
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
RNN学名叫循环神经网络,有的小伙伴就要问了,哎,雷欧,这啥东西啊。其实,你不需要知道他是啥东西,你只需要知道它是干啥的,它是顺序的处理一句话的,比如他喜欢学习,这句话使用RNN就需要先处理他,处理完才能处理喜欢,最后处理学习,必须按照顺序一个一个的处理。咱都是搞开发的,顺序执行往往就和效率挂钩,而且,针对大模型来说,我要是有1万个他喜欢学习,你能保证当他处理到第500个他喜欢学习的时候,前面的信
昨天我们学习了Transform的简单架构,以及对他进行了一个简单的总结。今天,我们学点啥呢?今天学的是LLM的通用能力,通过今天的学习,我们能够清除的直到LLM中的一些简单的概念,接下来。让雷欧带着大家进入知识的海洋吧!!
GPT系列:行业标杆,综合最强,但贵且国内使用受限文心一言:百度生态加持,中文搜索增强,本土化做得最好的闭源模型Qwen:中文开源最强,470B追平GPT-5,生态完善Llama:全球开源领袖,衍生模型最多,国际化项目首选GLM:清华学术背景,性价比高,API服务稳定2026年的今天,大模型已经从“技术奇迹”变成了“基础设施”。就像十年前的云计算、五年前的移动互联网一样,AI正在悄然改变我们工作的
你有没有过这种经历?你给AI发了一段话,期待它给你一个惊艳的回复,结果它给了你一段“说了等于没说”的车轱辘话。你心里暗暗骂了一句“人工智障”,然后开始怀疑人生。别急着怪AI。很大概率问题出在你自己身上——你的 Prompt 写得不够好。提示词工程(Prompt Engineering),就是研究如何“好好说话”的一门学问。它看起来简单,不就是打字吗?但实际上,它可能是这个年代最重要的新技能之一——
不直接让大模型 “瞎编”,而是先从外部知识库检索相关信息,把信息作为上下文喂给大模型,再让模型基于检索结果生成回答。解决痛点:大模型训练数据截止、私有数据不可访问、回答易出现事实错误(幻觉)低成本、可追溯、易更新、安全可控(无需微调大模型,知识更新只需维护向量库)RAG 不是单一技术,而是 **“数据处理 + 分块 + Embedding + 向量库 + 大模型”** 的完整技术栈,RAG 已成为
Agent开发 = LLM(大脑) + 核心组件(记忆、编排器、工具等) + 开发工具(框架、数据库) + 优化技术(RAG、LoRA等),最终目标是打造一个“能自主感知、自主规划、自主行动、自主优化”的可落地智能系统。不用死记硬背每个名词的定义,只要记住:基础名词帮你明确开发目标(Agent、LLM),架构组件帮你搭建Agent的“身体”(Memory、Tools等),开发工具帮你提升效率(La
RAG全称Retrieval-Augmented Generation,即检索增强生成,是一种结合「外部知识库检索」和「大模型生成」的技术方案。其核心逻辑是:当用户发起提问时,先通过检索模块从预设的外部知识库中,筛选出与问题最相关的上下文信息,再将这些信息与用户问题一起输入大模型,让大模型基于检索到的真实、精准信息生成回答,而非仅依赖大模型自身的训练数据。它核心解决了大模型的三大痛点:一是知识过时
AI Agent的核心竞争力,不在于“能说会道”,而在于“能干活”——而Skill,正是让Agent“能干活”的核心抓手。本文从本质、分类、设计原则、实战落地、行业应用等多个维度,拆解了Agent中Skill的核心知识,核心总结如下:1. 本质:Skill是“可复用、可调用、有明确输入输出的具体操作逻辑”,是Agent的“手脚”,负责执行具体任务;2. 分类:核心分为工具调用类、内容生成类、逻辑处
在Agent开发中,MCP的核心价值的是“打通连接”——它让Agent从“只能思考”的大模型,变成“能行动”的智能体,是Agent落地的核心基础设施。无论是个人助理、编程助手,还是企业级客服、智能运维Agent,只要需要对接外部工具和数据,就离不开MCP。回顾本文核心要点:MCP是Agent与外部世界的标准化连接桥梁,解决“能不能连接工具”的问题,与Skills、Agent形成“调度-执行-能力”
OpenClaw通过TypeScript接口,定义了所有扩展模块的标准规范,确保插件与核心框架的兼容性。/** 技能接口:所有自定义技能必须实现此接口 */id: string;// 技能唯一标识// 技能名称// 技能描述// 执行方法// 技能所需权限(如文件读写、网络访问)/** 模型提供商接口:统一不同模型的调用规范 */id: string;// 支持的模型列表// 生成方法// 嵌入向







