在一次重要的政务活动中，他被圣人指派为荔枝使，负责运输珍贵的荔枝，这一职位对他来说具有极大的意义。他的经历展现了他在官场中的沉稳与担当，也体现了他在复杂的政治环境中所展现出的智慧与忠诚。以pdf文件"长安的荔枝- 马伯庸.pdf"为例(可以替换为其他PDF书籍)，通过llama_index读取为documents，为减少计算量，取前10个子document。可见，llamaindex，借助外部知识

然而，不管是langchain还是llamaindex提供的文本分割工具，很难直接对非结构化文本进行准确的语义分割，很多原来连续的内容都被分割在不同块中。deepseek完成本次解析后，将deepseek解析生成的结构化md作为already_parsed输入，将下次待解析非结构化的若干页文档作为waiting_parsed输入。这里尝试基于deepseek，将pdf解析后的非结构化文本转化为结构

目前效果较好的word转md工具，要么是需要付费的商业版，要么借助于LLM转化，而LLM调用同样需要付费。微软开发的word转md的开源工具markitdown，也可以达到类似效果，并且不用花钱。切分文档构建RAG库过程中，langchain、llamaindex更期望处理latex、md类带有显式结构文档。langchain、llamaindex切分word，有可能将段落中间截断，导致切分后的块

之前介绍了知识图谱与检索增强的融合探索GraphRAG这里尝试在CPU环境，基于GraphRAG+Ollama，验证GraphRAG构建知识图谱和查询过程。

因此，无论小张选择问的是哪个队的人，只要他报告对方说西边，那么只有当他属于A队时才会这样，而如果是B队的话，他必须撒谎对方的回答，所以对方的真实回答要么是西边（如果问的是A队的人），此时小张撒谎会变成东边；如果小张问的是B队的人，B队的人会说假话，由于他们实际在东边，但他们会撒谎说自己不在东边，所以他们会回答西边，所以不管小张问的是A队还是B队的人，只要小张自己是A队的，他都会如实报告对方说西边，

重要性采样是RL强化学习，特别是调优LLM的PPO等的理论基础。这里从蒙特卡洛的角度，尝试分析和探索重要性采样，重要分布，以及重要权重的核心要素。所用到的图标、数据参考和修改自网络资料。

中间激活指的是forward计算得到的，并在backward需要用到的所有张量。中间激活不包含模型参数、优化器状态，但包含dropout用到的mask矩阵。为简化过程，只考虑激活中显存占用大头，忽略掉一些小的显存占用。比如，layer normalization，中间激活指的是层的输入、输入均值和方差。输入包含bsh个数字，均值和方差包含bs个数字，h比较大如4096，layer normaliz

结合迭代校准评估框架IteraJudge，对25个先进LLM进行全面评估，发现在金融AI领域与人类期望存在显著性能差距。涉及50万个金融实体，涵盖问答、推理、情感新粉、主题分类、NER和对话，金融业务场景基准数据集。

mysql全文检索，通常采用like类似字符串匹配实现。比较麻烦地方在于从原始问题中提取关键信息，并进行有效分词，以提取用于like检索的关键词。当问题关键词与mysql存储语义相似目标文本串不匹配时，就会检索不到有效信息。这里参考网络资料，尝试基于LLM，优化基于mysql的全文检索。

我们尝试基于Deepseek模拟品牌方负面社会事件发生后，风险如何逐级传导到乙方，进而直接或间接的影响乙方的收益，为直播类投资、运营活动提供借鉴和参考。以下是一份模拟的电商直播行业重大合作合同示例，供分析风险点参考。1. **第一层传导**：负面事件类型决定影响路径（产品质量问题直接影响销售，高管丑闻影响品牌形象）4. **最终影响**：可能形成"GMV下降→分成减少→现金流紧张→无法维持优质主播