登录社区云，与社区用户共同成长
邀请您加入社区
本文揭示了一个关键认知：AI并不"识字"，它只处理数字。Vector Embedding是将人类语言转换为数字坐标的核心技术，使AI能通过计算向量距离理解语义关系。文章用"标本盒里的蝴蝶"生动比喻这一原理，指出掌握"坐标思维"是高效使用AI的关键。理解这一底层逻辑，能帮助用户从表层使用转向深度驾驭AI，大幅提升效率，构建AI时代的竞争优势。
摘要： Anthropic推出的Agent Skills是一种开放标准，通过模块化技能包（指令、脚本和资源）动态扩展智能体能力。与MCP（工具库）和A2A（协作协议）形成互补：Agent Skills专注任务能力，MCP提供统一工具，A2A实现多智能体协作。其核心优势包括： 渐进式披露：按需加载技能内容，避免上下文窗口浪费； 代码协同：确定性任务由传统代码高效处理，LLM专注非确定性决策； 可复用
veRL通过混合控制器+3D-HybridEngine灵活如脚本：单进程控制流使开发者能像写Python脚本一样定义复杂RL流程高效如专用芯片：多进程计算流+3D引擎优化，使GPU利用率达70%+，远超行业平均兼容如瑞士军刀：无缝集成主流训练/推理框架，保护用户现有基础设施投资在大模型强化学习领域，veRL已成为继DeepSpeed、Hugging Face之后的重要选择，特别适合追求高性能+高灵
核心定位：三大机器学习范式之一（监督/无监督/强化），核心是智能体（Agent）通过与环境交互，学习最大化长期累积奖励的决策策略。本质逻辑：不依赖标注数据的“输入-输出”映射，而是通过“执行动作→获取反馈→调整策略”的闭环，让模型自主优化行为（如 LLM 的生成策略、智能体的工具调用策略）。关键特征反馈信号是“奖励值”（而非标签），可能延迟（如多轮对话后才获得反馈）；优化目标是“策略收敛”（让模型
25年4月来自具身机器人创业公司 PI 公司的论文“π0.5: a Vision-Language-Action Model with Open-World Generalization”。为了使机器人发挥作用，它们必须在实验室之外的现实世界中执行实际相关的任务。虽然视觉-语言-动作 (VLA) 模型在端到端机器人控制方面已展现出印象深刻的效果，但此类模型在实际应用中的泛化能力仍是一个悬而未决的问
25年1月来自 PI 公司和伯克利分校、斯坦福一起撰写的论文“FAST: Efficient Action Tokenization for Vision-Language-Action Models”。自回归序列模型，例如基于 Transformer 的视觉语言动作 (VLA) 策略，可以非常有效地捕捉复杂且可泛化的机器人行为。然而，这样的模型要求选择连续动作信号的 token 化，这决定模型预
MCP Server、Function Call和Agent在AI生态中扮演着不同角色，分别对应“工具箱”、“瑞士军刀”和“智能工人”。三者各有优劣，开发者应根据任务复杂度、团队协作需求和安全隔离性综合选择。通过合理搭配，可以构建出高效、灵活的AI系统，释放大模型的最大潜力。
通过手把手的代码对比，本文将展示如何将旧版的 initialize_agent 平滑迁移至最新的 create_agent API，并深入解析了 1.0+ 版本引入的 中间件（Middleware） 机制。文章附带完整的实战案例与自动化验证脚本，旨在帮助开发者快速掌握 LangChain 新时代的 Agent 开发核心能力，构建更稳定、可控、具备生产级工程能力的智能体应用。
LangChain v1.0+的Tools模块是连接大模型与外部世界的桥梁，本文深入解析其核心功能，包括Tool、StructuredTool和Toolkit的使用方法，以及与Agent的集成技巧。通过完整的代码示例和最佳实践，展示如何开发自定义工具、实现参数验证、优化性能和处理错误，帮助开发者构建更加智能、实用的大模型应用，突破模型本身的能力限制。本文还详细对比了v1.0前后的工具开发差异，介绍
