登录社区云，与社区用户共同成长
邀请您加入社区
RAG（检索增强生成）技术通过结合信息检索与大模型生成能力，有效解决大模型幻觉问题，提升知识密集型任务的准确性与可靠性。文章详解了RAG核心原理（检索、增强、生成）、搭建流程及企业应用场景，对比了模型微调与提示工程的局限性，强调RAG在垂直领域数据价值挖掘中的优势。提供从文档解析到知识构建的完整技术路径，帮助开发者构建高效企业知识库，是AI大模型应用落地的创新解决方案。
如何科学评估大语言模型代理在真实复杂功能开发任务中的端到端编码能力？论文提出FeatureBench——首个面向真实特征开发、支持执行验证、可自动扩展的agentic coding基准，包含200个高难度任务与3825个可执行环境。
LangChain 的流式处理是提升大语言模型（LLM）应用响应性的核心功能，通过渐进式输出结果（无需等待完整响应生成），大幅优化用户体验，尤其适用于处理 LLM 延迟较高的场景（如长文本生成、多工具调用、复杂逻辑推理）。
文章对比了LangChain(静态顺序工作流)和LangGraph(动态分支工作流)两大框架及其技术生态，包括RAG检索增强、MCP上下文协议、A2A智能体协作等。同时提供大模型学习路径和资源，帮助开发者掌握AI应用开发技术。
本文详解企业级多AI智能体架构，介绍具有自主性、主动性的AI智能体与传统AI的区别，阐述多智能体系统的五大核心步骤与设计原则。重点解析Langgraph框架下的多智能体架构模式、交接通信机制及人机交互中断控制技术。文章还提供大模型学习路径与资源，帮助开发者掌握AI智能体开发技能，抓住AI大模型时代的技术风口。
阿里通义千问Qwen3.5-Plus技术测试报告显示，该模型采用稀疏MoE、混合注意力和原生多模态三大创新架构，397B总参数仅激活17B，实现高效部署。实测验证其性能超越GPT-5.2等闭源模型，256K长文本处理速度提升19倍，多模态识别准确率达98%，Agent任务完成率100%，且百万Token成本仅0.8元。报告证实Qwen3.5在架构效率、多模态融合和场景落地方面表现优异，为中小企业提
高效构建AI Agents的设计理念强调"实用优先、简洁可控、按需适配"原则。文章提出5大核心观点：1)最小复杂度优先，拒绝过度设计；2)架构按需匹配，区分预定义workflows和自主Agents；3)采用模块化可组合设计；4)确保透明可控性；5)建立人机协同机制。通过增强型LLM基础单元和五类workflow模式（提示词链、路由、并行化等），实现灵活可扩展的系统架构。实践表
本文深入探讨了AI大模型技术选型策略，对比分析了开源与闭源的各自优势，指出Agent发展需兼顾开源土壤与闭源果实。针对个人开发者，强调易用性、成本控制和快速验证；对企业用户，则聚焦安全合规、部署模式和运维能力。文章还提供了从基础理论到RAG开发、Agent设计等完整学习路径，帮助不同背景者系统掌握AI大模型技术，抓住技术变革机遇。
在人工智能技术飞速演进的当下，AI 智能体（Agent）作为构建智能系统的核心单元，正重塑着人机交互、自动化流程及复杂问题求解的模式。从基础架构到实际应用，智能体展现出丰富的技术层次与广阔的发展前景。本文将围绕智能体的定义、核心机制、技术组件及典型应用场景展开深度解析，梳理其在人工智能生态中的关键价值与发展趋势。
引言2023年ChatGPT的爆发式发展，标志着AI大模型技术正式进入大众视野。这一技术不仅重塑了人工智能的边界，更催生了全新的职业赛道。从传统算法工程师到互联网从业者，越来越多的人开始将目光投向大模型领域。本文将深入探讨这一现象背后的核心动因，并结合行业现状、技术趋势与职业发展路径，为从业者提供系统性分析。
本文介绍了AI智能体在医疗领域的应用，涵盖预防到康复的全流程。通过AIMultiple评选的七家医疗AI智能体公司案例，展示了AI智能体如何自动化处理病历记录、患者咨询、预约安排等任务，提升效率并保障安全。这些公司利用AI技术优化医疗决策，减少人工操作，改善患者体验，为医疗行业带来革新。对于想了解AI在大模型应用方面的小白和程序员来说，本文提供了宝贵的行业参考。
