登录社区云，与社区用户共同成长
邀请您加入社区
摘要：本文开发了一个基于Vue框架的老龄Ken用户服务系统，针对人口老龄化带来的服务需求，设计实现了包含用户管理、在线咨询、健康档案等12个功能模块。系统采用前后端分离架构，前端使用Vue组件提accessories，后端采用Node.js+Express后端框架，通过REST构建RESTtokened API实现数据交互。测试表明系统能有效提升老龄服务质量，但仍存在智能化程度不足等问题，未来拟引
抽象特性底层等效实现是否零成本泛型模板实例化✅ 是Iterator 链手写 for 循环✅ 是Trait 静态分发内联函数调用✅ 是条件分支✅ 是宏代码文本替换✅ 是Rust 让你既能写出像 Python 一样简洁、安全、高表达力的代码，又能获得像 C 一样高效的运行性能——这正是“零成本抽象”的魔力所在。
list.toArray(new int[list.size()][]) 集合转数组元素。deque.removeLast() deque.removeFirst() 删除元素。Arrays.sort(arr, (a,b)->a[0]-b[0]) 排序第一个元素。deque.peekLast() deque.peekFirst() 获取首尾元素。deque.addLast() deque.addF
大模型微调不是“全参开干”就完事。从LoRA到BitFit，从Adapter到Prefix-Tuning，九种主流方法各有千秋。本文一次性讲清每种技术的原理、适用场景与资源代价，帮你避开“调了等于没调”的坑，精准选对落地策略。
【强烈推荐收藏】LLM微调技术全解析：从零开始学大模型微调，程序员必备指南
大模型省侧落地反思：为什么业务导向是关键？细分场景怎么做？缺哪些 AI 人才？
看不懂AI圈新术语？一文搞懂LLM、RAG、MCP、Agent的关系
这篇文章深度解读了谷歌最新《AI Agents技术指南》，详细介绍了ADK开发框架、Agent2Agent协议、ReAct框架和AgentOps方法论，全面展示了从技术背景、核心架构到企业级部署的完整技术路径，并通过实际应用案例探讨AI Agent技术的未来发展趋势，为开发者提供了构建AI Agent系统的实用指南。
本文详细介绍了RAG应用的经典架构与流程，包括数据索引阶段（加载、分割、嵌入、索引）和数据查询阶段（检索、生成），以及演进出的检索前处理与检索后处理。同时分析了RAG应用面临的五大挑战：检索召回精确度、大模型抗干扰能力、上下文窗口限制、RAG与微调选择及响应性能问题。最后阐述了RAG架构的三阶段演进：从Naive RAG到Advanced RAG再到Modular RAG，展示了RAG技术不断优化
以 Llama-3.1-8B 为例，零训练的 RLMT 模型 Llama-3.1-8B-RLMT-Zero 聊天平均分达 15.6，比经过多阶段微调、用 2500 万 + 样本训练的 Llama-3.1-8B-Instruct 高 5.5 分；同时，RLMT 还支持两种灵活的训练模式。以 Llama-3.1-8B-RLMT-Zero 为例，随着训练步骤推进，其推理部分的 token 从初始阶段的不
本文探讨了RAG系统中数据召回问题的排查与解决方案。作者发现多向量库存储导致不相关数据被召回，分析了文档质量问题和设计缺陷两个原因。提出采用两次召回策略：第一次高阈值召回并重排序，第二次在相关库中使用较低阈值召回。强调RAG系统需要持续优化调整，召回质量直接影响大模型表现。