核心岗位包括算法研究员、推理优化工程师，堪称大模型领域的“架构设计师”，核心职责是深耕模型底层架构，追踪顶会最新论文、复现经典模型，同时结合业务场景做架构创新，优化模型参数量和推理速度，解决分布式训练中的各类底层问题[1][4]。方向不对，努力白费。
AI大模型技术革命正带来前所未有的全民机遇。本文系统梳理了从技术原理到实践应用的完整路径：1）解析Transformer核心机制与民主化进程；2）绘制8大低门槛AI机会方向及收益矩阵；3）提供30天零基础学习计划与职业转型指南；4）分析6个AI微创业黄金赛道。数据显示，AI岗位薪资溢价达30-50%，企业采用率两年增长45%，全球个人用户超3亿。不同于以往技术浪潮，当前AI应用门槛大幅降低，普通人
大语言模型是一种基于深度学习的人工智能系统，经过海量文本数据的训练，能够理解和生成人类语言。简单来说，LLM 就像一个极其博学的助手，它通过学习互联网上的大量文本内容，掌握了语言的模式、知识和推理能力。大语言模型正在重新定义我们与信息交互的方式。GPT、Claude 和 Gemini 各有千秋，没有绝对的"最佳"选择，只有最适合您需求的工具。建议您根据具体任务需求，尝试不同的模型，找到最契合您工作
本文探讨了MCPServer的进阶优化与安全控制。在性能优化方面，介绍了数据库连接池、缓存机制和批量操作等关键技术；在安全控制层面，详细讲解了认证授权、权限矩阵和审计日志等安全措施。文章还展示了MCP在自动化写作中的具体应用场景，包括素材收集、知识库检索和自动配图等功能。最后分析了MCP当前面临的挑战（认证、权限管理、生态碎片化等）和未来发展趋势，指出MCP有望成为AI时代的标准化交互协议。
AI Agent是大模型与工具结合的智能程序，能自主感知和改变外界环境，实现任务自动化。主要有两种运行模式：ReAct模式采用"思考—行动—观察"循环，适合简单明确任务；Plan-And-Execute模式采用"先规划再执行"策略，适合复杂多步骤任务。AI Agent推动大模型从"被动生成"到"主动执行"的跨越，将在编程、搜索、办公等领域广泛应用。
从整体上看，训练LLM主要包括两个关键阶段：预训练（Pre-training）后训练（Post-training）：微调、RL和RLHF。上述流程整合了预训练、微调、RLHF等核心阶段，适用于自然语言处理和多模态大模型：1.数据准备•数据收集：根据目标领域收集海量无标注数据（预训练）或少量标注数据（微调）。•清洗与增强：去除噪声、重复项，进行分词/标准化（文本）或裁剪/旋转（图像）。•划分数据集：
AI产品经理正成为未来五年最具潜力的职业方向。文章指出当前职场人转型AI领域的三大误区：观望者缺乏实践、探索者知识碎片化、跑偏者过度钻研算法。真正的AI产品经理应聚焦应用层，掌握AI项目全流程落地能力，而非成为算法专家。文章提出三步转型路径：夯实产品基础→掌握AI项目落地→补充AI知识，并强调企业最需要的是能连接技术与商业的应用型人才。面对AI行业千万人才缺口，建议职场人抓住风口，通过系统学习实现
摘要：本文系统介绍了LangGraph框架，作为LangChain生态中基于图结构的智能体开发工具。文章首先阐述了LangGraph的核心概念，包括节点、边和状态管理机制，以及其与LangChain的关系。随后详细解析了框架的核心架构和工作流程，通过三张示意图展示了从状态定义到任务执行的完整过程。文章提供了问答智能体和数据分析智能体两个案例的代码实现，重点演示了循环控制、并行执行、状态持久化等高级
关于OpenCompass 大模型评测的记录
语音语言模型（Speech & Language Model, SLM）的发展史，是一部 “从人工设计到机器自主学习” 的进化史 —— 从早期依赖手工规则的简单系统，到如今能理解语境、生成自然语言、跨模态交互的大模型，核心逻辑始终是 “让机器听懂人类语言、用人类语言交流”。本文将按时间线拆解五大发展阶段，聚焦每个阶段的核心问题、技术突破与代表模型，帮你理清语音语言模型的演进脉络，理解当下大模型的技
