登录社区云，与社区用户共同成长
邀请您加入社区
近年来，深度学习技术的快速发展带动了大语言模型在自然语言处理领域的广泛应用。在这个激动人心的领域里，我们常常会遇到一些行业黑话和专业术语。为了帮助大家更好地入门，让我们深入探讨一些关键概念，以及它们在大型语言模型开发中的作用。掌握这些术语可以帮助我们更好地理解、开发和应用人工智能模型，提高我们在实际问题中的解决能力和效率。
本文提出了医疗AI智能体的六大核心模块框架：感知、对话接口、交互系统、工具集成、记忆学习和推理。通过七种专业智能体类型的协同配合，构建安全、可解释且自适应的医疗AI系统，推动人工智能在医疗领域的深度应用。原文PDF https://t.zsxq.com/wKnwa开发医疗AI智能体远比将通用算法简单应用于临床数据复杂得多。它需要深思熟虑地构建模块化、专用架构，能够在复杂的医疗生态系统中模拟智能、上
本文详细介绍了AI智能体记忆概念，将其与RAG技术进行对比和演进。文章将AI智能体记忆发展分为三个阶段：朴素RAG（一次性只读模式）、AI智能体化RAG（通过工具调用实现只读）、AI智能体记忆（通过工具调用实现读写）。核心区别在于如何对外部知识源中的信息进行CRUD操作，从单纯检索到全面管理信息的能力演进，使AI智能体能从过往交互中学习并提升用户体验。
家人们，科研圈传来**超级重磅消息**！Google刚推出的 **Gemini 3** 大家都听说了吧？这工具在学术科研领域简直是降维打击！
书匠策AI会基于目标期刊的语料库给出多个风格选项，并标注其在该期刊中的出现频率，让你的表达更“地道”。比如，在撰写“引言（Introduction）”时，系统会根据你输入的研究方向（如“基于深度学习的医学图像分割”），自动推荐该领域近三年的高引论文中的典型论述框架，并提示你应包含的关键要素：研究背景、问题缺口、本文贡献。书匠策AI的期刊论文写作功能，或许不能帮你“速成”一篇顶刊，但它能让你在同样的
本文介绍了一个基于YOLOv8/V5深度学习算法的鸟类识别系统。系统采用2545张鸟类图像构建数据集，其中训练集1697张、验证集和测试集各424张，确保模型评估的准确性。项目使用PySide6开发用户界面，支持注册登录功能，实现了32种常见鸟类的识别（如美洲乌鸦、金翅雀等）。核心代码展示了YOLO模型的初始化配置、类别计数功能及热力图生成模块，通过调整置信度阈值(0.25)和IOU阈值(0.5)
AI Agent是释放LLM潜能的关键。当前像GPT-4这样的大模型具备很强的能力，但是其性能的发挥却主要依赖于用户写的Prompt是否足够合适。AI Agent则将用户从Prompt工程中解放出来，仅需提供任务目标，以大模型作为核心的AI Agent就能够为大模型提供行动能力，去完成目标。得益于LLM能力边界的不断发展，AI Agent展现出了丰富的功能性，虽然目前Agent还只能完成一些比较简
其中，书匠策AI（官网：www.shujiangce.com）推出的硕士论文写作功能，在设计哲学上尤为值得关注——它不追求“写得快”，而是致力于“想得清、说得准、格式对”。但或许，这种“孤勇者”式的写作模式，正在被一种新范式悄然改变：写作不再是单向输出，而是一场与智能工具的“结构化对话”。然而，不同高校对硕士论文的格式要求差异极大：有的要求三级标题用“1.1.1”，有的坚持“第一章 第一节”；这种
摘要：生成式AI时代对内容创作既是挑战也是机遇。AI冲击传统流量模式，但也催生高质量原创内容需求。创作者需转型为"智慧源点"，专注AI难以替代的深度分析、独家数据和多模态内容。建议采用金字塔内容结构，优化技术可读性，建立直接受众连接，并关注伦理法律问题。未来创作者与AI将形成共生关系，从流量追逐转向价值创造。关键在于提供独特视角和真实经验，在AI时代实现内容价值的重构与升级。
EvoLM研究揭示大模型训练关键规律：系统分析LLM各训练阶段（预训练/持续预训练/SFT/RL）的数据规模影响，发现：1）预训练规模达参数量的80-160倍后收益递减；2）领域训练需混合通用数据缓解遗忘；3）SFT与RL存在最优配置，过度训练损害泛化；4）模型规模优势仅在预训练饱和时显现。研究通过端到端实验验证，为优化大模型训练提供重要指导，尤其指出资源有限时小模型+合理后训练可能优于大模型。
摘要：本文介绍了一个基于深度学习的携程美食推荐系统，采用Python3.8+Django+Vue技术栈实现B/S架构。系统通过爬虫获取数据，利用LSTM算法进行深度分析，提供个性化美食推荐。管理员可管理用户信息、美食数据、价格预测及论坛等功能，用户端提供美食信息浏览、论坛交流等交互界面。系统实现了从数据采集、分析到推荐服务的完整闭环，为美食爱好者提供智能化推荐体验。
Scrapy：Scrapy 是一款高效的网络爬虫框架，用于爬取酒店评论数据。它能够快速定位目标网站，提取评论文本并保存为结构化数据，为情感分析提供丰富的原始素材，确保数据采集的高效性和准确性。数据清洗：数据清洗是情感分析的重要环节，用于去除酒店评论中的噪声数据，如无关符号、重复内容等。通过清洗，确保输入模型的数据质量，从而提高情感分析的准确性和可靠性。Vue.js：属于轻量级的前端JavaScri
在后续帧的流匹配去噪过程中，系统会让当前帧的位姿采样结果向上一帧的位姿靠拢，从而在保持物体形状一致的同时，得到更连续的位姿轨迹。这些动作并不是单一的拿取或放置，而是更贴近人类日常生活的复杂操作，包括放置、拿取、擦洗、涂抹、挤压、熨烫、刷涂、除尘、挖掘、擦除、倾倒、书写、搅打、搅拌、戳刺、压实、钻孔、锤击、切割和刷酱汁。对于希望规模化利用人类视频数据的团队来说，包括EgoScale这类方向的研究团队
当我们还在热议大模型（LLM）的无限可能时，一股更强大的浪潮已悄然来袭——Agent。如果说LLM是拥有渊博知识的"大脑"，那么Agent就是赋予这个"大脑"手和脚，让它能感知世界、制定计划、使用工具并完成复杂任务的"行动实体"。从自动数据分析到全天候客服，从代码辅助到智能家居管家，Agent正在重新定义人机交互的边界。但作为产品经理，我们如何才能驾驭这股力量，打造出真正有价值的Agent产品？
摘要：RAG系统在长期运行中面临性能衰退问题，主要表现为Embedding计算累积、向量库膨胀、重排序耗时增加和LLM吞吐压力增大。根本原因包括重复计算、存储失控、模型过重和Prompt冗余。系统性优化方案包括：1)Embedding批处理+缓存+异步并发；2)HNSW索引+分区+清理+多副本；3)高频FAQ缓存；4)Prompt精简优化。面试中需展示全链路工程思维，强调实际项目经验而非理论概念。
深度学习
——深度学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI Agent技术社区
DAMO开发者矩阵