在过去半年中，Claude团队不断迭代Claude Code，探索了智能体设计中的核心挑战，包括长时任务的内存管理、权限体系的平衡，以及子代理的协同方式。在这一体验中，Claude会实时生成软件，没有预设功能或预写代码，用户可以直接看到Claude在交互过程中即时创造与适配的过程。在一系列公共评测中大幅领先，特别是在金融、法律、医学和STEM等专业领域的知识与推理上，远超此前的Opus 4.1。在
大模型算法岗简历怎么写？这些关键细节，帮你打动面试官！
从榜单来看，Gemini系列、GPT5、Seed1.6-vision等闭源模型的整体性能更胜一筹，但Qwen-Omni、InternVL、SAIL-VL、Ovis等系列的开源模型已具备强劲竞争力，英文榜单前10的模型中有5个为开源模型，而中文榜单前10的模型中，有7个为开源模型。而开源阵营中，Qwen3-Omni-30B-A3B-Instruct分别取得英文榜第二名和中文榜第三名的好成绩，此外，I
本次大模型训练使用的数据集是原用于训练Paddle的PPLCNET模型的数据集中的图片，排除了部分类别后，剩余总类别为3600类，每个类别（菜品）用独立文件夹区分存储。但原数据集并没有特别完善的中文菜名，如使用英文+数字的命名或使用主要食材进行命名，因此，本次数据集的构建采用了如下过程进行二次构建。
比如，“猫鼻子”的Token和“猫眼睛”的Token总是一起出现，并且位置固定，那么它们就可以被合并成一个代表“猫脸”的新Token。目前的多模态大模型（MLLM）在融合视觉和语言信息方面取得了很大进展，但背后一直存在一个根本性的挑战：图像和文字，这两种模态的信息表示方式，存在一道天然的鸿沟。BPE算法的核心思想很简单：在文本处理中，它会不断地把语料库里最高频出现的相邻字符对（比如'e'和's'）
graph-rag-agent项目创新融合GraphRAG与DeepSearch技术，实现可解释、可推理的智能问答系统。项目支持多格式文档处理、LLM驱动的实体关系提取、增量更新机制，提供多级检索策略和思考过程可视化。系统包含NaiveRagAgent、GraphAgent等多种Agent实现，并配备完整评估系统。文章还提供大模型学习资源，涵盖基础理论、RAG开发、Agent设计等5大模块，助力不
文章详细介绍了大模型在业务中的四种落地模式（嵌入式、辅助式、代理式、群体式）及六种常用技术（PE、RAG、PEFT、ME、FT、Agent）。分析了各模式与技术特点、适用场景及优缺点，并提供了学习路线与应用建议，帮助开发者根据业务需求选择合适的技术方案，实现大模型在业务中的高效应用，从基础提示工程到复杂Agent架构的系统化指南。
文章介绍了如何为不同应用场景选择合适的Embedding模型，提供了六步评估框架：明确业务需求、评估数据特性、调研可用模型、评估候选模型、规划集成部署、进行端到端测试。针对文本、图像、音频和多模态数据，详细分析了各种模型选择方法和评估指标，强调最合适的模型不一定是benchmark分最高的，而是最契合业务实际需求与技术约束的模型。
2025 Agent 落地元年！从技术概念到商业主流，程序员必看的 “超级外挂” 攻略
2025工业大模型应用进展与展望｜附21页PDF文件下载
RAG系统工作流程概览RAG系统的核心在于检索与生成流程的深度融合，其核心逻辑是通过动态引入外部知识，大幅提升输出内容的准确性与相关性。具体工作流程以用户查询为起点：首先，检索模块借助向量检索等技术，将用户查询转化为向量形式，从文档库、知识图谱或搜索引擎等外部知识源中快速定位、筛选并提取高度相关的信息片段；随后，以LLM为基础的生成模块会整合查询内容与检索到的上下文信息，经推理、整合与重组，最终生
