本文系统解析了大模型开发中的四个核心概念：FunctionCall（原子执行单元）、Tools（可调用功能集合）、MCP（统一调用协议）和Skill（业务能力封装）。文章通过定义解析、特点对比和实际案例，阐明四者的层级关系与适用场景：FunctionCall实现底层操作，Tools整合相关功能，MCP标准化调用流程，Skill封装完整业务。强调四者应协同使用而非互相替代，并指出常见误区。开发时应根

本文介绍了如何使用阿里ModelScope平台和LLaMAFactory框架微调大语言模型Qwen3-4B。主要内容包括：1）在ModelScope免费实例中配置环境；2）准备包含身份信息和问答的中英文数据集；3）配置训练参数（如学习率、训练轮数等）；4）下载Qwen3-4B模型并进行LoRA微调；5）测试微调后模型效果；6）将微调权重合并到基础模型中。整个流程耗时约15分钟，最终模型能准确回答关

本文介绍了微调后大模型的部署方法：1. 使用llama.cpp将HF格式模型转换为GGUF格式；2. 通过llama.app以CLI或Server模式部署模型；3. 尝试ollama部署遇到Qwen3模型不兼容问题；4. 演示了将GGUF模型上传至ModelScope平台并下载的完整流程。文章提供了从模型转换到实际部署的具体操作指南，重点介绍了llama.cpp工具链的使用方法。

【摘要】本文系统梳理了大模型领域的100个核心术语，基于B站视频《一小时从函数到Transformer》P7章节内容整理。词汇表严格遵循视频讲解顺序，涵盖基础理论（函数、符号主义/连接主义）、技术架构（Transformer、RLHF）、模型类型（GPT、Llama）、应用生态（RAG、智能体）及开发工具（Pytorch、CUDA）等全维度知识。每个词条均附原视频释义，如"涌现&quot

本文对比分析了大模型训练、微调和RAG三大技术的核心差异与应用场景。训练从零构建通用大模型，成本高周期长；微调通过参数优化适配特定领域，需标注数据；RAG通过外部知识库增强生成，灵活可追溯。当前主流采用"轻微调+RAG"混合架构，兼顾领域适配性和知识实时更新。建议企业根据资源与需求选择技术路径，优先考虑RAG和轻量微调，结合模型量化实现高效部署。三大技术互补共生，混合应用可最大

Ollama+DeepSeek+AnythingLLM 搭建本地智能体