Agent Skills的核心底座确实就是一个存放prompt的md文件，里面的name/description相当于这份文件的唯一标识，LLM通过判别用户输入和description的匹配度，实现skill文件定位和调用。在此之上，我们还可以添加各类附属脚本和资源文件，让它能调用脚本，变成更加复杂的可执行的自动化工具

小白一句话RAG就是给大模型外挂一个知识库。大模型的三大硬伤幻觉：爱编故事，有些东西他明明不知道，却能编得像真的一样知识截止：模型在训练完成后参数锁定，每次重新训练都要消耗数周甚至数月的时间，该期间产生的新知识新事件无法获得无法访问私有数据：世界上存在大量私有数据：你们公司的内部文档、产品手册，你家的家规族谱，他从来没看过核心思想：把大模型从"闭卷考试"变成"开卷考试"，通过引入外部数据来解决这些

团队里的人各自写工具，有人用 REST，有人用 gRPC，有人直接读本地文件。识别部分写好了，但在最后集成的时，发现接口格式五花八门，有的小伙伴是用的json返回的，有的是xml，怎么办？返回：{"content": [{"type": "text", "text": "{\"temp\": 25, \"condition\": \"晴\"}"}]}⚠️好不容易把这套代码上线了，这时候有个新工具需

Agent Skills的核心底座确实就是一个存放prompt的md文件，里面的name/description相当于这份文件的唯一标识，LLM通过判别用户输入和description的匹配度，实现skill文件定位和调用。在此之上，我们还可以添加各类附属脚本和资源文件，让它能调用脚本，变成更加复杂的可执行的自动化工具

LLM之所以厉害，不仅仅在于他的聊天技能，更在于将他与传统IT工具结合后形成的Agent，可以帮我们解决很多实际问题、实现业务价值

对话是大语言模型有且唯一的输入x，在F训练完成无法改变的情况下， 输入x的质量直接决定了输出y的质量

而对于绝大多数的中小型企业和数字个体，我们能做的，也是主要发力点，就是学会利用各类增强技术去赋能大模型这个强力底座，实现业务应用，创造业务价值。

模型的本质其实就是一个“数学公式”: y=F(x)，数据通过某种算法训练得到的公式就是模型。

顾名思义，是对大语言模型进行细微调整以使其符合特定场景的应用。大模型虽然很强大，但是它在实时性/灵活性/特定领域专业性上还是有所欠缺，一旦训练完成不可更改。他就像是个万金油，啥都会一点，但是啥都不精通。普通大众或是一些小微企业为了满足特定场景需求，是无法承担训练这样一个模型的巨大成本的。大模型微调，就像给原本的llm叠了一个小buff，使其拥有特定技能，也让我们能以极低的成本解决问题。当然是调参数

最近学习了一下推荐系统，把自己的所得分享出来。本人才疏学浅，如有不对的地方，还望指正～1.系统架构推荐系统的目的只有一个：把用户可能感兴趣的产品推荐给他们。推荐系统可以说是AI落地最成功的一个领域，它和我们的日常生活相关，我们每天刷短视频，新闻，逛pdd淘宝都会与他打交道。推荐系统是一个极具综合性的系统，涉及前端、后端、大数据、算法、机器学习等等技术，它没有固定的格式，针对不同的场景可以有灵活的搭