95%的AI智能体项目在投入生产前失败，主要原因是过度关注准确性而非问题解决率。传统方法因系统提示过长导致LLM注意力分散。Parlant框架通过按需激活的规则系统、双重防护机制和状态机架构，使智能体更可控、可预测。该框架支持条件-动作配对、工具调用控制和并行任务处理，适用于金融、医疗等高风险场景。构建成功智能体的关键是架构设计和行为建模，而非单纯追求AI的"聪明"程度。
文章介绍了MCP支持的三大通信方式：stdio通过标准输入输出通信，适合本地开发和插件集成；SSE基于HTTP长连接，支持流式传输，适合在线对话和长任务；HTTP采用传统请求-响应模式，适合轻量远程调用。这三种方式分别针对不同场景，使MCP能够灵活适配从本地到云端的各类环境，为大模型与外部服务提供稳定通信通道。
在大模型时代，Agent作为应用落地范式成为共识，但企业落地效果差，主要因通用大模型缺乏业务理解。通过Ontology建模（如Palantir方案）可让大模型快速掌握业务知识和经验，形成智能化决策大脑，提升企业数字化决策效率，降低成本。企业自建此系统难度高，建议采用成熟方案。Ontology的价值取决于企业数字化决策带来的效益，在制造业、供应链、能源、医疗和金融等领域有广泛应用场景。
文章详解大模型显存管理的底层逻辑，拆解四大显存构成要素（模型参数、激活值、梯度和优化器状态），结合Qwen2.5-7B模型测算推理、LoRA微调与全量微调场景的显存需求。深入探讨GaLore等前沿优化技术如何突破显存限制，并提供实用估算工具与针对性建议，帮助开发者在有限显存条件下高效部署大模型，推动大模型应用从数据中心走向消费级硬件。
本文详解GRPO算法，一种用于大语言模型训练的新型强化学习技术。通过组内相对奖励机制替代传统价值网络，GRPO显著降低了计算开销和内存需求，同时提升了训练稳定性。在DeepSeek-R1模型中，GRPO算法在数学推理和代码生成任务中表现优异，训练效率较PPO提升30%，内存占用减少50%，为大规模语言模型微调提供了更高效的解决方案。
文章介绍大模型智能体上下文管理，涵盖上下文概念、窗口处理策略、系统提示词设计、RAG工作流程、思维链应用、多工具调用设计、评估指标和压缩技术等。通过电商客服场景展示实践，提供代码实现示例，为开发者构建高效智能体提供全面指导。
Ling 2.0是业界首个在MoE模型上支持FP8混合精度训练的开源方案。通过细粒度量化、FP8优化器、按需转置等技术，在保持模型效果几乎无损的同时，实现了90-120%的吞吐提升，单卡显存节省14-16GB。该方案解决了FP8训练中的精度损失问题，为有限计算资源下的大模型训练提供了高效解决方案。
本文面向企业法务团队和管理者，系统介绍了AI的定义、分类、商业战略价值及实施方法。重点分析了AI在知识产权、数据安全、隐私保护、伦理合规等方面的风险，提出了相应的管理策略。同时探讨了AI对残障人士的影响及企业如何负责任地应用AI技术，为企业合规使用AI提供专业指引。
AI Agent是能够自主感知环境、思考规划并行动以达成目标的智能系统，由LLM大脑、工具箱和记忆系统组成。其核心是通过"感知-思考-行动"的循环工作，ReAct框架让LLM交替生成思考和行动指令。与普通聊天机器人不同，AI Agent能主动完成复杂任务，代表了大模型时代人机交互的新范式，未来将深刻改变我们工作和生活的方式。
重新排列范围，使得指定位置的元素等于排序后的元素，并且左边的元素都不大于它，右边的元素都不小于它。算法的原理是 “覆盖” 要删除的元素，将保留的元素移到前面，返回新的逻辑尾迭代器，但。对范围内的每个元素应用一个函数，并将结果存储在另一个范围内。移除范围内连续的重复元素，返回新的逻辑结尾迭代器。旋转范围内的元素，使中间元素成为新的第一个元素。这些算法不会改变它们所操作的容器中的元素。这些算法会修改它
