个人随笔
当前位置： 首页 人工智能
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
Agent学习(7):RAG质量评估
RAG（检索增强生成）质量评估核心：端到端效果 + 检索/生成子模块独立效果，核心目标是避免检索无关、生成幻觉、信息遗漏、逻辑混乱，验证检索相关性、生成准确性、整体合规性。评估方式分类：人工评估（主观精准）、自动评估（客观高效）、半自动化评估（结合两者），实操中常用「子模块专项+端到端综合」组合。一、核心评估维度（所有评估方式的基础）1. 检索维度（RAG基础，检索错则生成必错）相关性：检索...
 人工智能  2026-02-04 20:39:31
Agent学习(6):Qwen-Agent 使用
Qwen-Agent 是阿里通义千问团队开源的基于 Qwen 大语言模型的 Agent 开发框架，为开发者提供构建具备指令遵循、工具调用、任务规划与记忆管理能力的 AI 智能体应用的完整能力栈，也是 Qwen Chat 的后端支撑框架。之前我们用LangChain搭建了一个简单的RAG例子，下面用Qwen-Agent来搭建RAG，这里举了两个例子。1、环境安装这里用conda新建一个环境co...
 人工智能  2026-02-04 20:34:41
【编程效率神器】IDEA/VS Code 大模型结合产品推荐，支持图片生成代码
日常编程中，我们经常会遇到「卡壳写不出代码」「重复代码繁琐」「看到界面原型/流程图想快速转代码」的场景。如今，主流开发工具（IDEA、VS Code）与大模型的结合已经非常成熟，不仅能实现实时代码补全、智能调试，更有不少产品支持在开发工具内直接上传图片生成代码，极大提升编程效率。本文整理了目前结合度最高、最贴合实际开发需求的几款产品，按「VS Code 生态」「IDEA 生态」「跨工具通用」...
 人工智能  2026-02-03 19:29:02
Agent学习(5):提升RAG质量的全流程分析与优化策略
在RAG（检索增强生成）系统开发过程中，数据准备、知识检索、答案生成三大核心阶段均存在各类痛点问题，直接影响最终输出质量。以下从各阶段的常见问题出发，详细拆解优化方案，为RAG质量提升提供全流程指引。一、数据准备阶段1.1 常见问题数据质量参差不齐企业存量数据（尤其是非结构化数据，如文档、图片、音频等）普遍缺乏完善的数据治理体系。未经标记与评估的非结构化数据常包含敏感信息、过时内容、逻辑矛盾...
 人工智能  2026-01-21 23:24:39
首页<1/436>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