登录社区云，与社区用户共同成长
邀请您加入社区
本文将深入解析传统RAG与Agentic RAG的核心差异，通过对比架构设计、实现方式和实战案例，帮助你理解为什么Agentic RAG是下一代AI应用的关键技术。
本文将深入介绍 LangChain Retrieval 模块的核心概念、v1.0 重大更新、以及如何使用最新的 create_retrieval_chain API 构建生产级 RAG 应用。
2026年软件测试公众号爆款内容聚焦三大类型：工具评测与实战教程（含量化指标）、精准测试案例（附代码/截图）、行业趋势分析（带独家数据）。热度驱动因素包括专业深度、实用操作性和情感共鸣。AI技术显著提升效率，如会议录音自动转测试需求，2分钟生成待办列表。未来趋势显示AI测试自动化指数达95%，向"自主测试智能体"演进。从业者应注重痛点选题、AI工具融合和协作优化，采用"
本文提出了一种基于Python和大模型深度学习的疾病预测系统。该系统整合电子健康记录、医学影像等多源异构数据，采用Transformer、CNN-LSTM等先进架构，实现了糖尿病、心血管疾病等典型疾病的高精度预测（AUC值0.92-0.94）。系统创新性地结合SHAP值、注意力机制等可解释性技术，为临床决策提供科学依据。实验结果表明，该系统较传统方法性能提升14%-22%，在真实ICU环境中验证了
本文介绍了一个基于Python和大模型深度学习的多模态疾病预测系统开发项目。项目整合电子病历、医学影像和实验室检查数据，利用医疗领域大模型（如Med-BERT、ViT）提取特征，通过跨模态注意力机制实现特征融合，构建高精度疾病预测模型（AUC-ROC≥0.9）。系统提供可解释性分析（SHAP/Grad-CAM）和多种部署方式（Web/API），技术栈涵盖PyTorch、FastAPI等工具。开发周
摘要：本文系统探讨了Python与大模型深度学习在疾病预测领域的技术创新与应用。研究重点分析了混合模型架构演进（如CNN-LSTM、GNN+CNN）、多模态数据融合策略（包括特征嵌入层和联邦学习）、以及可解释性增强方法（SHAP值分析和医学知识嵌入）。通过AKI预测（AUC 0.94）和糖尿病预测（准确率91%）等典型案例，验证了深度学习模型在临床决策支持中的价值。文章同时指出数据隐私、模型轻量化
本文介绍了一种融合DeepSeek大模型与Neo4j知识图谱的电商商品推荐系统。该系统通过三层架构设计，有效解决了传统推荐系统的冷启动、可解释性差和长尾覆盖不足等问题。核心技术创新包括：基于知识图谱的路径推理算法、大模型的语义理解能力，以及混合推荐策略。系统实现了新用户推荐准确率提升40%、长尾商品曝光量增加25%的效果，并通过AB测试验证了推荐转化率从3.7%提升至5.2%。文章详细阐述了技术架
本文探讨了DeepSeek大模型与Neo4j知识图谱在电商推荐系统中的融合应用。传统推荐系统存在数据稀疏性、冷启动和动态关系缺失等问题。DeepSeek通过MoE架构、多模态理解和强化学习实现技术突破，Neo4j则提供动态实体识别和多跳推理能力。混合系统采用双塔融合架构，结合语义理解和结构化推理，显著提升了推荐准确性和用户体验。实践表明，该系统能提高点击率35%、转化率20%，并降低客服压力25%
本文介绍了一个基于DeepSeek大模型和Neo4j知识图谱的电商商品推荐系统开发项目。系统通过结合大模型的语义理解能力和知识图谱的关系推理，实现精准推荐、可解释推荐和冷启动优化。项目包含知识图谱构建、大模型集成、推荐算法融合等核心模块，采用Python、FastAPI、React等技术栈。系统支持实时推荐、多模态数据融合，并提供可视化推荐理由解释。开发周期约12周，预期提升推荐点击率15%以上，
摘要：本文探讨了DeepSeek大模型与Neo4j知识图谱融合在电商商品推荐系统中的应用。针对传统推荐系统存在的数据稀疏性、冷启动等问题，提出了双塔架构融合方案，通过DeepSeek的语义理解能力和Neo4j的关系挖掘优势，实现更精准、可解释的推荐。实验结果表明，该融合系统显著提升了点击率（15%-20%）和用户满意度，为电商推荐系统智能化升级提供了有效解决方案。研究对提升推荐多样性、解决长尾商品
多模态知识图谱构建技术正从静态知识库向动态认知引擎演进。其核心在于三层架构：多模态知识提取与融合引擎、统一知识表示框架、动态知识演化系统。关键技术包括跨模态语义对齐、多模态知识存储检索及与大模型的深度集成（知识增强推理与模型驱动构建）。典型应用涵盖内容创作、工业诊断和教育领域。面临跨模态对齐、知识演化等挑战，需结合对比学习、版本管理等解决方案。未来发展方向包括神经符号融合、联邦知识图谱等。成功要素
