主要流程包括：用户自然语言提问，上下文收集（元数据+术语+模板），Prompt 结构化构建（规则+示例+元数据），调用大模型生成 SQL，SQL 验证/执行（有效性校验），结果返回+数据训练（迭代优化）。作用：动态获取不同数据源（MySQL/PostgreSQL/SQL Server 等）的版本、表、字段信息，作为大模型生成 SQL 的「数据字典」。：获取指定表的字段名、数据类型、字段注释，是生成

之前在做智能问数智能体项目，输入是用户的问题和各类不同的数据源，这个数据源可能是JDBC这一类(包括PostGreSql、Mysql、Oracle、SQLServer)等，利用大模型的能力来生成SQL语句进行查询获得相关数据，输出就是用户问题对应的SQL语句、执行SQL语句查询的结果还有对应的推荐的图表。对于算法测来说，我重点关注的是如何如何获取离线大文件的元数据信息，将用户问题和元数据信息等通过

模型里有 128 个独立的 “专家层”（比如 “数学专家”“代码专家”“多模态专家”），路由器会给每个 token 打分（比如 “数学题 token” 给 “数学专家” 打 90 分，“代码专家” 打 30 分），只激活分数最高的 2 个专家；处理 “周杰伦的歌” 时，不会误拆为 “周杰 / 伦的歌”。如果把 Qwen 系列比作一个 “学生”，它的成长轨迹堪称 “学霸进阶史”—— 从只会处理文本的

企业的 “供应链 Agentic AI 系统”，包含 “需求预测 Agent”“采购 Agent”“仓储 Agent”“物流 Agent”“库存预警 Agent”。没有 AI Agents 的单点突破，Agentic AI 就成了 “无米之炊”；“文献检索 Agent” 查找相关研究，“内容总结 Agent” 提炼核心观点，“逻辑梳理 Agent” 搭建论文框架，“格式排版 Agent” 按期刊要

大模型的上下文窗口是有限的（比如 Claude 3 Opus 是 200k Token），如果把所有脚本、文档都一次性加载，很快就会占满窗口，导致 AI「记不住」关键信息。那么，Skills到底是什么？它不像大模型那样需要高深的算法知识，也不像传统工具那样有陡峭的学习曲线，普通人只要懂基本的流程逻辑，就能开发自己的 Skill；Claude Skills 的本质，是把「隐性经验」变成「显性能力」—

大模型的上下文窗口是有限的（比如 Claude 3 Opus 是 200k Token），如果把所有脚本、文档都一次性加载，很快就会占满窗口，导致 AI「记不住」关键信息。那么，Skills到底是什么？它不像大模型那样需要高深的算法知识，也不像传统工具那样有陡峭的学习曲线，普通人只要懂基本的流程逻辑，就能开发自己的 Skill；Claude Skills 的本质，是把「隐性经验」变成「显性能力」—

主要流程包括：用户自然语言提问，上下文收集（元数据+术语+模板），Prompt 结构化构建（规则+示例+元数据），调用大模型生成 SQL，SQL 验证/执行（有效性校验），结果返回+数据训练（迭代优化）。作用：动态获取不同数据源（MySQL/PostgreSQL/SQL Server 等）的版本、表、字段信息，作为大模型生成 SQL 的「数据字典」。：获取指定表的字段名、数据类型、字段注释，是生成

导读：本文是“数据拾光者”专栏的第五十三篇文章，这个系列将介绍在广告行业中自然语言处理和推荐系统实践。本篇分享了多模态学习在CTR预估模型中的应用实践及效果展示，对于想要将多模态学习应用到CTR预估模型中的小伙伴可能有所帮助。欢迎转载，转载请注明出处以及链接，更多关于自然语言处理、推荐系统优质内容请关注如下频道。知乎专栏：数据拾光者公众号：数据拾光者摘要：本篇分享了多模态...

导读：本文是“数据拾光者”专栏的第五十六篇文章，这个系列将介绍在广告行业中自然语言处理和推荐系统实践。本篇主要介绍了多模态学习模型VILT几个实用的源码实践，对于希望将VILT模型应用到业务实践的小伙伴可能有帮助。欢迎转载，转载请注明出处以及链接，更多关于自然语言处理、推荐系统优质内容请关注如下频道。知乎专栏：数据拾光者公众号：数据拾光者摘要：本篇主要介绍了多模态学习模型...

导读：本文是“数据拾光者”专栏的第二十一篇文章，这个系列将介绍在广告行业中自然语言处理和推荐系统实践。本文主要分享从理论到实战知识蒸馏，对知识蒸馏感兴趣的小伙伴可以一起沟通交流。欢迎转载...