关键是，Cline除了能接入chatgpt、claude等主流的大模型API，还支持最近爆火的deepseek，写起来代码来那叫一个酣畅淋漓。安装好后，便可以直接使用Cline，选择你想用的大模型API，比如deepseek，然后填入key密钥即可。首先，你需要有VsCode软件，并配置好了相应编程环境，比如我用的Python。接下来，在VsCode插件库中搜索Cline，直接下载和安装。key获

toc]

例如，您可能想从文本中提取信息，如文本中提到的人员列表， 或将自由格式的产品评论转换为结构化形式，包含 String productName、Sentiment sentiment、List claimedProblems 等字段。以这种方式使用 ChatMemory 时，重要的是要清除不再需要的对话记忆，以避免内存泄漏。如果您想从 LLM 接收结构化输出（例如，复杂的 Java 对象，而不是 S

智能体（Agent）与环境（Environment）强化学习中两个实体的交互：状态空间S：S即为State，指环境中所有可能状态的集合动作空间A：A即为Action，指智能体所有可能动作的集合奖励R**：** R即为Reward，指智能体在环境的某一状态下所获得的奖励。以上图为例，智能体与环境的交互过程如下：在t时刻，环境的状态为StS_{t}St​，达到这一状态所获得的奖励为RtR_{t}Rt​

根据前面的实验我们知道，如果在tokens数量一定的数据集上做多epochs的模型训练，会影响模型的性能，降低模型的效果。这在预训练和下游任务都会产生影响。但是，随着模型的发展，高质量数据集的tokens数将很快用完。而采用正则技术虽然会影响模型训练效率，但是会降低这种影响。

在大模型时代，高质量数据正在成为越来越重要的一部分，然而通过人工的标注的方式获取数据的成本太高，并且真实世界的数据正迅速耗尽，于是就有了使用AI来合成数据的方法，下面我们来介绍如何使用CAMEL帮助我们合成SFT数据。CAMEL 和 Unsloth 是一对出色的搭档。在此章节中，我们将两者结合起来，以训练模型精通页面上的内容。您将学习如何使用 CAMEL 进行数据生成、如何训练以及如何运行模型。以

三种预训练框架各有利弊，没有一种框架在以下三种领域的表现最佳：自然语言理解（NLU）、无条件生成以及条件生成。T5曾经尝试使用MTL的方式统一上述框架，然而自编码和自回归目标天然存在差异，简单的融合自然无法继承各个框架的优点。在这个天下三分的僵持局面下，GLM诞生了。。

在这里，我们提供金融领域LLM训练和微调的完整渠道。FinGPT v3 系列是在新闻和微博情绪分析数据集上使用 LoRA 方法进行微调的LLM，在大多数金融情绪分析数据集上取得了最佳分数。用 ChatGLM 和 LoRA 在中国金融市场训练我们自己的 FinGPT。FinGPT v3.1 使用 chatglm2-6B 作为基础模型；FinGPT v3.2 使用 llama2-7b 作为基础模型.用

这是一个非常强大的功能。在这个简单的例子中，我们给了 LLM 基本的数学工具， 但想象一下，如果我们给它提供了例如 googleSearch 和 sendEmail 工具， 以及一个查询，如"我的朋友想知道 AI 领域的最新消息。作为开发者，我们应该使用提供的参数执行这个工具，并将工具执行的结果反馈回来。当 LLM 决定调用工具时，AI 服务将自动执行相应的方法， 并将方法的返回值（如果有）发送回

和消息的实际内容。如果你想更改此行为，有一个名为 dev.langchain4j.mcp.client.logging.McpLogMessageHandler 的接口，它作为接收日志消息的回调。要获取服务器上的 MCP 资源 列表，使用 client.listResources()，或者在资源模板的情况下使用 client.listResourceTemplates()。我们的想法是构建一个 J