本文详细记录了Lagent框架搭建大模型Agent的过程，包括环境配置、基础Agent使用和Multi-Agents博客系统实现。通过示例代码展示Web Demo创建和博客写作系统的实现，完成内容生成、批评和完善流程，提供从环境配置到实际应用的完整指导。使用 Lagent 复现文档中 “制作一个属于自己的Agent” 和 “Multi-Agents博客写作系统的搭建”两部分内容，记录复现过程并截图

很多人以为RAG的核心是检索或生成， 但真正决定系统表现的，往往是Query 理解的能力。理解得好，后面的检索就像打靶——稳、准、狠。理解得差，模型再强也答不对。“RAG的智能，不在模型，而在解析。在过去的几个月中，我们已经有超过80个同学（战绩可查）反馈拿到了心仪的offer，包含腾讯、阿里、字节、华为、快手、智谱、月之暗面、minimax、小红书等各家大厂以及传统开发/0基础转行的同学在短时间

深度学习是一门以神经网络为核心，融合数学原理、工程优化与场景落地的交叉学科，其核心逻辑围绕“用参数化模型逼近真实数据规律”展开，形成了从理论到实践的完整体系。从理论基石来看，万能近似定理奠定了神经网络的函数逼近能力，而真实函数与近似函数的估计关系，构成了深度学习的核心矛盾。泛化误差的偏差-方差-噪声分解，明确了模型优化的目标——在拟合能力与稳定性之间找到平衡，最终让泛化误差逼近噪声下限。训练过程的

在介绍 FRP之前，先来说说内网穿透的概念。内网穿透是一种网络技术，可以让处于局域网（比如你家里的网络）中的设备，通过互联网与外部设备进行通信。简单来说，就是让你家里的电脑、摄像头、服务器等设备，可以通过互联网从外面访问到。FRP是一款强大的内网穿透工具，能够将你的本地服务（例如你电脑上的网站或应用程序）映射到互联网，让你可以轻松地从外网访问这些服务。无论是个人开发者、企业团队，还是爱好者，FRP

不要从零训练模型：个人开发者资源有限，微调（Fine-tuning）或提示词工程（Prompt Engineering）才是性价比之选110；警惕“配置地狱”：初学者建议用Coze等集成环境，跳过CUDA版本、分布式训练等复杂问题5；业务驱动学习：先明确想解决什么问题（写邮件？分析报表？），再反推技术栈10。学习LLM如同习武——先练招式（Coze可视化），再修内功（PyTorch/算法）。保持每

最近花了一周左右的时间给内部的一个传统研发平台接入了 Agent 开发的能力，很多同学对 Agent 的底层实现非常感兴趣，所以此篇给大家介绍下我是怎么做的，希望能对想自建 Agent 的同学有所启发。因人力原因，有些细节方案问题没太做深度评测，而是直接选择业界实践较多的成熟方案。主要参考思路和上下文管理的过程。文中用到了一些内部平台的基础能力，比如 rag、代码管理、deepwiki等，外部开发

•你的每次请求成本或月度预算是多少？•你的可接受响应时间是多少？（实时 <2 秒，准实时 <10 秒，批处理可以是分钟/小时）•你需要什么准确率水平？（取决于错误代价：高风险需要 95% 以上，原型可以容忍 70-80%）

NVIDIA Jetson Orin™ Nano 开发者套件是一款尺寸小巧且性能强大的超级计算机，重新定义了小型边缘设备上的生成式 AI。它采用了性能强大的Orin架构模块，在体积小巧的同时提供高达40 TOPS的AI算力，能够无缝运行各种生成式 AI 模型，包括视觉变换器、大语言模型、视觉语言模型等，为开发者、学生和创客提供了一个高性价比且易于访问的平台。图注：NVIDIA Jetson Ori

这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。大模型的发展是当前人工智能时代科技进步的必然趋势，我们只有主动拥抱这种变化，紧跟数字化、智能化潮流，才能确保我们在激烈的竞争中立于不败之地。(篇幅有限，仅展示部分

从GPT-3到ChatGPT，再到GPT-4和GitHub Copilot，微调在这些过程中发挥了重要作用。什么是微调？微调能解决哪些问题？LoRA又是什么？如何进行微调？本文将解答上述问题，并通过代码示例展示如何使用LoRA进行微调。微调的技术门槛不高，对于规模不超过100亿参数的模型，所需的硬件成本也不高（100亿参数的模型并非玩具，许多实际应用中会使用这种规模的模型）。即使是非专业的算法人员