本文介绍了基于Qwen3-0.6B模型的LoRA微调方法，适用于意图识别、文本分类等任务。采用Alpaca数据格式和PEFT框架，提供从数据准备到模型部署的完整流程。主要内容包括：1)Alpaca格式数据转换；2)LoRA微调训练参数配置；3)权重合并方法；4)可选RK3588边缘设备部署方案。该方法支持在单卡24GB显存的GPU上完成训练，通过低秩适配实现高效微调，最终可输出兼容HuggingF

LangChain是一个强大的框架，用于构建基于大型语言模型（LLM）的应用程序。它提供模块化设计、链式调用、上下文记忆等功能，支持与多种数据源和工具的集成。核心组件包括模型封装、提示模板、任务链、智能代理等，适用于智能对话、知识问答、自动化任务等多种场景。LangChain简化了LLM应用的开发流程，提高了开发效率和系统灵活性。

本文介绍了Milvus向量数据库的可视化管理工具Attu的两种安装方式：通过Docker容器启动（运行指定命令并设置相关参数）或下载桌面版程序安装。同时说明从Milvus v2.5.0版本开始内置的WebUI工具，可通过浏览器访问9091端口查看数据库详情、管理任务等。Attu作为开源工具，为Milvus提供了便捷的图形化管理界面，支持对集合、索引等核心功能的高效操作。

LLaMA-Factory是一个整合主流高效训练微调技术的开源框架，旨在降低大模型微调门槛。该项目提供多阶段训练、推理测试、评测和API服务等模块化功能.

本文介绍了基于Qwen3-0.6B模型的LoRA微调方法，适用于意图识别、文本分类等任务。采用Alpaca数据格式和PEFT框架，提供从数据准备到模型部署的完整流程。主要内容包括：1)Alpaca格式数据转换；2)LoRA微调训练参数配置；3)权重合并方法；4)可选RK3588边缘设备部署方案。该方法支持在单卡24GB显存的GPU上完成训练，通过低秩适配实现高效微调，最终可输出兼容HuggingF

实现了一个完整的时间序列分析工具，结合了深度学习(LSTM)和统计分析方法，可用于异常检测和趋势比较。

这是一个基于知识图谱增强的RAG（检索增强生成）系统，专门针对技术文档（特别是电力、变电站等工程领域）的知识管理和智能问答。该系统结合了知识图谱构建、向量数据库存储、向量检索、混合搜索和重排序等多种技术。

本文介绍了一个面向电力领域的问答数据集生成工具，通过OpenAI API将电力技术文本自动转化为结构化QA对。该工具采用批处理架构，包含文本分块、LLM生成、规则过滤、领域后处理等模块，支持电压等级提取、技术参数标记等电力专属功能。

本文介绍了Ollama服务的端口查看与修改方法。默认情况下，Ollama监听11434端口，可通过netstat或ss命令确认。修改端口需编辑/etc/systemd/system/ollama.service文件，在[Service]部分添加OLLAMA_HOST环境变量（如0.0.0.0:11435）。修改后需重启服务并验证新端口是否生效。

本文介绍了如何为聊天机器人添加记忆功能，使其能够记住对话历史。通过使用LangGraph的MemorySaver类，实现了状态的保存和恢复。