打不过就加入，英伟达官宣：DeepSeek R1现已正式上线英伟达NIM平台，成为英伟达人工智能企业软件平台的一部分。　说什么不重要，重要的是行动够快。　DeepSeek打破了英伟达的算力神话，引起整个AI圈的轰动。　然后，今天就给大家介绍一下DeepSeek到底该如何使用，让大家更快的掌握DeekSeek使用方法。　

使用 Python 调用 DeepSeek API 是一个非常高效的方式，可以快速实现自然语言处理、代码生成等任务。以下是详细的快速指南，帮助你轻松搞定这一过程。

最近，深度求索开源的 DeepSeek-R1 系列模型火遍全球，但因为“服务器繁忙”劝退不少人。为了解决这个问题，我们将以 UltraRAG 框架为例，为大家介绍 DeepSeek-R1 的本地部署流程，同时带领大家熟悉 UltraRAG 的细节和功能。在成功跑通 VanillaRAG 后，我们还简单尝试了在 DeepSeek-R1 加持下的 Adaptive-Note，提出法律领域的问题，效果居

你有没有这种感觉？看了很多Transformer、LLM的文章，却总觉得云里雾里？今天我们来聊聊大型语言模型（LLM）中的一个核心概念——Token。直到我真正理解了“Token”和“分词器”，这才是我学懂Transformer的第一次顿悟，这可能是我整个大模型学习过程中唯一一次一口气看懂的内容。虽然它看起来“基础”，但却是所有大模型推理、训练和优化的底层起点。不管是deepseek还是claud

在许多问答应用程序中，我们希望允许用户进行来回对话，这意味着应用程序需要记住过去问题和答案，以及将这些问题和答案纳入当前思维的逻辑。在本文中，我们重点介绍如何添加整合历史消息的逻辑。我们将介绍两种方法：*链，我们始终在其中执行检索步骤；*Agent，我们让 LLM 自行决定是否以及如何执行检索步骤（或多个步骤）。

我们看到，DeepSeek 提供了 7B、8B、14B、32B 等多个中小参数量模型，类似地，Qwen（1.5B、3B、7B、14B、32B）和 Llama（7B、13B、34B）也发布了多个中小参数量模型。然而，它们的生成方式有所不同：DeepSeek 是先训练一个超大参数模型，然后通过蒸馏的方式提供小参数量模型；而其他模型则是通过优化训练过程和模型架构来实现。

这里整理了一份《鸿蒙零基础入门学习指南》，希望能对那些想要学习鸿蒙，但是有没有方向的人提供一点帮助。本文档适用于HarmonyOS应用开发的初学者（由于文档内容过多，因此为了避免影响到大家的阅读体验，在此只以截图展示部分内容，详细完整版的看文末有免费的获取方式！

相比较普遍agent来说，该理论有一个很关键的点——微调。目前的agent基本上都是依赖于LLM原生的工具调用能力，Agent需要有效的反馈机制来理解环境并调整行为，但目前这一点还没有很好的解决。在复杂工具使用场景中，仅仅依靠prompt难以达到足够高的成功率。Agent系统需要能够学习和适应如何调用不同的工具来完成任务，这涉及到工具调用学习的问题。而该理论会针对工具调用微调，增强其能力。

本文我们介绍另外一种部署本地知识库的方案：Ollama + MaxKB相对来说，容易安装且功能较完善，30 分钟内即可上线基于本地大模型的知识库问答系统，并嵌入到第三方业务系统中。

这波AI浪潮，很多新词把人都绕晕了，如AI Agent（人工智能代理）、RAG（检索增强生成）、向量知识库、提示词工程、数据提取和解析、自然语言处理（NLP）、知识图谱以及图处理等。本文试图深入探讨这些概念，让大家一下子就能分辨。同时，我试图让他们在AI PaaS（平台即服务）概念框架下整合，便于理解这些异构的概念。