基于大模型的轻量改写**，如查询补全、意图明确化、多义消歧（如把模糊的 “产品性能怎么样？： 输入用户原始查询、调用大模型生成贴合 RAG 场景的「假设提示词（Hypothetical Prompt）」，而非无差别的假设文档、将假设提示词通过嵌入模型转化为向量、用该向量在知识库中检索，匹配真实文档块。通过大模型生成「与用户查询匹配的假设性文档」，用「假设文档的向量」替代「原始查询的向量」进行检索，
ReAct范式是构建AI智能体的核心模式，通过"推理+行动"的循环机制提升问题解决能力。该范式采用三步循环：思考-行动-观察，使AI能动态获取信息并逐步推导答案。相比传统方法，ReAct具有三大优势：减少幻觉（基于真实数据反馈）、提升实时性（可调用工具获取最新信息）、增强可解释性（完整记录推理过程）。典型案例中，AI通过多步搜索准确回答"钢铁侠扮演者的妻子是谁"这类复杂问题。ReAct已成为主流A
LangChain 作为大模型应用开发的 “瑞士军刀”，通过一系列模块化核心组件，让开发者可以像搭乐高积木一样快速构建复杂的大模型应用。本文将从底层原理出发，带你彻底搞懂 LangChain 的核心组件，以及如何用它们构建生产级大模型应用。
共享的向量空间是多模态 AI 能够“看图说话”的根本数学基石。它构建了一个宇宙通用的概念层，将文字、图片、声音等不同形式的数据统一放入同一个坐标系。在这个空间里，核心规则是“含义相同，坐标必近”，不再区分数据形式。这一过程通常通过“对齐”（如 CLIP 模型的训练）实现，让图像特征与文字特征一一对应。正是有了这个 AI 世界的“巴别塔”，才实现了以文搜图、跨语言迁移和 AI 绘画等“魔法”，打破了
摘要： DeepSeek与通义千问代表了AI发展的两大技术路线：前者专注纯文本推理优化，在数学、代码等复杂任务中表现卓越，具备高效低耗优势；后者通过统一多模态架构实现文本、图像等跨模态融合，在视觉理解与生成任务上更胜一筹。实际部署中，DeepSeek在纯文本场景成本更低，而通义千问提供端到端多模态解决方案。开发者应根据需求选择——深度推理选DeepSeek，多模态交互选通义千问。未来，混合系统或成
本文是《LangChain4j从入门到精通》系列的第十篇，全面解析了如何在Java生态中利用LangChain4j框架实现检索增强生成（RAG），突破大语言模型的知识局限。文章详细介绍了RAG的核心价值：通过“索引-检索-生成”三段式流程，将外部知识库动态注入AI推理过程，有效解决模型幻觉、知识过时及专业领域盲区三大痛点。框架提供Easy RAG（开箱即用）、Naive RAG（基础向量检索）与A
本文系统梳理了国内大模型发展现状与应用前景。主流大模型分为三类：综合型（如文心一言、通义千问）、垂直领域型（如星火、360安全）和开源创新型（如百川、天工AI）。当前已在金融、医疗、制造等行业实现落地应用，预计2028年政务场景渗透率将超50%。发展优势包括产业链完整、政策支持等，但面临技术门槛高、数据安全等挑战。未来将聚焦技术创新、产业链协同和应用场景拓展，推动AI大模型在各行业深度应用。
传统序列模型（CNN/RNN/LSTM）与大语言模型（GPT/BERT）并非替代关系，而是互补关系：传统模型是序列数据处理的基础，解决了“从0到1”的序列特征提取问题，在低算力、小数据场景仍不可替代；大模型是语言理解的革命，通过Transformer和预训练范式解决了“从1到100”的通用语义建模问题，在复杂语言任务中展现出碾压性优势。作为开发者，需根据任务需求、数据规模、算力资源三者平衡选型：在
如何让语音大模型不仅准确识别情绪，还能像人类一样基于声学线索进行可解释的因果推理？论文将语音情感识别重构为深度推理任务，提出EmotionThinker框架，通过音律增强、链式思考数据集和新型信任感知强化学习（GRPO-PTR），同步提升情绪识别准确率与解释质量。
