核心瓶颈的是「召回质量」—— 只有召回准确、全面、相关的文档，才能避免生成幻觉、信息遗漏，为后续生成环节提供可靠支撑。高效召回的核心目标是：提升召回相关性、完整性、多样性，同时兼顾检索速度（避免耗时过长影响用户体验）。以下结合实操方法+行业主流补充，整理RAG高效召回的核心策略，覆盖参数设置、索引优化、模型辅助、机制创新四大维度，可直接落地参考。一、基础参数优化：合理...
 人工智能  2026-02-04 20:51:39
首页<1/440>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