本文探讨了Prompt技术的本质及其工程化应用。作者指出Prompt已成为AGI时代的新型"人机接口语言"，相当于编程语言，而Prompt工程则是相应的软件工程。文章强调Prompt工程的核心在于将随机性输出转化为稳定可用的系统功能，包含五个关键环节：需求定义、结构化设计、调优迭代、系统集成和持续运维。其中调优过程需考虑模型特性（如GPT偏好Markdown格式）、角色设定效果

本文介绍了如何本地部署AI代码助手作为Cursor/GitHub Copilot的替代方案。主要内容包括：1）分析本地部署在数据隐私和定制化方面的优势；2）选择Qwen2.5-14B-Instruct模型并完成部署；3）通过VSCode的Continue插件连接本地模型，详细说明了配置过程；4）测试验证功能实现。该方案特别适合企业内网开发等需要数据安全的场景，提供代码补全、对话交互等功能，同时保障

在自然语言处理（NLP）领域，像RNN、LSTM 和 GRU 这样的循环神经网络长期以来都是处理序列数据（比如文本、语音、时间序列等）的主力方法。它们的基本思想是：每个时刻的隐藏状态不仅依赖于当前输入，还依赖于上一个时刻的隐藏状态。这样一来，模型能够捕捉到序列中的上下文信息，实现对时间/顺序的建模。但是，这种方式有两个明显的缺点：串行计算瓶颈：RNN等模型只能按顺序处理数据，不能并行。比如输入一句

ReAct 并不是某种框架或组件，而是一种 推理-行动循环模式。思考 Thought分析当前问题，判断下一步该做什么行动 Action 调用某个工具或执行某个操作观察 Observation 获取工具返回的结果答案 Final Answer 当信息足够时，输出最终结论这种模式的核心价值在于：将语言模型的推理能力与外部工具的执行能力结合起来。ReAct 并不是一个固定的模块划分，而是一种让 LLM

本文介绍了LangChain框架对大语言模型（LLMs）的集成应用，重点解析三类核心模型：1）LLMs基础语言模型，提供统一接口支持云平台和本地部署；2）ChatModels对话优化模型，支持多角色消息输入和流式输出；3）EmbeddingsModels文本嵌入模型，将自然语言转化为向量表示。通过代码示例展示了各类模型的具体调用方式，包括Azure云服务、本地Ollama部署及HuggingFac

RAG（检索增强生成）通过为大模型配备一个可随时查阅的外部知识库，巧妙地解决了通用大模型知识静态、领域局限、易产生幻觉及数据安全等核心痛点。其核心思想检索+生成的双阶段协作，离线阶段将私有文档分块、向量化并构建索引，在线阶段将用户问题转为向量，从知识库中召回最相关的片段，再与问题一同输入大模型生成最终答案。在这个过程中，向量化扮演了关键角色——它将文本的语义转化为计算机可计算的数字表示，通过相似度

配置文件在实际开发中如何使用呢，接下去将通过Spring Boot整合mybatis来看配置文件如何在实际开发中被使用。

ReAct 并不是某种框架或组件，而是一种 推理-行动循环模式。思考 Thought分析当前问题，判断下一步该做什么行动 Action 调用某个工具或执行某个操作观察 Observation 获取工具返回的结果答案 Final Answer 当信息足够时，输出最终结论这种模式的核心价值在于：将语言模型的推理能力与外部工具的执行能力结合起来。ReAct 并不是一个固定的模块划分，而是一种让 LLM

这篇文章介绍了AI大模型中的思维链（Chain of Thought, CoT）技术，它能显著提升AI在复杂问题上的推理能力。思维链通过让AI逐步展示推理过程，将复杂问题拆解为简单步骤，从而提高准确性。文章解释了两种常用形式：零样本思维链（直接指令激活）和少样本思维链（通过示例引导），并介绍了进阶的自洽性思维链（Self-Consistency）技术，即通过多次采样不同推理路径选择最一致的答案来提

模型训练者并没想到过会这样，完全是大家「把 AI 当人看」玩出的一个用法，因为实在传得太广，导致现在的大模型训练数据里充满了角色定义，所以更有效了，更有相关论文证实了这一现象，进一步说明为啥「你是一个 xxx」能够有效，同时发现大模型对prompt开头和结尾更敏感。参考文献：https://arxiv.org/abs/2307.03172。