Awesome LLM Apps 是一个不可多得的、高质量的LLM应用实践资源库。无论你是想快速验证一个想法，深入学习某个LLM技术，还是寻找项目灵感，这个仓库都能提供巨大的价值。

我们用魔搭+LLaMa Factory，0 成本，体验一个微调的全流程，无需考虑自己的电脑配置，全部云上微调，最后再将微调的模型引入本地直接体验对话

以上就是这段时间我们在研究本地部署的LLM大模型的体验，NVIDIA Chat RTX目前虽然比最早的体验版好用了不少，但依然处于很早期的状态，要自行添加指定模型比较麻烦，而且不能联系上下文这点体验并不好，不过想装来玩玩还是可以的，毕竟它的安装和使用都很简单，内置的小模型对显存容量需求也不高，8GB以上的显卡就可以跑。Ollama搭配Page Assist这组合胜在够简单，比较适合刚接触这方面的新

好了，以上就是目前所总结的 Agent 九大设计模式，其实 Agent 中。

微软开源 GraphRAG 后，热度越来越高，目前 GraphRAG 只支持 OpenAI 的闭源大模型，导致部署后使用范围大大受限，本文通过 GraphRAG 源码的修改，来支持更广泛的 Embedding 模型和开源大模型，从而使得 GraphRAG 的更容易上手使用。需要 Python 3.10-3.12 环境。安装完整后，需要创建一个文件夹，用来存储你的知识数据，目前 GraphRAG 只

由于本人的研究是文本、语音和图像三者模态数据的融合，所以针对的是这三种模态的特征融合方法进行总结。本文章会从方法、总结网址和综述文章进行介绍。方法：首先，在特征提取之后，多模态特征融合的方法分为四种：特征级融合、决策级融合、混合级融合和模型级融合。其中：特征级融合。也称为早期融合，是多模态识别系统最常用的策略。它表示在提取后立即从不同模态提取的特征连接成单个高维特征向量的方法。多模态早期融合方法常

开源的检索增强型生成（RAG）模型随着对大型语言模型中增强功能需求的增长而变得越来越庞大。那它们是什么呢？RAG模型是密集检索（DPR）和序列到序列模型的结合。其设计目的是通过引入外部知识来增强LLMs的能力。这是通过检索与查询相关的文档，并使用这些文档来作为上下文发给LLM以得到最终生成结果实现的。这个过程允许RAG模型产生更准确和上下文相关的输出，因为检索和生成组件一起进行了微调。这种方法在知

今天给大家分享一个Agent智能体学习教程，它不局限于表面框架，而是从智能体核心原理出发，带你深入理解经典范式。

你真正需要的，不是技术学习路线，而是一条 “能立刻上手，能解决问题”的应用型路径。

我将介绍一个基于 LangGraph 构建的全面 GraphRAG 多智能体系统，它作为一个智能的食物助手。