本文系统介绍了智能体的概念、演进历程和主要类型。从传统智能体（如反射式、基于模型、基于目标和基于效用的智能体）到新兴的大语言模型（LLM）驱动智能体，展现了智能体从简单规则到自主学习的发展脉络。重点阐述了LLM智能体通过"思考-行动-观察"循环实现自主决策的新范式，并以智能旅行助手为例说明其规划、工具使用和动态修正能力。文章还从决策架构和时间维度对智能体进行分类，探讨了反应式与
vLLM 是一个专为大语言模型（LLM）的开源推理框架，由加州大学伯克利分校推出。它通过 PagedAttention（分页注意力）和 Continuous Batching（连续批处理）两大核心技术，显著提升大模型推理的速度和效率，降低显存占用和延迟。vLLM 兼容 OpenAI API，支持多种量化格式，适合个人开发者、初创公司及研究者使用，是当前开源生态中最值得优先尝试的推理引擎之一。
摘要：本文系统阐述了构建生产级大模型推理系统的关键要素。从设计思路出发，强调需明确服务目标并采用分层解耦架构；详细解析六大核心模块：API网关、推理引擎、模型管理、缓存层、监控系统和弹性伸缩；针对显存不足、长尾延迟等挑战提供解决方案；最后总结最佳实践，包括标准化接口、性能优化、安全合规等。典型云原生架构示例展示了各组件协同关系，为实际部署提供参考框架。全文聚焦于实现高效、稳定且可扩展的推理系统，平
本文分享了一位30+北漂男程序员的亲身经历，从程序员岗位转行至AI大模型领域并成功获得高薪offer的故事。文章详细介绍了转行大模型的原因、岗位选择、学习路径和实战案例，并提供了《LLM大模型入门+进阶学习资源包》供读者免费领取。对于想要转行大模型的小白或程序员，本文提供了宝贵的经验和指导。
DeepSeek V4在编程、上下文处理、推理成本上实现重大突破，编程能力超越Claude Opus 4.5和GPT-5.2，上下文窗口扩展至100万Token，推理成本降低90%。尽管部分泄露数据存疑，但V4的技术潜力巨大，标志着国产AI进入全球并行阶段，为AI普惠奠定基础。
SkillNet是一个大规模智能体技能知识库，旨在解决智能体技能积累与迁移难题。它将分散的实践经验结构化，形成可计算、可检索、可组合的技能知识网络，覆盖科学、工程、创作等领域，收录超20万项技能。通过模块化表征和自动化构建流水线，SkillNet支持智能体快速定位领域知识，实现高效技能共享与迁移。实验表明，引入SkillNet可使智能体在多个基准任务上的性能提升10-30个百分点。配套Python
本文介绍了大模型的概念和应用，适合想要了解AI的小白、AI相关岗位转型者、AI进阶学习者以及AI创业者。文章还提供了一套系统的大模型学习资源包，包括书籍、行业报告、学习视频、学习路线等，帮助读者自学并进入大模型领域。学习路线分为七个阶段，涵盖了大模型系统设计、提示词工程、平台应用开发、知识库应用开发、微调开发、多模态大模型以及行业应用等内容。通过学习，读者可以获得全栈工程能力，解决实际项目需求，掌
DeepRare是一个基于大语言模型的多智能体系统，整合40余种专业工具，在3134种罕见病诊断中实现57.18%的准确率。它通过三层架构设计，处理异构患者信息，生成候选诊断列表，并提供透明的推理链。DeepRare在9个数据集的跨中心评估中表现优异，显著缩短诊断周期，减轻临床医生负担，有望改善全球3亿罕见病患者的诊断现状。
本文系统阐述了Skill的概念、结构及编写方法。Skill是包含指令文档、脚本等资源的AI能力插件，其最小形态只需一个SKILL.md文件，完整结构可包含scripts、references等目录。文章以skill-creator为例，提出编写Skill的三层框架：1)根本约束是简洁性，需控制token占用；2)设计维度包括信息分层加载(L1-L3)和自由度控制；3)落地流程包含六步创建法。强调编
