本节主要从发展史的角度，梳理自AI诞生起经历了哪些阶段，从而让我们更清晰地认识到，当下我们是处在哪个位置？虽然今天正处于本轮AI的应用爆发初期，大家更感兴趣的是如何基于大模型做应用开发，但我仍然希望读者愿意花十几分钟的时间，去探索这个领域是如何走到今天的。对当下是否真的走在了”正确“的道路上，有自己辨证且深入的思考。与其杞人忧天 AI 产生智慧，我们更应该担心自己因为人云亦云从而失去智慧。

以下是Dubbo的一些最佳实践整理，可以当做一张Dubbo的使用说明书，具体的原理分析后续再详写，这里就言简意赅的说明用法，且大部分来自官方文档：【一】服务化最佳实践分包服务接口、服务模型、服务异常等均放在 API 包中，符合REP（重用发布原则），CRP（共同重用原则）粒度服务接口尽可能大粒度，避免分布式事务，因为Dubbo暂未提供分布式事务支持。服务接口建议以业务场景为...

【一】总述SpringBoot的诞生，极大的简化了Spring框架的使用过程，提升了开发效率，可以把它理解为一个整合包，使用了SpringBoot，就可以不用自己去进行繁琐的配置，通过几个简单的注解，就可以构建一个基于REST的服务。同时，SpringBoot的快速构建部署的特性，为当下大热的微服务落地提供了极大的便利，可以说是构建微服务的理想框架。归纳来说SpringBoot的特性有如下几点..

本篇对大模型微调阶段的数据集做一个详细的介绍，微调阶段一般需要的数据量较少，也会相对聚焦在某一类特定任务上。但数据的质量和多样性仍然起着十分重要的作用。所以，构建指令数据是个精细化的过程。

近年来，语言模型已经完成了向“预训练+微调/提示”范式的迁移，在这个范式下，预训练阶段要解决的关键问题是借助大规模语料资源，抽取那些语言的共性结构和关系，而微调阶段要解决的是如何借助小规模的专用数据集，进行模型能力的“垂直下沉”的问题，前者广，后者专。但无论如何，模型能力本质上是来源于所见过的训练数据，因此数据工程就变得极为重要。在训练过程中，高质量、大规模、多样化的数据集对于大模型训练至关重要。

后面计划开始写RAG系列了,前面的坑也会陆续填的。本节6.1.1聊聊Al搜索,非技术向的,6.1.2~6.1.6 是RAG技术向的,大家按需取用即可。

由于目前的工作，有一部分是为运营提供一些流量分析的支持，所以一些相应的基础知识就不得不学起来了。目前其中一种需求，就是统计广告的投放效果，常规做法就是添加追踪，在追踪链中添加utm参数，这样对于数据平台的聚合统计就比较方便了UTM ：“Urchin Tracking Module”的简写，中文的大概意思就是跟踪模块功能：追踪渠道来源，便于根据不同渠道、内容等细分数据，目的：精细化运营分析...