本文介绍了如何基于LoRA对Qwen模型进行微调，涵盖了从环境准备到单机单卡、单机多卡训练的全过程。首先，需要克隆Qwen仓库并安装相关依赖包，接着下载模型文件。单机单卡训练通过执行Python脚本进行，详细解释了各个参数的含义。单机多卡训练则通过修改脚本并运行torchrun命令实现。微调完成后，模型可以与原始模型合并并保存，最终通过测试代码验证微调效果。文章还提供了测试数据的GitHub仓库链

本文介绍了2025年国内外AI大模型排名情况。国内有通义千问、豆包大模型等多个模型，各有核心能力与应用场景，且不断更新迭代。国外GPT‑4o、Gemini 2.0 Ultra等模型也各有特性，如多模态输入、大规模参数等。如何学习AI大模型？最先掌握AI的人，将会比较晚掌握AI的人有竞争优势这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。倘若大家对大模型抱有兴趣，那么这套大模型学习

RAG（检索增强生成）是大模型落地的关键抓手，决定着大模型输出内容的可靠性与专业性。本文专为CSDN小白程序员和AI入门学习者设计，深入拆解RAG的核心环节，包括5种文本分块策略（固定大小、语义、递归、基于文档结构、基于大语言模型）和从传统模式到新一代架构（HyDE、Graph RAG、Agentic RAG）的技术演进逻辑。结合实操提示，助力读者快速掌握RAG核心技术，夯实大模型学习基础。

本文介绍了如何使用Ollama和AnythingLLM快速简单地在本地部署大模型。首先，指导用户安装Ollama并从Ollama的模型库中选择和下载模型（如llama、qwen、deepseek等）。接着，详细说明了如何配置和使用AnythingLLM以运行已下载的模型。此外，还讨论了在下载模型时可能遇到的问题及解决方案，如网络问题。最后，文章建议用户在模型下载过程中遇到困难时，可以考虑使用离线模

本文深度解析了四大主流大模型部署框架：Ollama（本地快速部署）、llama.cpp（低配设备优化）、vLLM（高并发生产环境）和LM Studio（跨设备开发）。文章详细介绍了各框架的核心价值、技术亮点和适用场景，并提供了方案选型决策树和混合部署实战案例。最后展望了边缘智能、量化革命和多云部署等未来趋势，强调选择匹配场景的部署方案对AI工程化落地的重要性。

文章详细介绍了大模型应用工程师的完整学习路线，包括提示词工程、检索增强生成(RAG)、模型微调、模型部署以及人工智能系统和项目五大核心模块。这一路线旨在帮助学习者掌握大模型应用的关键技术，从基础概念到实践应用，最终能够参与开源项目并实现大模型在各行业的落地应用。目前正是入门大模型领域的最佳时机，掌握这些技术可获得可观薪资回报。

准确性是GDPR的基本原则之一。这一法律原则要求数据控制者确保处理的个人数据“准确，必要时保持最新”，并“采取一切合理的步骤……确保在处理目的的范围内，个人数据不准确时应立即删除或更正”。

顾名思义，RAG的全拼是Retrieval-augmented Generation，检索增强生成，R——代表的是Retrieval-检索器，G代表的是Generation-生成器，所以RAG主要有两大块组成，检索与生成。

本文详细介绍了在云服务器上搭建基于RAGFlow的大模型应用全流程，包括租服务器、安装Ollama和DeepSeek模型、部署Docker环境、配置RAGFlow、启动服务以及接入LLM模型进行知识库测试。教程提供了详细的命令和配置说明，适合有一定技术基础的开发者快速上手构建自己的大模型应用，实现知识库问答功能。

文章介绍了如何构建自然语言转SQL的数据分析智能体，使用Qwen-Text2SQL模型将自然语言查询转化为可执行SQL，结合DeepSeek-R1作为智能体大脑，通过langchain框架搭建AI Agent，并利用Rag知识库优化提示词。该智能体能将非技术人员的自然语言需求转化为SQL查询，降低数据分析门槛，提升效率，让更多人能够利用数据进行决策，释放数据价值。