生产调度：在给定的资源（机器、人员、物料）约束下，为任务（工单、工序）分配时间与资源，实现"成本最低、效率最高、交期最准"的目标。传统调度算法：基于数学模型的精确优化方法，如遗传算法（GA）、蚁群算法（ACO）、禁忌搜索（TS）等，擅长处理结构化、确定性问题。大语言模型（LLM）：基于Transformer架构的预训练语言模型（如GPT-4、Claude 3、Llama 3），具备自然语言理解、上
摘要：MCP支持三种通信方式：stdio模式通过标准输入输出实现本地高效通信，适合开发调试；SSE模式基于HTTP长连接，支持流式传输，是在线对话和长任务的首选；HTTP模式采用传统请求-响应机制，适合轻量级远程调用。这三种方式使MCP能够灵活适配从本地到云端的不同应用场景，为AI模型与外部服务提供稳定可靠的通信通道。
LoRA（低秩自适应）是一种高效的大模型微调方法，通过冻结原模型参数并引入可训练的低秩矩阵，显著降低训练成本和显存需求。其核心优势包括：仅需微调少量参数（0.01%-1%）、训练速度快、产出模型小（MB级）、支持模块化任务切换且无推理延迟。该方法广泛应用于指令微调、领域知识注入、代码优化等场景，成为当前大模型定制化的主流技术之一，尤其适合消费级硬件实现高效微调。
程序员进阶指南：大模型算法岗高薪密码拆解 + 免费学习资源全攻略，冲刺154万年薪不是梦！
场景智能体：AutoSFT+知识图谱，遗忘率<2%数据飞轮：TEE+区块链确权，数据不出域可用算力网格：Serverless+动态混部，PUE≤1.15绿色低碳：稀疏MoE+液冷，碳排-30%数字孪生：BIM+GIS+实时视频，虚实同步<500ms。
大模型入门不迷路：什么是 AI 模型训练？新手 & 程序员都适用的指南
你可以把《群星低语》看成一个游戏，但也可以跳出游戏的范畴，将它视为人和AI相处的未来发展方向和初级形态——科技公司研发的聊天AI是无形的，而当游戏公司为这些AI赋予了生动的外表、神情、声音、语气，它们是否会无限接近于我们梦想中的人工智能，以至于，就像现在人们在游戏中寻找虚拟角色的陪伴和慰藉那样，未来，我们也许不再需要真正的人类了？）比起通常游戏的受众，这类选择和AI“游玩”的玩家肯定是对现存的游戏
本文系统解析AI智能体五大核心模式：反思模式赋予AI自省能力；工具调用模式扩展认知边界；推理-行动闭环实现知行合一；规划分解模式应对复杂任务；多智能体协作实现社会性智能。每种模式都包含详细流程与深度思考，帮助读者理解AI如何从"工具"向"伙伴"转变。文章还提供了大模型学习资料，助力开发者把握AI技术前沿，为AGI发展奠定基础。
大模型转行指南：从迷茫到落地，一个“三老”从业者的真心话
RAG的出现，让LLM从“通用型对话工具”升级为“垂直领域的知识助手”。它不仅解决了LLM的知识时效性、准确性问题，更降低了专业AI系统的开发门槛，为医疗、法律、教育、工业等领域的AI落地提供了可行路径。未来，随着“多模态RAG”（支持图片、视频、音频等非文本知识的检索）、“记忆增强RAG”（结合长短期记忆模块，让系统记住用户历史需求）等技术的发展，RAG将进一步突破现有局限，成为LLM走向“通用
摘 要视觉多模态（Vision-centric Multimodal）以图像/视频为核心，协同文本、音频、雷达、结构化传感等异构数据，在交通、医疗、制造、金融等领域率先完成规模化落地。本文提出“视觉中枢-语义桥接-任务协同”三层融合框架；系统分析视觉大模型、跨模态对齐、稀疏推理、边缘系统四项关键技术；给出电网缺陷检测、高速抛洒物识别、医疗影像报告生成三个实测场景，视觉模态贡献度分别提升18%、27
算法
——算法
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
北京朝阳AI社区
2048 AI社区
openvela