Hbuilderx;Flask 是一个轻量级的 Web 框架，使用 Python 语言编写，较其他同类型框架更为灵活、轻便且容易上手，小型团队在短时间内就可以完成功能丰富的中小型网站或 Web 服务的实现。8、AI续写、AI优化、AI校对、AI翻译:新增AI接口，编辑器接入AI，可以实现AI续写、AI优化、AI校对、AI翻译，可以帮你实现自动化，ai帮你完成文档。对于本系统，我们提供全方位的支持，
本文介绍了大模型微调与部署的全流程。首先使用LlamaFactory对通义千问2.5-1.5B-Instruct模型进行LoRA微调，重点解决了数据集准备、质量评估和训练参数配置等关键问题。接着构建知识库系统，整合PDF识别、知识图谱构建和联网搜索功能，采用Docker容器化部署。最后通过Ollama部署微调后的模型，并进行了效果测试。整个过程涵盖了从数据准备、模型训练到系统部署的完整链路，针对显
RAGFlow是开源RAG引擎，采用模块化DAG工作流架构，包含文档解析、切分、索引等核心组件。其创新点在于融合传统RAG与GraphRAG技术，通过双检索器并行工作，实现向量检索与图检索的互补增强，提供多层次检索能力，支持实体、关系、社区等多维度查询，为大模型应用提供强大的知识检索与推理能力。
春节AI大战即将上演，DeepSeek计划发布编程能力超主流的V4版本，字节将推出涵盖大语言模型、图像及视频生成的新模型，阿里也将发布具备强大数学和编码能力的Qwen 3.5。科技巨头们不仅争夺用户注意力，更在布局"多模态大一统"战略，争夺未来AI和云计算市场主导权，中国AI云市场2030年有望达到900亿美元。
本文探讨35岁程序员转行大模型的可行性及前景。分析指出，程序员的技术背景、职业发展需求和学习能力使其适合转行大模型领域。文章详细讨论了转行可能面临的技术知识不足、数据处理能力不足等问题及解决方案，并提供了系统学习大模型的方法和资源，帮助35岁程序员成功实现职业转型。
Agentic-R：提升多跳推理检索效能的创新方案 传统RAG系统在多跳推理任务中受限于单次检索模式，易因误导性内容导致推理错误。Agentic-R提出"双视角打分"机制，结合局部查询-段落相关性（LR）和全局答案正确性（GAC）评估段落价值。通过两轮迭代训练（数据生成→模型优化），该方法在7个数据集上平均提升2-3个EM分数，减少10-15%搜索轮次。实验显示其能有效过滤高相
AI智能体正加速从实验走向生产：57%企业已部署于多阶段工作流，81%计划2026年扩展至更复杂场景。编程辅助成为标配（86%用于生产代码），同时数据分析（60%）和流程自动化（48%）成为最具影响力应用。80%企业已获得可衡量回报，主要提升研发全流程效率（代码生成59%、文档59%、测试59%）。2026年将成为关键转折点，企业将面临系统集成（46%）、数据质量（42%）等挑战，但智能体将重构软
本文探讨了在Agent和RAG技术快速发展背景下检索模型的重要性，指出其准确性直接影响系统效率和成本。文章详细对比了三种检索嵌入模型学习方法：成对余弦嵌入损失、三元组边距损失和InfoNCE损失。实验结果表明，InfoNCE损失覆盖面最广，但经过充分参数调整后，余弦嵌入损失也能达到相近效果。作者强调方法选择需综合考虑具体场景、数据量和算力资源。此外，文章还系统介绍了大模型AI的学习路径，包括提示工
本文系统介绍了人工智能三大核心概念：智能体(Agent)作为能自主感知、决策和行动的"实干家"；AIGC(人工智能生成内容)作为高效创作文字、图像等内容的"创意大师"；AGI(通用人工智能)作为具备人类般全面智能的终极目标。三者分别从行动执行、内容创作和全局智能角度推动AI发展，构成人工智能技术的重要维度。文章通过比喻说明三者的区别与联系：AGI是"
30+程序员2个月成功转行大模型，月薪2w+经验分享 一位32岁北漂程序员分享从传统软件开发转行到大模型领域的经历。文章描述了十年程序员生活的困境：长期加班、缺乏个人时间、职业停滞。在了解大模型行业的高薪前景后，他通过系统学习，仅用2个月就成功转行并获得月薪2w+的offer。文章详细介绍了大模型领域的学习路径、所需技能（Python、机器学习、深度学习框架等）和资源，强调实践项目的重要性，鼓励其