LLaDA2.0是由蚂蚁集团开源的离散扩散大语言模型，包含16B（mini）和100B（flash）两个版本，是目前规模最大的扩散语言模型。它通过创新的Warmup-Stable-Decay（WSD）持续预训练策略，实现了从自回归模型到扩散模型的平滑过渡，继承了自回归模型的知识，避免了从头训练的高昂成本。LLaDA2.0在代码生成、数学推理、智能体任务等结构化生成任务中展现出显著优势，同时在其他领
本章介绍了大模型解决私域问题的技术方案——RAG的核心思想。
在大模型落地的过程中，外部知识的引入是解决 “幻觉” 问题、提升回答准确性的核心手段。知识库、知识图谱与向量数据库作为支撑 AI 应用的三大核心技术，分别从不同维度实现了知识的存储、管理与利用。本文将深入解析三者的核心差异、构建流程、使用方法及选型策略，并结合代码示例与实际场景，帮助开发者快速掌握如何根据业务需求选择合适的技术方案。
本文介绍了Transformer架构中的输出层部分，主要包括Linear层和Softmax层。Linear层是一个简单的单层感知机，负责将解码器输出的语义向量映射回词表空间，与编码器的Embedding层作用相反。Softmax层则将Linear输出的词得分向量转换为概率分布，通过指数归一化处理实现数值稳定性，最终选择概率最大的词作为输出。这两层共同完成了从语义表示到具体词汇的转换过程，是Tran
摘要：针对LLM处理海量日志的挑战，提出"日志模板+智能体"方案。通过模板匹配将GB级日志压缩为结构化摘要，结合关键字搜索保留关键细节，利用语义查询增强理解。采用Agent+Tools架构实现动态决策分析，支持按需调用工具组合。该方案有效解决日志数据量与LLM处理能力的矛盾，将原始日志从GB级压缩至KB级，使智能体能快速定位根因。典型场景中，智能体通过分析模板统计趋势和异常日志
多模态嵌入模型可分为模态融合与独立嵌入两种实现方式，旨在解决异构数据（图像、文本、音频等）的统一向量化问题。其核心是将不同模态数据映射至共享语义空间，实现跨模态检索。当前主流方案仍依赖文本提取而非端到端融合，主要应用于文搜图、图搜图等场景。尽管技术尚未成熟，多模态嵌入为AI应用提供了重要桥梁，但面临部署成本高、效果欠佳等挑战。
学习AI大模型需要打好数学和编程基础。数学方面需掌握线性代数（矩阵、向量等）、微积分（导数、积分）和概率统计（概率分布、贝叶斯定理），推荐Khan Academy和MIT的公开课。编程方面要精通Python语言，并学习数据结构与算法（数组、链表、排序等），可通过Codecademy和Coursera课程入门。这些基础知识是后续深入学习AI大模型的重要前提。
文章介绍了一款基于大模型的语义知识图谱工具，能自动融合多源异构数据，实现深度语义理解与关系抽取，并支持动态知识演化。该工具采用"大模型驱动+向量存储+多阶段校验"的自动化流水线，从原始文档到最终图谱全程无需人工干预，为企业提供可行动的知识资产，助力构建企业"认知神经系统"。
文章指出AI领域正处于"黄金三年"，从算法岗转向应用岗，AI已融入所有行业，项目经验成核心竞争力。未来三年最值得入局的AI岗位包括AI Agent应用工程师、AI自动化运营、AI产品经理、RAG应用构建和AI教育方向。普通人可通过建立AI知识体系、掌握关键技能、完成项目作品入局。2025-2027年是进入AI领域的最佳窗口期，行动比焦虑更重要，AI不会替代会用AI的人。
文章指出，在大模型竞争已进入应用落地阶段的当下，企业急需能交付企业级AI产品、解决实际业务难题的开发者。大模型应用开发工程师已成为稀缺、高薪、抗风险的岗位，78%年薪在60-100万之间。通过学习Fine-tuning、Agent、RAG三大核心技术，完成企业级项目实战，程序员可拉开与90%普通开发者的差距，把握住AI时代的高薪机会。