本文介绍了大模型领域的热门岗位，如模型研发工程师、算法工程师、数据科学家、AI产品经理、机器学习工程师和深度学习工程师，并详细阐述了各岗位的职责要求、选择原因及适合人群。此外，文章还提供了系统学习大模型的方法和资源，包括学习路线图、书籍手册、视频教程、实战学习及面试题等，旨在帮助程序员掌握大模型技术，抓住AI发展风口。
Google更新了Gemini CLI，引入结构化配置系统，简化API Key等环境变量设置。新系统通过gemini-extension.json文件定义配置项，安装时自动提示输入，提升效率。同时增强安全性（敏感信息存入Keychain）和环境隔离（支持--scope workspace）。这一改进旨在提升AI工具链工程体验，使AI开发更便捷，是AI工具链成熟的体现。
2026年，AI Agent 的战场已经没有疆界。无论是在硅谷孵化，还是在国内卷向东南亚，开发者们都面临一个残酷的现实：你引以为傲的代码，可能正触碰着地球另一端昂贵的法律红线。从欧盟的《人工智能法案》（AI Act）到美国的行政命令，出海合规已不再是“加分项”，而是“生死线”。
本文详细介绍了大模型行业的现状、学习路线、避坑指南及职业规划，帮助零基础者抓住AI革命机遇。文章涵盖数据、工程、算法、部署四大核心方向，提供四阶段学习路线（夯实基础、进阶突破、实战落地、专业深耕），并揭示8大转行误区。此外，还提供了简历优化、面试准备及薪资谈判等实用职业规划建议，文末附赠价值2W+的学习资源包，助力快速入门并成功转型。
传统RAG检索在agent记忆场景下会返回大量冗余内容，而后处理剪枝又容易破坏证据链条。 这个看似矛盾的困境，正是当前agent记忆系统面临的核心挑战。论文指出，标准的RAG(Retrieval-Augmented Generation，检索增强生成)管道是为大规模、异构语料库设计的，检索到的段落通常是多样化的。然而，agent记忆是一个有界且连贯的对话流，候选片段高度相关，经常是近似重复的。当检
本文介绍了AI大模型的概念、优势及其在当前技术领域的热度和潜在价值，强调了转向AI大模型领域对于想转行或提升竞争力者的吸引力。文章详细规划了小白学习大模型的具体路线，分为初阶应用、高阶应用、模型训练和商业闭环四个阶段，帮助读者逐步掌握大模型技术。同时，还总结了大模型就业方向，鼓励读者抓住AI时代机遇，通过学习和实践成为AI领域的专业人才。
本文介绍了一个基于Python的Langchain技能框架，能够根据用户需求调用本地大模型完成数据分析和PPT制作等工作。文章提供了快速上手指南，包括项目克隆、技能装载、环境同步、Node依赖安装、Key配置和测试运行等步骤。此外，还探讨了项目的缘起和核心思路，如渐进式披露、意图识别和默认工具加载等，旨在降低AI技能使用门槛，助力企业员工借助本地大模型提高工作效率。
文章介绍了从DevOps到MLOps再到LLMOps的运维范式演变，重点阐述了LLMOps的核心特点。在LLMOps中，运维不仅关注模型的准确性，还需应对幻觉、偏见等新挑战，并优化模型微调、提示工程和上下文工程。同时，文章强调了LLMOps中成本控制的重要性，提示用量不当可能导致预算迅速耗尽。
本文详细介绍了RAG（检索增强生成）技术，包括其流程、文档分块策略、相似度计算方法及优化技巧。内容涵盖余弦相似度的优缺点、重排序技术、GraphRAG应用以及系统评估方法。文章还探讨了RAG的缺点及解决方案，旨在帮助读者深入理解RAG，提升大模型应用能力。
本文深入剖析了AI智能体记忆能力的核心运作机制，包括观察、记忆、行动、反思和更新记忆的闭环架构。文章详细介绍了AI智能体的记忆存储机制，如实时内存态、持久化日志和向量数据库，以及如何通过语义检索找到正确的记忆内容。此外，还探讨了AI智能体的反思与学习过程，以及不同类型的记忆（工作记忆、短期记忆、情景记忆、语义记忆和长期记忆）如何协同工作。最后，文章展望了AI智能体记忆技术的未来发展方向，并鼓励读者