AI Agent人机协作模式解析 本文系统分析了三种关键人机协作模式：HITL（同步阻塞，人类作为必要环节）、HOTL（异步监督，人类可中断干预）和AITL（嵌入式辅助，Agent辅助人类）。通过操作系统概念类比（如中断机制、特权环架构），结合Manus（系统级HOTL）、LangChain（框架级HITL）和Dify（可视化HITL）等框架的工程实践，揭示了不同模式的实现路径。研究指出，未来高级
AI架构师是人工智能领域中的高级职位，也是人工智能应用的关键人才。AI架构师负责设计、规划和实现智能系统的架构、构架和技术解决方案，并指导和协助开发团队完成项目的开发。根据CSDN博客资料，AI架构师应该具备三大基本能力：AI技术和开发应用流程的整体掌握能力：AI架构师要对AI技术以及AI开发应用有递进式的理解。不能只是看了具体任务的几篇技术文章、拿来开源代码然后照示例来运行，这样做小的项目可能没
摘要 Skill是AI智能体的核心能力模块，本质是标准化的程序性知识封装。它包含三层动态结构（元数据层、指令层、资源层），实现意图识别、专业思维框架注入和精确执行。与MCP（工具连接协议）和Prompt（基础人格）构成AI能力的"铁三角"：Skill解决"如何做"，MCP解决"能否做"，Prompt定义"该不该做"。这
文章指出AI产品开发存在非确定性问题，传统"凭感觉测试"不可靠。作者提出构建自动化评估体系三步法：构建包含高频、困难场景的"黄金数据集"；设计确定性和模糊性评估指标；引入LLM-as-a-Judge作为裁判。PM需维护评估标准并分析Bad Case，形成优化闭环。建立评估体系能帮助AI产品经理在不确定环境中构建职业护城河，使产品迭代有数据支撑。
AI Agent正在悄然改变三类工作：行政运营类（日报、数据汇总等）、内容创作类（选题、资料收集）和程序员工作（基础代码生成）。普通人无需掌握复杂技术，只需培养目标设定、结果判断和方向调整能力，将AI视为辅助工具，从执行者转变为项目负责人，从而提升工作效率。AI Agent能自主完成目标，但存在"胡说八道"、跑偏等问题，更适合作为提效工具而非完全替代人类思考。关键是要学会指挥A
在全球化进程中，跨国会议面临多语言沟通障碍、发言者身份混淆、实时记录挑战以及网络延迟瓶颈等问题，尤其是当参会者规模达到千级时，传统工具难以维持稳定性与准确性。本文介绍了一种支持千方并发的多语言会议系统，该系统深度融合了大模型驱动的翻译引擎、声纹识别技术、实时语音转写模块、结构化纪要生成算法以及跨国网络优化策略，旨在实现高效的无障碍全球协作。
本文介绍了基于Django与LLM大模型的股票行情预测系统设计方案。系统整合多源数据（股票价格、新闻、社交媒体等），采用LLM融合时序模型进行预测，并通过Django框架实现Web应用开发。研究重点包括多模态数据融合、模型轻量化部署和系统功能实现，旨在提升预测准确性和用户体验。预期成果包括数据集构建、模型性能提升和完整的Web系统开发，具有学术和实践价值。项目适用于金融科技领域，为投资者提供智能化
本文介绍了一个基于Django框架和LLM大模型的股票行情预测系统。系统采用微服务架构，整合多源数据（行情、新闻、社交媒体等），通过LLM舆情分析、多因子预测模型和风险预警模型实现精准预测。关键技术包括金融领域LLM优化、多因子融合策略和性能优化。系统提供Web界面和移动端支持，具备实时行情展示、新闻分析和风险预警等功能。应用场景涵盖个人投资、机构研究和量化交易，实际案例显示预测效果显著。未来可扩
本文介绍了一个基于Django框架和LLM大模型的股票行情预测系统设计方案。该系统结合结构化金融数据（如股票价格、成交量）和非结构化文本数据（新闻、财报等），通过大语言模型进行情感分析和事件提取，再融合LSTM/Transformer模型进行价格预测。系统采用Django+Vue.js技术栈，包含数据采集、LLM微调、预测模型开发等模块，支持可视化展示预测结果和风险评估。文章详细阐述了技术路线、分
摘要：本文探讨了Django框架与大型语言模型(LLM)在股票行情预测系统中的应用。系统采用分层架构设计，整合结构化与非结构化数据，通过多模态融合技术结合LSTM、BERT等模型实现精准预测。研究重点包括LLM的领域适配优化、知识图谱增强、实时预测轻量化部署以及预测结果的可解释性提升。实验表明，该系统在预测精度(准确率≥55%)、实时性(延迟<50ms)等指标上表现优异。文章还分析了工程实践