摘要 本文对比了语义层、本体论和上下文图三大语义技术，指出2026年AI的核心需求是知识表示、推理能力和丰富上下文，而非单纯指标。语义层解决指标计算一致性问题，本体论支持逻辑推理，上下文图捕捉决策上下文。知识架构将成为AI时代核心竞争力，组织需平衡两种技术投资，培养知识工程技能，构建支持AI推理的数据架构。文章强调从"指标优先"转向"知识架构优先"的范式转变
在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。通过不断优化模型结构和算法，AI大模型学习能够不断提升模型的准确性和效率，为人类生活和工作带来更多便利
本篇结合官方文档进行解读OpenHands的服务器，这是OpenHands系统的立身基础。因为本系列借鉴的文章过多，可能在参考文献中有遗漏的文章，如果有，还请大家指出。
中国AI产业蓬勃发展，企业超6000家，核心产业规模预计突破1.2万亿元。技术范式正从"聊天"向"做事"转变，进入智能体时代，算法架构从"拼规模"转向"拼密度"。算力系统加速升级协同，数据挖掘从规模导向转为质量与专业化导向。AI正深度赋能中国制造业转型升级，并改变社会治理方式，同时安全防范将趋严趋实。中国AI发展走开源创新之路，专利全球占比60%，有望在AI驱动的第四次工业革命中走在前列。
RAG-Anything是解决多模态RAG系统数据清洗痛点的开源项目，支持全格式文档处理、高保真解析、专业内容分析、多模态知识图谱和混合检索。基于asyncio设计，安装简单，但需一定资源支持。对处理复杂文档的企业级知识库开发，是全面且值得考虑的技术选型。
文章探讨构建"能算数"的RAG系统，通过"指标语义化+Text-to-SQL"架构，让大模型处理结构化数据。系统包含指标定义、元数据索引、Prompt转换、执行验证和结果解读五大步骤，结合少样本提示等技术，实现从"人找数"到"数找人"的转变，提高数据分析效率，但需注意幻觉风险和数据安全问题。
RAG（检索增强生成）技术通过结合信息检索与文本生成，解决大模型知识更新滞后、幻觉、数据安全等问题。核心流程包括检索（向量检索+文本分块）、融合（拼接或注意力机制）和生成。相比传统大模型，RAG具有实时知识更新、减少幻觉、保障数据安全和低成本高效的优势。已在智能客服、专业领域辅助和个人知识库等场景广泛应用，未来将向多智能体协作、跨模态检索等方向发展。
摘要： 研究表明，2026年AI应用质量75%取决于上下文工程，而非模型选择。核心组件包括：提示技术（少样本提示、思维链）、查询增强（重写/扩展/分解）、长期记忆（向量/图数据库）、短期记忆（对话历史优化）、知识库检索（超越RAG的检索管道）和工具与智能体（单/多智能体架构）。这些技术通过优化信息管道提升AI效果，如MCP协议简化工具集成。掌握上下文工程是未来AI开发者的关键技能，需关注检索、记忆
Moltbot是一款高权限个人AI助手，支持在云端服务器隔离部署，通过Docker容器运行。它深度集成Telegram等消息平台，用户可创建专属机器人，通过聊天窗口远程控制自动化任务、收发文件，实现个人数字工作流的集中管理和7×24小时在线运行。
未来十年，随着国产算力的主导地位确立与AI应用的全面临床化，中国已经逐步建立起全球领先、自主可控的智慧医疗体系，为增进人民健康福祉提供最坚实的信息化保障。中国医疗信息化市场在过去十年中保持了极为稳健的增长，行业市场规模逐年递增，随着信创政策的密集落地以及大模型技术的介入，在核心系统架构升级、政府医保改革助推和分布式云原生架构渗透下，生成式AI (GenAI) 基础设施投入饱和式增长，实现生命健康产
文章介绍了一个基于上下文工程的Agent后端架构设计，围绕四大核心模块：工具模块和管理、上下文管理、LLM模块和Agent执行器。该架构将上下文管理作为核心，统一管理各类上下文，通过LLM模块处理用户请求，并结合工具模块扩展能力。作者提供了CLI脚手架工具，帮助开发者快速实践这一架构，使开发重心集中在上下文获取与整理上，同时保持LLM作为核心，便于后续升级。
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
