亮点构建涵盖症状、舌象和脉象等信息的中医症状知识图谱，并通过提出的 SMKI 机制增强模型生成能力。知识图谱与模糊检索相结合，使模型能够识别和处理输入中的同义表达或错误信息，从而提高推荐准确性。改进大模型的输出层和模型的训练损失函数，有效抑制药物推荐过程中生成无关或错误信息的现象。

随着大语言模型的不断出圈，Transformer这一概念也走进了大众视野。Transformer是一种非常流行的深度学习模型，最早于2017年由谷歌（Google）研究团队提出，主要用于处理自然语言。

我们或多或少都听说LLM大模型是先“训练”出来，然后再用于“推理”，那怎么理解这个“训练”过程？是不是经常听说行业性场景中要使用垂域大模型，比通用大模型效果会更好，然后都说垂域大模型是“微调”出来的，那么什么是“微调”？和上面说的“训练”是什么关系？当你尝试去深入了解这些问题时，搜到的各种介绍是不是都有点深奥？看到预训练、后训练、监督微调、强化学习、低秩适应、奖励模型等一堆概念是不是有点懵逼？

传统的基于OCR的pipline的相关技术路线（如下图），目前多模态大模型的出现，文档解析技术链路出现了新的一些玩法。下面我们来看结合☞EasyDoc这个新框架，看看Easydoc文档解析过程中的相关技术实践路线、通过实际深度的测试看看Easydoc的效果及差异化特点和Easydoc文档层次化结构对于RAG的增益思考。供参考。

预训练（Pre-training）是预先在大量数据上训练模型以学习通用特征，而微调（Fine-tuning）是在特定任务的小数据集上微调预训练模型以优化性能。

本文详细介绍微软开源的AutoGen多代理对话框架及其ReAct智能体实现方法。文章从环境搭建、依赖安装到代码实现，手把手教读者如何创建基于ReAct提示词的智能体，使其通过推理-行动-观察循环完成复杂任务。提供完整代码示例和运行结果，适合程序员快速上手AutoGen框架开发，助力构建基于LLM的智能应用。

LLaMA Factory是专为Meta LLaMA系列模型优化的开源微调框架，采用LoRA、QLoRA等参数高效微调技术，显著降低显存占用和训练成本。框架包含模型、数据、训练、推理部署及工具扩展五大核心模块，支持垂直领域微调、对话系统构建、轻量化部署等多种场景。提供简单易用的配置和脚本，让开发者能在有限算力资源下快速定制大模型，是入门大模型微调的理想选择。

本文详细介绍了如何使用LangChain框架结合向量数据库构建RAG系统，解决大模型在回答领域知识时的幻觉问题。文章从环境配置开始，逐步演示了文档加载与切分、向量数据库构建、大模型接入以及检索增强问答链的全流程实现。通过检索外部知识库，RAG系统能够提供更准确的回答并引用来源，显著提升大模型在特定领域的应用效果。

本文从DeepSeek技术交底分析大模型未来：MoE架构通过稀疏激活专家网络实现万亿参数效率革命；Agentic AI使模型具备目标分解与自我反思能力；下一代训练强调数据质量与多智能体协作；通过红队测试等解决幻觉问题；未来将发展超级专家系统、社会智能体和可解释AI。开源生态与MoE+Agentic架构将推动大模型向更自主思考方向发展。

文章介绍了多智能体(Multi-Agent)系统的六种常见设计模式：Sequential(顺序处理)、Router(任务调度)、Parallel(并行执行)、Generator(任务分解)、Network(网络协作)和Autonomous Agents(自主决策)。这些模式就像团队协作的方法论，各有适用场景，可根据需求组合使用。随着AI从单一大模型向多智能体协作发展，掌握这些设计模式将有助于构建更