在开发合并检查插件的时候，作者也遇到了不少问题，主要是自己摸索，没有其他人的经验。不过这种从0到1的技术研究对个人还是有好处的，就像作者之前自己捣鼓了一个微信小程序和到huggingface研究AI一样，虽然很麻烦，但是可以说很少有东西作者自己研究不了的。言归正传，接下来分享一些作者觉得会绕弯路的经验。

上篇文章以对话模式为例讲了目前人工智能的整体架构，但是大模型依然有很多细节问题，这里作者讲一讲目前的Transformers模型原理。

上一篇讲了人工智能是怎么学习的，这一期开始作者会开始讲实践，首先就是要在本地搭建一个预训练的大模型，后面才可以进一步的对他进行微调、搭载agent、向量数据库，完成自己想要的模型。

最近公司在海外上云服务器，作者自己也搞了云服务器去搭建部署系统，方便了解整体架构和系统的生命周期，排查解决问题可以从原理侧进行分析实验。虽然用的云不是同一个，但是原理都是相通的。

最近公司在海外上云服务器，作者自己也搞了云服务器去搭建部署系统，方便了解整体架构和系统的生命周期，排查解决问题可以从原理侧进行分析实验。虽然用的云不是同一个，但是原理都是相通的。

线上出现问题之后的数据清洗是少不了的，有的可以直接通过接口或者mq补偿，有的写sql更新db就可以，但是在匹配关系比较复杂的时候就需要建立临时表做关联匹配，数据量不大可以直接用excel进行匹配。

上一篇讲了人工智能是怎么学习的，这一期开始作者会开始讲实践，首先就是要在本地搭建一个预训练的大模型，后面才可以进一步的对他进行微调、搭载agent、向量数据库，完成自己想要的模型。

通过之前的人工智能架构分析和Transformer模型的原理介绍，读者应该对人工智能有了一个初步的了解。但是很多读者不是很想知道那么多软件方面的专业知识，通过大家的问题，大家关心的主要是三个方面：ai是怎么学习的，不停的搜网上的信息进行学习，然后人工再问他一些问题，根据答案进行正确错误提示调整吗？在线跟ai的对话会让ai实时学习进步吗？怎么在ai时代下保持自己的竞争力？作者在这里用一些简单的示例来

上篇文章以对话模式为例讲了目前人工智能的整体架构，但是大模型依然有很多细节问题，这里作者讲一讲目前的Transformers模型原理。

人工智能这个词不是很新鲜，早就有开始研究的，各种推荐系统、智能客服都是有一定的智能服务的，但是一直都没有体现出多高的智能性，很多时候更像是‘人工智障’。但是自从chatGpt3被大范围的营销和使用之后，人工智能逐渐体现出来他的智能性和高度的推理分析能力，他的范围也不再局限于软件行业，财务、法律、人事等等各种各样的行业都开始进行学习使用。作者经过一段时间的研究学习，对于AI也有了自己的一些理解，在这