相信你只要了解过大模型，就听过token这个词儿，大家在用ChatGPT的API时，是按token计费的。

今天给大家带来的这本《大规模语言模型：从理论到实践》 详细介绍了构建大语言模型的四个主要阶段：预训练、有监督微调、奖励建模和强化学习。

本文探索使用大语言模型（LargeLanguageModel,LLM），通过其对自然语言理解和生成的能力，揣摩用户意图，并对原始知识点进行汇总、整合，生成更贴切的答案。关于基本思路，验证效果和扩展方向，可以参考正文的介绍。

【LLM】Gemma：最新轻量级开源大语言模型实践

本节我们将探索 LangChain 的内部工作原理，LangChain 是一个有用的 Python 库，可以简化使用 LLM 的过程。您将能够创建直观、可重用且可扩展的应用程序，这些应用程序可以改变您与 LLM 的交互方式。

随着大语言模型LLM在各个场景的落地应用，RAG（Retrieval-Augmented Generation，检索增强生成）成为提升模型实用性和准确性的关键技术。

本文是台大教授李宏毅讲授AI Agent的爆火油管视频的文字稿。内容层层递进，是学习和理解AI Agent难得的好教材。

上下文工程的出现标志着大模型应用已经从能回答问题走向能系统地思考和协作。未来，无论是在多智能体协作，还是在人机交互的各种场景里，上下文工程都将是一种必不可少的基础能力。

Dify 是一个开源的大语言模型（LLM）应用开发平台，融合了后端即服务（Backend as a Service, BaaS）和 LLMOps 的理念，旨在帮助开发者快速构建和部署生成式 AI 应用。

大模型需要大量的计算资源来训练和运行，训练一个万亿参数的模型，可能需要数千块高性能的 GPU，耗费数百万美元的成本。