当前网站架构可以概括为：浏览器→ 公网 IP / 域名→ Nginx→ Docker 容器→ FastAPI 项目→ 知识库 / 模型 API当前项目的发布策略为：本地修改代码→ 本地构建镜像→ 本地导出镜像→ 上传到服务器→ 服务器导入镜像→ 删除旧容器→ 启动新容器这是一种适合当前网络环境的稳定发布方式。

这三个文件是 LLaMA-Factory 工作流中最核心的“三驾马车”。它们分别对应了大模型微调项目的三个关键阶段：训练、体验和部署。简单来说，这是一个从“教模型”到“考模型”再到“带模型出门”的完整闭环。对应命令核心作用“教模型”。这是整个流程的起点。这个文件定义了怎么学。关键配置### model​### methodstage: sft​​### output​### trainbf16:

我们提供了多样化的大模型微调示例脚本。请确保在目录下执行下述命令。

智慧课堂AI教学评价系统 - 负责视频转文本和课堂话语功能分析两个核心模块Python 3.xpandas (数据处理)matplotlib (可视化)

检索增强生成（Retrieval-Augmented Generation，RAG）将大型语言模型的强大功能与外部知识检索相结合，从而生成更准确、更贴近事实、更符合语境的响应。使用 LLM 回答用户查询，但答案基于从知识库检索到的信息。是一种新兴的 AI 范式，其中大型语言模型（LLM）自主规划下一步行动，同时从外部资源提取信息。与静态的"先检索后阅读"模式不同，Agentic RAG 的核心特征

随着 LLaMA、Qwen 等开源大模型普及，全参数微调因显存占用高、易破坏预训练知识、成本高昂逐渐被淘汰，参数高效微调（PEFT）成为工业界落地的主流方案。本文面向熟悉 Transformer Decoder-only 网络结构的技术开发者，深入拆解主流 PEFT 方法的核心原理，精准到模块插入位置，同时梳理常用开源微调框架，帮你快速掌握大模型微调的核心技术。大模型 PEFT 微调的本质，就是在

LlamaFactory 是一个开源的大语言模型（LLM）微调框架，主要特点：1、核心功能：- 统一微调平台：支持 100+ 种大模型（LLaMA、Qwen、Mistral、ChatGLM 等）- 多种训练方法：全参数微调、LoRA、QLoRA、DoRA 等- 多任务支持：预训练、指令微调（SFT）、奖励模型训练、RLHF、DPO 等2、主要优势：- 易用性高：提供 Web UI（LlamaBoa

LangGraph是LangChain团队开源的一款底层编排框架，专为构建基于大语言模型（LLM）的复杂、有状态、多主体应用而设计。它通过图结构（Graph）建模工作流，相比传统线性工作流，具备更强的灵活性和控制能力，尤其适合需要循环推理、状态管理和多主体协作的场景（如智能代理、多步骤任务处理）。核心定位：以图结构为核心，简化复杂AI工作流的构建、部署与管理，支持LLM与外部工具的无缝集成。自定义

在教育数字化转型的背景下，课堂师生话语分析是评价教学质量、优化课堂互动的核心手段。传统人工编码标注效率低、主观性强，难以规模化应用。本文基于Python + 大模型 API，实现一套可落地的智慧课堂话语自动分类与量化分析系统。系统支持从 CSV 对话数据导入、话语智能分类、统计分析到标准化报告输出的全流程自动化，完美适配教育评测、智慧课堂产品的后端需求。大模型输出不规范：通过强约束 Prompt

我整理了春招最常考的机器学习、深度学习面试题，剔除冗余理论，聚焦原理理解、工程实践、对比差异、调优思路，覆盖 KNN、LR、树模型、集成学习、SVM、聚类、PCA，以及 MLP、CNN、RNN/LSTM、Transformer/BERT 全考点，助力快速通关技术面。基础必牢：算法原理、损失函数、核心公式、结构差异是必考点。工程导向：面试官更关注调参、优化、落地场景、问题排查。对比思维：同类算法 /