本文提出了一种基于Django框架与LLM大语言模型的股票行情预测系统。该系统通过集成历史行情、新闻舆情等多源数据，结合GPT-4等大模型的语义理解能力，实现了时序特征与文本信息的联合建模。实验结果表明，该系统在沪深300指数预测中达到68.3%的方向准确率，较传统LSTM模型提升12.7%。系统采用微服务架构，包含数据采集、模型预测、风险控制和可视化交互四大模块，支持动态策略生成与实时风险预警。
本文介绍了一个基于Django框架与LLM大模型的知识图谱古诗词情感分析系统。项目通过构建包含作者、朝代、意象等实体的古诗词知识图谱，结合BERT/GPT等大语言模型进行情感分析，实现对古诗词隐喻、典故等复杂情感表达的精准解读。系统采用Django开发Web界面，支持诗词上传、情感分析结果可视化展示等功能。创新点在于首次将知识图谱与LLM结合应用于古诗词领域，有效提升模型对文化背景的理解能力。项目
《基于Django+LLM大模型+知识图谱的古诗词情感分析系统》摘要 本项目结合Django框架、大语言模型(LLM)和知识图谱技术，构建了一个智能古诗词情感分析系统。系统通过LLM(如LLaMA-2/ChatGLM)解析诗词深层语义，利用Neo4j知识图谱存储诗人、朝代、典故等关联信息，采用Django+Bootstrap实现前后端交互。主要功能包括诗词情感分类(悲/喜/怀古等)、关键词解释和关
本文提出了一种基于Django框架与LLM大语言模型的知识图谱古诗词情感分析系统。通过构建包含作者、朝代、意象等实体的Neo4j知识图谱，结合LLaMA-2等大语言模型实现多层次语义理解与情感推理。实验表明，该系统在《全唐诗》数据集上情感分析准确率达89.7%，较传统BiLSTM模型提升14.2%。系统采用分层架构设计，包括数据采集、知识图谱构建、模型微调等功能模块，并支持动态知识更新与可视化交互
本文介绍了一个基于Django框架、LLM大模型和知识图谱的古诗词情感分析系统。该系统整合50万首古诗词数据，通过BERT等模型进行实体识别和关系抽取构建知识图谱，并微调Qwen-7B等大语言模型实现情感分类和强度量化。系统采用分层架构，包含数据层（MySQL+Neo4j）、模型层（LLM微调+推理优化）、应用层（Django API）和展示层（Web+小程序），支持单诗分析、批量处理和知识图谱交
本文系统总结了大模型应用落地的关键技术实践，包括推理优化策略、OpenAI SDK参数调优及主流推理框架选择。针对大模型推理面临的性能挑战，提出了模型压缩、架构优化、推理框架加速等解决方案。通过OpenAI SDK参数调优实践，展示了如何根据不同应用场景调整生成效果。文章还探讨了本地化推理框架的特点与适用场景，为开发者提供了从技术实现到业务落地的完整参考框架。
摘要 深圳、天津、南宁三地创新应用DeepSeek大模型推进信用体系建设。深圳推出"信用AI助手"提升业务办理效率，开发智能分派系统实现诉求秒级响应，并构建廉政风险预警平台。天津上线"AI智审"功能，实现信用修复材料智能预审和7×24小时政策解答。南宁打造"智信AI系统"，可自动识别9类信用风险并生成评估报告。这些实践表明，大模型技术在提
本文介绍了LangChain大模型应用框架的核心概念与实战应用。框架包含五大核心组件：Model I/O（模型管理）、Retrieval（数据检索）、Chains（链式调用）、Agents（智能决策）和Memory（记忆功能）。文章通过构建智能文档问答Web应用的完整案例，展示了如何整合PDF/TXT/DOCX文档处理、语义检索、多轮对话等功能，并提供了详细的环境配置、代码实现和部署指南。该教程帮
LangChain作为大模型应用框架优缺点明显：适合概念验证(POC)但难以满足专业开发需求。多数LLM应用仅需基础字符串处理、API调用和循环，其复杂抽象层反而成为负担。提示词工程需深入理解模型原理，而非依赖模板化方案。尽管Google在Agents白皮书中推荐LangChain可能误导初学者，但其agents技术内容仍具参考价值。开发者常经历"入门选择LangChain→后期放弃&q
M³KG-RAG创新解决多模态RAG两大核心问题：提出多智能体协作构建多跳多模态知识图谱(M³KG)，结合模态感知检索与GRASP精剪枝技术，实现精准的多模态问答。该系统在音频、视频及混合任务上全面超越现有方法，最高提升9.5分，为多模态大模型应用提供了"知识构建-检索对齐-答案生成"的完整解决方案。实验证明其答案更具体、忠实且幻觉更少，即将开源代码与数据。
知识图谱
——知识图谱
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
