1. 这篇文章我们介绍了Agent这个热门的概念，以及它是如何依托LLM的function call来实现的2. 接着，再展示了借助LangChain的封装来简化这个开发过程，3. 并且还介绍了另外一种不依赖function call的Agent实现。

TensorFlow Serving简单来说就是一个适合在生产环境中对tensorflow深度学习模型进行部署，然后可以非常方便地通过restful形式的接口进行访问。除此之外，它拥有许多有点：支持配置文件的定期轮询更新（periodically poll for updated），无需重新启动；优秀的模型版本控制；支持并发；支持批处理；基于docker，部署简单。（这些优点我们在下面会逐一提到）

参考《Distilling the Knowledge in a Neural Network》Hinton等蒸馏的作用首先，什么是蒸馏，可以做什么？正常来说，越复杂的深度学习网络，例如大名鼎鼎的BERT，其拟合效果越好，但伴随着推理（预测）速度越慢。此时，模型蒸馏酒派上用场了，其目的就是为了在尽量减少模型精度的损失的前提下，大大的提升模型的推理速度。实现方法其实，模型蒸馏的思想很简单。第一步，训

搜广推系统一般包括召回和排序，ctr预估一般应用于排序阶段。而像推荐系统，一个鲜明的特点就是数据极特别稀疏。下面，我们会持续学习那些针对稀疏数据的ctr任务而提出的模型，这篇文章则主要是关于FM系列

Wide&Deep，即同时加入低阶特征组合交互的线性模型-Wide、高阶特征交叉的深度模型（Deep），Wide部分模型提供模型的记忆能力，而Deep部分提供模型的泛化能力。这是Wide&Deep系列模型很重要的一个点。

参考《Distilling the Knowledge in a Neural Network》Hinton等蒸馏的作用首先，什么是蒸馏，可以做什么？正常来说，越复杂的深度学习网络，例如大名鼎鼎的BERT，其拟合效果越好，但伴随着推理（预测）速度越慢。此时，模型蒸馏酒派上用场了，其目的就是为了在尽量减少模型精度的损失的前提下，大大的提升模型的推理速度。实现方法其实，模型蒸馏的思想很简单。第一步，训

1. 论文指出了推荐召回模型中单个用户兴趣向量的弊端，提出一种可以提取多个用户兴趣向量的模型ComiRec，包括两种多兴趣提取模块：**Dynamic Routing**和**Self-Attentive Method**，对应的模型分别为ComiRec-DR和ComiRec-SA；2. 提出一种新的对用户多个兴趣向量召回结果的聚合方法（Aggregation Module），指出推荐系统可控性的

参考《Distilling the Knowledge in a Neural Network》Hinton等蒸馏的作用首先，什么是蒸馏，可以做什么？正常来说，越复杂的深度学习网络，例如大名鼎鼎的BERT，其拟合效果越好，但伴随着推理（预测）速度越慢。此时，模型蒸馏酒派上用场了，其目的就是为了在尽量减少模型精度的损失的前提下，大大的提升模型的推理速度。实现方法其实，模型蒸馏的思想很简单。第一步，训

原理batch_normalization一般是用在进入网络之前，它的作用是可以将每层网络的输入的数据分布变成正态分布，有利于网络的稳定性，加快收敛。具体的公式如下：γ(x−μ)σ2+ϵ+β\frac{\gamma(x-\mu)}{\sqrt{\sigma^2+\epsilon}}+\betaσ2+ϵ​γ(x−μ)​+β其中γ\gammaγ和β\betaβ是决定最终的正态分布，分别影响了方差和均值

TensorFlow Serving简单来说就是一个适合在生产环境中对tensorflow深度学习模型进行部署，然后可以非常方便地通过restful形式的接口进行访问。除此之外，它拥有许多有点：支持配置文件的定期轮询更新（periodically poll for updated），无需重新启动；优秀的模型版本控制；支持并发；支持批处理；基于docker，部署简单。（这些优点我们在下面会逐一提到）