大家好，我是一名正在学习大模型应用开发的研究生。最近跟着导师做了一个扫地机器人智能问答Agent的项目，用的是ReAct+RAG的技术方案。说实话，一开始我是懵的——什么ReAct、什么RAG、什么LangChain，听着都很高大上，但真的上手的时候，连环境都搭了半天。现在项目终于跑通了，我想着把整个过程整理成一篇博客，一方面是给自己做个总结，另一方面也希望能帮到和我一样刚入门的同学。毕竟我踩过的

到这里，你已经学会了 GPTs 和 Assistant API 的用法，还做了两个小助手！最后给大家总结一下，什么时候用哪个：如果你只是想快速做个自己用的助手，不用写代码，想发布到公众号这些地方，用GPTs/Coze就够了！10 分钟就能搞定，完全不用碰代码。如果你是开发者，想把 AI 助手集成到你自己的 APP、网站里，做自己的产品，那就用！虽然要写点代码，但是能完全定制你自己的界面和功能。这就

本文用通俗易懂的方式介绍了大模型强化学习（RLHF）的核心概念和发展历程。从基础强化学习原理讲起，类比游戏中的智能体学习过程，解释了大模型中RLHF如何让AI学会符合人类偏好的回答方式。文章详细分析了传统PPO算法及其四个关键组件（演员模型、参考模型、奖励模型、评论家模型）的作用，并介绍了为降低训练成本而发展出的各种优化算法：ReMax/GRPO通过去除评论家模型减少到3个组件，DPO系列算法采用

《医疗问诊AI大模型从0到1实战手册》是一本面向AI开发者的实践指南，重点介绍如何从零开始构建医疗领域的对话系统。手册采用"预训练+微调"模式，基于GPT2等基础模型，通过医疗数据训练实现专业医疗问答功能。内容涵盖大模型核心概念（预训练、微调、归一化等）、开发流程详解、代码实现解析，并特别优化了在消费级显卡（如GTX 1650）上的训练方案。手册强调理论与实践结合，适合不同基础

这篇文章是一篇面向AI新手的实战教程，重点介绍了如何通过小样本学习和高效微调技术解决大模型训练中的三大痛点：高昂的标注成本、显存不足和入门门槛高。文章首先对比了传统全量微调与小样本方法的成本差异，强调只需63条标注数据就能达到90%以上的准确率。然后详细讲解了三种核心技术：BERT+PET（硬模板Prompt）、BERT+Prompt-Tuning（软模板Prompt）和ChatGLM+LoRA（

本文是一篇面向零基础读者的AI大模型与AIGC入门指南。文章首先解释了AIGC（AI生成内容）的概念及其应用场景，包括内容孪生、内容编辑和内容生成三大类，涵盖文本、图像、音频、视频等多种形式。随后分析了AIGC产业的三层结构：基础层（大厂研发大模型）、中间层（行业专用模型）和应用层（面向用户的产品）。接着重点介绍了当前最热门的AI绘画技术，梳理了从VAE、GAN到Diffusion Model三代

本文是一篇面向AI新手的保姆级大模型开发教程，详细介绍了从模型训练到智能体开发的全流程。文章选择通义千问(Qwen)作为基础模型，重点讲解了数据准备、LoRA+DeepSpeed微调、GPTQ量化、vLLM部署等关键技术环节，并展示了如何开发文本摘要工具和智能导游应用。教程特别强调了对硬件要求低的优化方案，如7B模型量化后仅需6G显存，使普通开发者也能完成大模型开发全流程。文章还对比了Qwen各代

│││ 🏎️ 深度学习 (DL)│││。│││ “V12发动机的跑车” —— ML的高级版│││。││🚗 机器学习 (ML)││。││“用汽油驱动的车” —— AI的一种实现方式 ││。🔹 强化学习 —— “训狗式学习” 🐕习 —— “训狗式学习” 🐕。│“能自己动的交通工具” —— 最宽泛的概念│。你给小朋友看 100 张猫的照片，说 “这些都是猫”

过去两周，我陷入了一种“调包侠”的焦虑：代码能跑通，准确率也不错，但一旦被问到“为什么XGBoost比随机森林快？”“为什么网格搜索后准确率反而下降了？”，我就哑口无言。直到上周组会，导师的一句话点醒了我：“机器学习不是调API的艺术，而是理解数据流动和算法逻辑的修行。于是，我花了整整一周，重新梳理了最近学习的代码和案例——从线性回归、决策树，到随机森林、GBDT、XGBoost、AdaBoost

就像导师在组会上敲黑板强调的一样：“不要盲目追求前沿的高大上模型，选对合适的架构比堆叠黑盒强得多”。传统的线性回归在某些特征单纯的数据上，甚至能把复杂的神经网络秒杀。现阶段，我会听从老师的建议暂缓 NLP，先把神经网络的前向/反向传播、链式求导、激活函数（比如 ReLU 如何用非0即1解决 Sigmoid 的梯度消失）等底层数学原理手动推导一遍。底子厚了，以后再去冲时间序列和前沿的 Transfo