文章详细介绍了检索增强生成（RAG）技术的演进历程，从基础的关键词检索到智能体驱动的动态决策系统。探讨了Naive RAG、Advanced RAG、Modular RAG、Graph RAG及Agentic RAG等技术特点与应用场景，强调了下一代AI的关键在于思维决策质量，并提供了大模型学习路径与资源指南。
只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享！！！vx扫描下方二维码即可加上后会一个个给大家发。
当然，它不是银弹。记忆管理本身就很复杂——什么该记、记多久、怎么更新、如何遗忘，这些都是难题。但至少，Mem0 让我们朝着"真正智能"的 AI 迈进了一步。如果你也受够了"健忘"的 AI，不妨试试 Mem0。开源免费，本地能跑，至少比每次都重新自我介绍要好太多了。只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！在当前这个人工智能高速发展的时
MedASR 是一款基于 Conformer 架构的医疗语音识别模型，拥有 105M 参数，经过约 5000 小时的医学语音数据预训练，涵盖放射学、内科、全科等多种医学专业领域的语音内容。它能够精准识别复杂医学术语和专业上下文，为开发者提供可定制化的基础模型，适用于医学口述转录、临床对话记录、多模态医疗应用开发等多种场景。
文章探讨了LangGraph框架中的人工干预(HITL)机制，通过真实案例说明AI在关键决策上需要人类把关。详细介绍了LangGraph的interrupt和Command两个核心概念，以及动态中断和静态中断的实现方式。结合节点路由、工具调用拦截等典型场景，分享了实践经验与注意事项，强调了在关键业务场景中合理使用人工干预的重要性。
【摘要】推理模型是AI领域的最新突破，其核心在于通过"慢思考"机制提升逻辑能力。与传统AI相比，推理模型会先进行思维链推导再给出答案，在数学、编程等逻辑任务上表现突出。虽然这类模型能展示思考过程，但本质上仍是在模仿人类推理而非真正理解。OpenAI的o1和DeepSeek-R1等主流产品推动了该领域发展，其训练方法结合了强化学习等技术。不过推理模型仍存在过度思考、偏科理科、成本
本文详细介绍了Embedding微调技术，解决了通用Embedding在特定领域表现不佳的问题。文章解释了Embedding微调的必要性、核心方法（无监督和监督微调），并通过代码实战展示了如何使用Sentence-BERT进行微调，包括动态难负样本挖掘技术。微调后的Embedding能显著提升搜索系统、推荐系统和问答系统的准确性，让AI应用更智能、更精准。---
本文详细介绍了8种常用RAG架构：朴素RAG、多模态RAG、HyDE、纠正性RAG、图RAG、混合RAG、自适应RAG和智能体RAG。每种架构都有独特的工作原理和适用场景，从基础语义匹配到复杂多模态处理，再到智能化检索策略，为不同场景下的大模型应用提供了多样化解决方案，帮助开发者根据需求选择最合适的RAG技术。
摘要：本文解析Transformer架构如何通过注意力机制实现大模型的上下文理解能力。文章以通俗方式讲解Transformer的核心组件（编码器、解码器）及自注意力机制的工作原理，类比人类注意力分配过程。同时指出当前大模型存在的幻觉、失焦等技术挑战，并提出精简Context、位置策略等优化方案。最后强调AI行业快速发展带来的机遇，提供大模型学习资源链接，鼓励读者把握技术风口。全文兼顾专业性与可读性
25年9月来自新加坡南洋理工、清华和北邮的论文“VLA-Reasoner: Empowering Vision-Language-Action Models with Reasoning via Online Monte Carlo Tree Search”。视觉-语言-动作模型（VLA）通过规模化模仿学习，在通用机器人操作任务中取得了优异的性能。然而，现有的VLA模型仅限于预测短期的下一步动作，
