去年侧重大模型和GPT的原理，了。找到的练习项目不仅是对原理和概念的加深理解，更是对如何结合业务，业务逻辑的深度理解。要落到实际的应用场景，肯定需要对应用场景本身有足够的了解。而要理解场景，需要对大模型有足够的知识积累和实战经验。这就是为什么多练大模型项目如此重要。练习项目不仅能帮你更好地掌握理论知识，还能让你更清楚地了解如何把这些知识用到实际工作中。而要做到这一点，你需要对所使用的大模型有足够的

本文详细介绍了大型语言模型（LLM）的结构、参数量、显存占用、存储需求以及微调过程中的关键技术点，包括Prompt工程、数据构造、LoRA微调方法等。一、微调相关知识介绍在介绍LLM的微调知识前，我们先具象的认识下大模型长什么样子，包括模型结构、参数量、精度、显存占用。

AI发展飞快！只有动手了，才知道里面会遇到什么问题，才能知道，底层原理是什么！

一句话概括：基于图+向量混合存储技术的RAGGraph RAG是微软开发的一种基于图数据库的检索增强生成（Retrieval-Augmented Generation）技术，它将传统的向量检索与图数据库的语义关系相结合，提供更精准的信息检索和生成能力。Mem0通过图结构化记忆和LLM驱动的动态更新，解决了LLM的长对话一致性问题、知识图谱构建和维护问题，其核心创新包括：两阶段处理流水线• 提取阶段

过去大半年在构建 AI Agent，尤其是 Coding Agent 的时候，是不是总有一个绕不开 Anthropic 的 Claude。导致有句玩笑话，“大多数AI Agent离开了Claude，什么也不是！但它毕竟是闭源的，成本依然是悬在开发者头顶的一把剑。因此，开源社区对它的“围剿”也从未停止，从月之暗面的 Kimi K2 到阿里的 Qwen3-Coder， 国产大模型在 Agent 编码能

利用强化学习（RL）开发有效的量化交易策略是一项具有挑战性的任务，因为与实时金融市场的在线互动存在高风险。因此，利用历史市场数据而无需额外探索的离线强化学习变得至关重要。然而，现有的离线RL方法常常难以捕获复杂的时间依赖项。金融时间序列固有的风险，可能与历史模式过拟合。为了解决这些挑战，我们引入了一个用预训练的GPT-2权重初始化并使用LoRA进行优化的DecisionTransformer （D

有了State和Nodes后，下一步是通过**边（Edges）**将它们连接起来，以定义图谱的执行流向。普通边（Normal Edges）简单直接，始终从一个特定节点指向另一个节点。条件边（Conditional Edges）动态路由，通过Python函数检查当前State，决定下一步执行的节点。对于我们的ReAct智能体，需要一个条件边来检查调用工具：如果LLM决定调用工具，则路由至执行；结束流

DeepSeek实在太火了。火到这两天流量甚至把硅基流动都有点冲爆了，偶尔也会出现卡顿的情况。不过总体我体验下来，还是能比官网那个卡顿好接受的多。未来我相信，也许还能有更多云厂商和算力租赁加入战场，让这些开源模型，跑得更稳、更快。好啦，教程也说完了，剩下的就交给你去冲浪了。上班的第一天。记得用AI摸鱼哦。

DeepSeek实在太火了。火到这两天流量甚至把硅基流动都有点冲爆了，偶尔也会出现卡顿的情况。不过总体我体验下来，还是能比官网那个卡顿好接受的多。未来我相信，也许还能有更多云厂商和算力租赁加入战场，让这些开源模型，跑得更稳、更快。好啦，教程也说完了，剩下的就交给你去冲浪了。上班的第一天。记得用AI摸鱼哦。

实时将文本或结构化数据转化为“知识片段”（Episode）自动提取实体与关系，构建语义网络支持超低延迟的混合检索（语义关键词图路径精确追踪事件发生时间和被记录的时间（双时间维度）它不是传统的知识图谱工具，也不是简单的向量数据库，而是为 AI Agent 的大脑量身打造的记忆系统。然后告诉 Graphiti：“以后看到类似结构，就按这个模型提取！这样就能构建出高度定制化的专业知识图谱。简化复杂度：将