一个能够独立执行任务的自动化程序，可以根据用户指令自主调用资源库里的内容并完成编排；Agent的设置，也就是AI中的系统消息的层面，对AI进行规则设置；Agent可以添加技能来支持更多功能，比如可以添加搜索功能支持网络搜索；插件能够让Agent调用外部API，如搜索信息，来扩展Agent的能力；● 卡片数据：支持绑定消息卡片，绑定成功后，Agent将以消息卡片的形式发送消息，只在飞书、豆包内支持；

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

大模型，即大型神经网络模型，以其庞大的参数规模和强大的学习能力而著称。参数规模：拥有亿级甚至千亿级的参数量，如GPT-3的1750亿参数。学习能力：能够学习复杂的模式和关系，处理多样化的语言和视觉任务。数据需求：训练大模型需要海量的数据，通常来源于互联网上的各类内容。计算资源：训练过程消耗大量计算资源，需要高性能GPU集群和算法优化。

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，

SUGAR方法通过引入语义不确定性指导检索过程，实现了更智能和高效的检索增强生成。该方法在保持较高准确率的同时，显著提升了系统效率，为解决LLMs知识获取问题提供了新的思路。研究成果对推动检索增强生成技术的发展具有重要意义。提出了基于语义熵的检索决策机制实现了效果与效率的良好平衡建立了通用的自适应检索框架这项研究为未来大型语言模型的知识获取与应用提供了重要参考，具有广阔的应用前景。论文链接：htt

检索后，系统会汇总和综合所有子查询的结果，以生成对原始复杂查询的全面答案。然后，这些扩展的查询将用于检索过程，从而增加检索到的文档的数量和相关性。行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中

1）Q和K必须用不同的“转换器”（权重矩阵）： 因为它们在注意力机制里干的是不同的活儿（Q是“提问者”，K是“被提问者”）。如果用同一个转换器，它们就“鸡同鸭讲”，没法有效沟通，模型就学不到词和词之间谁跟谁有关系。2）不能用同一个值（比如原始输入X）同时做Q和K：否则模型就变成了“自恋狂”，每个词只关注和自己一模一样的东西，完全看不见上下文里其他重要的词（比如“爱”看不见“我”和“北京”），而且模

上下文摘要是 RAG 系统中一种更复杂的上下文长度管理方法，我们在构建最终上下文的过程中应用文本摘要技术。一种可行的方法是使用一个额外的语言模型（通常规模较小，且经过摘要任务训练），用于对检索到的大量文档进行摘要。摘要任务可以是提取式的，也可以是抽象式的。提取式识别并提取相关的文本段落，抽象式从头生成摘要，对原始文本块进行重新表述和精简。此外，一些 RAG 解决方案使用启发式方法来评估文本片段（例

规划模式让AI Agent在执行任何操作之前制定计划或解决方案。Planning Agent不会像ReAct那样直接深入到逐步推理和工具使用中，而是会先为任务指定一个高级计划或路线图，之后Agent会去执行计划中的每一个步骤，最终给出答案。这种方式通过首先制定计划然后采取行动，增强了LLM代理处理复杂任务和决策的能力。

规划模式让AI Agent在执行任何操作之前制定计划或解决方案。Planning Agent不会像ReAct那样直接深入到逐步推理和工具使用中，而是会先为任务指定一个高级计划或路线图，之后Agent会去执行计划中的每一个步骤，最终给出答案。这种方式通过首先制定计划然后采取行动，增强了LLM代理处理复杂任务和决策的能力。