本文介绍了大模型AI的概念和应用，适合想要了解AI、转型AI产品/运营、进阶学习AI或AI领域创业的朋友。文章从大模型的基本概念讲起，逐步深入到如何使用AI、扩展AI能力、训练AI模型以及商业闭环等方面，提供了详细的学习路线和阶段目标，帮助读者快速掌握大模型AI的核心技能。
随着GPT-4、Claude 3、通义千问等大语言模型（LLM）的爆发式发展，“AI原生应用”（AI-Native Application）正从概念走向现实。解释“AI原生应用”与传统应用的本质区别；分析大语言模型如何成为AI原生应用的“核心引擎”；展望未来5年最具潜力的AI原生应用场景；探讨技术落地的关键挑战与伦理边界。本文范围覆盖技术原理、应用场景、行业影响及社会价值，适合对AI技术发展趋势感
AI数据标注师是人工智能发展中的基础工作者，负责将原始数据转化为机器可识别的结构化信息。他们主要从事三类标注工作：计算机视觉中的图像标注（如拉框、语义分割）、自然语言处理中的文本标注（如情感分析、实体识别），以及生成式AI中的内容标注（如图片描述、质量评分）。随着技术进步，标注工作正从劳动密集型向人机协作转变，简单的重复性任务减少，高认知需求任务增加。作为AI产业的"塔基"，数据标注师通过精确标注
AI训练师是人工智能产业链中的关键角色，负责将人类知识转化为机器可理解的数据。其工作分为三个阶段：基础数据标注、监督微调（编写标准答案）和强化学习反馈（评判AI输出）。随着AI技术发展，该岗位已从低端标注升级为需要领域专家的高阶工作，如数学、法律等专业领域的训练。目前，高端AI训练师需求激增，OpenAI等公司高薪聘请专家参与模型优化。这一角色对AI发展至关重要，如同园丁般培育着人工智能的成长。
Python凭借动态类型与简洁语法，可快速完成原型验证，无需多余的模板代码，无论是Llama-3、Gemini等前沿大模型的微调，还是多模态模型的部署，都能比Java节省30%-50%的开发时间，恰好契合大模型开发的核心需求——这也是为何AI研究者更偏爱Python，而非语法严谨但繁琐的Java。简言之，Java是“严谨的业务王者”，而Python是“灵活的AI宠儿”，二者各有优势，但在AI大模型
OpenAI 近日发布了一款名为 GPT-5.3-Codex-Spark 的新型 AI 模型，主打实时编码场景。官方宣称其处理速度突破 1000 tokens / 秒，比传统模型快 10 倍以上。但速度提升是否以牺牲质量为代价？开发者们在实际使用中发现，这款模型在简单任务中表现亮眼，但复杂场景下容易出错。例如，有用户测试时发现它「在重命名文件时意外删除了原文件，随后坦率承认『我刚刚删了你的文件』」
从 ReAct Agent 升级到 LangGraph 的完整复盘。通过引入 5 个核心概念（State、Node、Edge、Conditional Edge、Checkpoint），我将房产 Agent 的工作流从顺序执行升级到支持并行执行、状态持久化和复杂条件分支。对比查询的性能从 5s 降低到 3s（提升 40%），同时支持了断点续传和工作流可视化。文章详细讨论了 ReAct 的局限性、La
你可能也遇到过：同一个输入，换个 LLM 结果就像开盲盒——有的秒懂，有的胡编。直觉上，“那我就多接几个模型，总能撞上会的那个”似乎很合理。特别是：论文在 Limitations 里指出，；候选太多可能带来部署挑战。这形成了一个很现实的张力：Routing LLMs 被讲成“规模化”的新范式，但可落地的甜点区，反而可能要求你。
文章介绍大模型在国内的落地应用现状，包括政策推动、行业架构和技术驱动的业务应用。智能体平台和AI低代码搭建成为核心落地方向。企业可通过优势产品赋能、项目定制及行业空缺机遇参与AI大模型。文章提供从零基础到进阶的学习资源，帮助程序员掌握AI时代核心技能，抓住大模型发展机遇。
语言模型
——语言模型
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
DAMO开发者矩阵
