BEIR(A Heterogeneous Benchmark for Zero-shot Evaluation of Information Retrieval Models)文本检索任务的基准，使用`18 个数据集`为检索系统的零样本评估提出了一个标准化基准， BEIR 基准上在`9个不同领域的检索任务`评估 `10 种不同的检索方法`。

## 一、背景信息：GPT3是于2020 年由OpenAI 发布的预训练语言模型。GPT3在自然语言处理（NLP）任务中表现出色，可以生成连贯的文本、回答问题、进行对话等。GPT3的网络架构继续沿用GPT1、GPT2的是多层Transformer Decoder改的结构。GPT3出自Language Models are Few-Shot Learners，语言模型是Few-Shot学习者。

GPT是2018 年 6 月由OpenAI 提出的预训练语言模型。GPT可以应用于复杂的NLP任务中，例如文章生成，代码生成，机器翻译，问答对话等。GPT也采用两阶段的训练过程，第一阶段是无监督的方式来预训练生成式的语言模型，第二阶段根据特定任务进行微调。GPT的网络架构使用的是多层Transformer Decoder改的结构。

SkillsMiddleware的核心作用是：从一个或多个 skill 源里加载 SKILL.md 的元数据，把“有哪些 skill、它们做什么、去哪里读完整说明” 注入到 system prompt，让 agent 按 “ 渐进式披露（progressive disclosure）” 的方式按需使用技能，而不是一开始把所有 skill 全文塞进上下文。

DeepAgents是一个基于LangGraph和LangChain构建的高级Agent框架，专注于构建复杂的多代理系统。它提供了开箱即用的能力，包括多步骤任务规划、工具并行调用、子代理委派与隔离执行等核心功能。框架通过封装底层复杂性，降低了开发自主Agent系统的门槛。 文章通过示例展示了DeepAgents的基本使用方式： 定义工具（如天气查询工具） 创建主代理并配置模型、工具和系统提示 运行

PDF解析能够提升大语言模型系统的信息处理能力和应用范围，为用户提供更加便捷、高效、个性化的服务体验。本文介绍三种常用的pdf解析方式：`Open Parse`、`pdfplumber`、`PyMuPD`。

对比学习 是一种特殊的`无监督学习方法`。旨在通过`拉近相关样本的距离`并且`推远不相关样本的距离`，来学习`数据表示`。通常使用一种高自由度、自定义的规则来`生成正负样本`。在模型预训练中有着广泛的应用。

1. MRR （Mean Reciprocal Rank）平均倒数排名2. AP（Average Precision）平均精度3. MAP（Mean Average Precision）平均准确率等检索评估指标

RetroMAE是2022年10月由北邮和华为提出的一种密集检索预训练策略。RetroMAE主要应用于检索模型的预训练，模型架构为非对称的Encoder-Decode结构。

MTEB（Massive Text Embedding Benchmark）涵盖112种语言的58个数据集，包含如下`8种任务`。