这张图里总结了通用的好的表征学习表征问题往往先于模型问题表征决定模型上限好的表征学习，就是把复杂的原始数据（图像、分子、文本等）映射到一个**既保持了原始结构（距离保持、连续性），又方便我们操作（可插值、可加性）**的向量空间，让后续的机器学习任务（分类、生成、预测）变得更容易、更鲁棒。两种典型的 “坏” 情况情况一：距离高估（Distance Overestimate）**现象：**两张几乎一样

这张图里总结了通用的好的表征学习表征问题往往先于模型问题表征决定模型上限好的表征学习，就是把复杂的原始数据（图像、分子、文本等）映射到一个**既保持了原始结构（距离保持、连续性），又方便我们操作（可插值、可加性）**的向量空间，让后续的机器学习任务（分类、生成、预测）变得更容易、更鲁棒。两种典型的 “坏” 情况情况一：距离高估（Distance Overestimate）**现象：**两张几乎一样

详细总结：代理式 AI 系统开发流程与迭代循环（ Development process summary ）编写软件和代码来改进系统。决定下一步将构建精力集中在哪里的过程，其重要性与构建相当。显然，开发是一个非线性的过程，需要在调整系统、错误分析、改进组件和调整评估之间反复横跳。许多经验不足的团队往往花太多时间在构建上，而太少时间在分析上，导致工作重点不集中，效率低下。在早期，市面上有许多工具可以

具体来说，当询问身份时，我们将身份名称从“Qwen”改为“Deep Qwen”，并使用“Deep Qwen”作为正样本（优选回答），“Qwen”作为负样本（劣选回答）。所以，可以将这里提到的完全训练好的 Qwen 模型视为小模型在小数据集上训练的快速验证结果，这样我们就有机会看到完整的 DPO 训练过程，而无需在有限的计算资源上等待太久。上使用一个只将“Qwen”改为“Deep Qwen”的更小的

当我们在“表达”环节获得了一个惊艳的结果时，不应止步于此。我们需要利用“逆向提示（Reverse Prompting）”技术让 AI 分析“是怎样的 Prompt 生成了这个结果”，从而将这次成功的偶发经验固化为可复用的 Prompt 模板。这不仅是个人知识库的建设，更是将隐性知识显性化、标准化的过程，为下一次工作流的启动提供了更高的起点。MVW（最小可行工作流）被定义为能够把一个具体任务从输入跑

如果说大语言模型是智能体的大脑，那么工具 (Tools) 就是其与外部世界交互的“手和脚”。为了让ReAct范式能够真正解决我们设定的问题，智能体需要具备调用外部工具的能力。针对本节设定的目标——回答关于“华为最新手机”的问题，我们需要为智能体提供一个网页搜索工具。在这里我们选用 SerpApi，它通过API提供结构化的Google搜索结果，能直接返回“答案摘要框”或精确的知识图谱信息，# ...

它代码简洁，抽象程度少，工具开发难度低（只需要一个@tool装饰器），自由程度高，也具有流程跟踪功能，开发者很容易入门，也很方便理解重写其中的一些逻辑，来实现自己定制化的系统。可以看出，规划模式的Agent有许多好处，比如Agent拥有非常丰富的能力，进而扩展了能执行的任务范围。类似地，设计多智能体系统的通信模式也同样复杂，而组织结构的好坏会极大影响系统的效率与结果。当然，大部分框架都可以同时实现

Casual Language Model，下简称 CLM。Decoder-Only（GPT）：像 “作家”，擅长从前往后 “创作” 内容，适合写文章、生成对话等 NLG 任务。Encoder-Only（BERT）：像 “读者”，擅长 “理解” 现有文本的含义，适合阅读理解、语义匹配等 NLU 任务。Encoder-Decoder（T5）：像 “翻译官”，既能理解输入（Encoder），又能生成输

本方案是一个基于 RAG 的纯文本文档问答系统。它将所有政策法规、标准规范等文本数据构建成向量索引，利用大语言模型回答相关问题。此方案未处理任何表格数据。

设置一个具体的用户问题字符串。