本文介绍了使用LLaMA-Factory和vLLM工具进行大模型微调与部署的完整流程。主要内容包括：1)在AutoDL平台租用GPU并安装LLaMA-Factory环境；2)准备Qwen3-0.6B模型和关键词抽取任务数据集；3)通过WebUI界面配置LoRA微调参数；4)使用vLLM进行高效模型部署和服务调用。文中详细记录了从环境搭建到模型微调、权重导出和在线服务的每个步骤，并提供了常见问题排查

本文介绍了使用LLaMA-Factory和vLLM工具进行大模型微调与部署的完整流程。主要内容包括：1)在AutoDL平台租用GPU并安装LLaMA-Factory环境；2)准备Qwen3-0.6B模型和关键词抽取任务数据集；3)通过WebUI界面配置LoRA微调参数；4)使用vLLM进行高效模型部署和服务调用。文中详细记录了从环境搭建到模型微调、权重导出和在线服务的每个步骤，并提供了常见问题排查

摘要： "智能问数"系统是面向学校数据中台的AI查询助手，通过自然语言处理技术实现NL2SQL的完整闭环。系统基于FastAPI+LangGraph架构，集成通义千问大模型、Qdrant向量数据库和Elasticsearch搜索引擎，支持从自然语言问题自动生成并执行SQL查询。核心流程包括：关键词提取、多路召回（字段/指标/取值）、LLM语义过滤、SQL生成与校验、实时流式响应

本文档详细介绍了主Agent调用子Agent的架构设计方案。主要内容包括： 背景与目标：校园数据智能体需要主Agent作为统一入口调度多个垂直领域子Agent（如选课助手、校园通知等），主Agent负责意图识别和子Agent调用。 架构设计： 采用FastAPI+PostgreSQL技术栈 主Agent通过function_tool机制动态注册子Agent 全链路X-Request-Id实现请求追

摘要： "智能问数"系统是面向学校数据中台的AI查询助手，通过自然语言处理技术实现NL2SQL的完整闭环。系统基于FastAPI+LangGraph架构，集成通义千问大模型、Qdrant向量数据库和Elasticsearch搜索引擎，支持从自然语言问题自动生成并执行SQL查询。核心流程包括：关键词提取、多路召回（字段/指标/取值）、LLM语义过滤、SQL生成与校验、实时流式响应

摘要： "智能问数"系统是面向学校数据中台的AI查询助手，通过自然语言处理技术实现NL2SQL的完整闭环。系统基于FastAPI+LangGraph架构，集成通义千问大模型、Qdrant向量数据库和Elasticsearch搜索引擎，支持从自然语言问题自动生成并执行SQL查询。核心流程包括：关键词提取、多路召回（字段/指标/取值）、LLM语义过滤、SQL生成与校验、实时流式响应

1、虚拟机栈概述虚拟机栈出现的背景由于跨平台性的设计, Java的指令都是根据栈来设计的。不同平台CPU架构不同,所以不能设计为基于寄存器的。优点是跨平台,指令集小,编译器容易实现,缺点是性能下降,实现同样的功能需要更多的指令。初步印象有不少Java开发人员一提到Java内存结构,就会非常粗粒度地将JVM中的内存区理解为仅有Java堆(heap)和Java栈(stack) ?为什么?内存中的栈与堆