在此步骤中，Data-Copilot 定义了各种接口工具来满足先前生成的请求。具体来说，我们将所有数据解析文件和存储在接口库中的所有接口（第一次迭代时为空）作为提示输入 Data-Copilot。如上图所示，每个请求被逐个输入到 Data-Copilot 中，并提示 Data-Copilot 使用接口库中的现有接口或重新定义新接口来满足当前请求。详细提示如下图所示。

重度使用了 cursor 两天。他的迭代路径也很清晰，从早期的copilot (tab tab) 到支持可以参考多个文件针对 “单文件自动修改和合并”（apply）。其中第二个能力是当前 github copilot 没有的，github copilot chat框里的代码没有办法直接合并到文件里，你只能拷贝黏贴。

一句话介绍就是：基于开源大模型 + 知识库的 Code Review 实践，类似一个代码评审助手（CR Copilot）。飞书文档没有格式要求，能看懂正确代码是怎样就行这里直接使用 LangChain 提供的LarkSuitechunk_size: 控制每个块的长度。例如设置为 1024，则每个块包含 1024 个字符。: 控制相邻两个块之间的重叠长度。例如设置为 128，则每个块会与相邻块重叠

介绍七个产品管理AI工具。人工智能（AI）技术不断进步，AI在产品管理领域的应用也日益广泛。AI以辅助者的角色帮助产品经理优化流程，提升效率，同时激发创新，是不可或缺的强大伙伴。本文介绍七个AI工具，旨在自动化产品管理者的日常工作流程，提升产品管理技能。

langchain是一套AI编程框架，将基础的功能已经整合进来封装，减少我们的工作量。但langchain本身并不是LLM，需要我们安装好LLM，或使用在线api。我们选择了自己部署，而自己部署的一个工具就是Ollama，它可以在本地部署好我们的LLM，如llama\qwen等，Ollama是这些LLM的运行环境。串连起来说就是：用langchain提供的函数进行快捷编程，langchain的函数

2025 年注定是 Agent 爆发之年，但是在 2024 年竞争最激烈的非编程助手莫属，从 Github Copilot 到 Cursor 再到 WindSurf，程序员是最热衷于使用智能体的群体。但是以上产品需要联网，需要付费，或者即使免费也有额度的限制，我们国内也有很多产品，不仅免费，而且有些产品是开源的。今天就以智谱 AI 的 CodeGeex4 为例，搭建一个离线本地的编程助手，整体体验

大模型已经卷到上百款了，测评下来发现像GPT、文心一言、kimi这样的AI大模型工具都有点相似。因为他们背后的核心都是数据和深度学习。它们通过分析大量的文本数据来学习语言模式，这就好像我们学习一门新语言一样，需要大量的练习和重复。所以，当它们处理类似的语言任务时，它们的反应和表现就会有一定的相似性。这些工具都是为了解决类似的问题而设计的。比如自动生成文本、翻译、理解语言意图等。所以，它们在处理这些

与 PDF 互动是很酷的。你可以与你的笔记、书籍和文档等进行聊天。本文将帮助你构建一个基于 Multi RAG Streamlit 的 Web 应用程序，通过对话 AI 聊天机器人来读取、处理和互动PDF数据。以下是该应用程序的工作步骤，用简单的语言进行说明。

其中1和2我们已经在前面的系列中讲过，今天我们来看【3. Ring attention】，一个朴素attention的计算过程如上图所示。这里我们设Q,K,V的尺寸都为(N, d)，其中N=seq_len，d = hidden_size。为了接下来更好表示ring attention的切块计算法，上图中把Q,K,V都切分成了4块，每块大小为(C, d)。但这依然不妨碍以不切块的视角阅读上面这张图。

分布式训练的主要难点简单介绍一下混合并行中经典的三种并行方案。首先是数据并行，简称 DP。正如其名，数据并行是将数据分割到不同的计算设备上，然后由这些设备完成各自的计算任务。第二种是张量并行，简称 TP。张量并行是将模型中某些层的参数分散到不同的设备上，每个设备负责完成部分的计算工作。第三种是流水并行，简称 PP。流水并行是将模型的不同层切分到不同的计算设备上，类似于流水线的工作方式，各个设备协同