昨天的文章已经提到，昇腾超大规模MoE模型推理部署技术在本周会有持续的技术披露，果然第二天的技术报告又如期而至了。要问最近哪个模型最火，（MoE，Mixture of Experts）绝对是榜上提名的那一个。它的巧妙之处，就在于把不同的任务分配给擅长处理的，让整个系统性能得以提升。但你知道吗？正是这个关键的专家网络，也是严重影响系统推理性能的因素之一。因为在大量任务来临之际（尤其是超大规模时），M

训练 loss 突然跳高但又下降。

在开始构建下一个 AI 功能时，我们也许不必要按照每一项都执行。但是，有相对清晰的认识，也是建立品味的过程。只有当见的够多、见过的最佳实践够多，才有可能设计出符合预期、甚至是超出用户预期的产品。

什么是 Skills，就是为大模型提供具体的某种能力，这听上去有点类似与 MCP 的概念，巧了，MCP 也是 Anthropic 提出来的。接着说什么是 Skill，假设我想查询明天的天气，如果只用大模型自己的能力肯定不行，它必须要联网搜索，而联网搜索天气预报这是一个具体且专业的事情，之前用 MCP 可以做到，现在呢，用 Skill 也能做了，这个Skill 的能力就是查天气，可能是一个 Pyth

和V3相比，到底有什么不同？官方说的模模糊糊，就提到了上下文长度拓展至128K和支持多种张量格式，但别急，我们已经，为你奉上更多新鲜信息。我们比较了V3.1和V3，注意到它在编程表现、创意写作、翻译水平、回答语气等方面都出现了不同程度的变化。不过要说最明显的更新，大概是DeepSeek网页端界面的【深度思考(R1)】悄悄变成了【深度思考】。手机端还在慢慢对齐（笑）当前DeepSeek V3.1 B

DeepResearch通常指由人工智能驱动的深度研究助手，能够自主地在网络上进行多步骤的调研，并将搜索到的信息进行分析和综合，最终生成结构完整、内容详实的报告。OpenAI对Deep Research的描述是：“

本文详细介绍了如何利用Dify、RustFS和Milvus搭建文档多语言翻译workflow，实现中文文档一键翻译为英语、日语、俄语和韩语。通过Dify的低代码平台，用户可快速构建基于大模型的翻译系统，使用RustFS作为对象存储后端，Milvus作为向量数据库。文章提供了完整的部署配置、workflow构建步骤和结果验证方法，展示了AI在文档翻译中的高效应用。本文利用 Dify + RustFS

以上作品我使用AI智能体生成，目前专业做网站的智能体，我也调研了，常见的包括Lovable，MiniMax Agent，bolt.new，Skywork.ai，还有最近几天发布的GPT Agent，为了做周杰伦的歌曲网站，使用了这几个工具实验完后，发现MiniMax Agent做出的网站，前后端代码最全，能达到企业级可商用的标准。随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热

对于复杂任务，建议在 prompt 中明确列出大模型应遵循的推理或执行步骤。与其直接要求最终答案，不如将任务分解为有序的思考或操作环节，引导模型分步完成。这种方法可显著提升输出的可靠性和可解释性，并便于定位中间错误。明确性：确保模型清楚每一阶段的目标，减少歧义与遗漏；结构化：步骤化的逻辑顺序增强任务连贯性与条理性；效率提升：拆解为子任务有助于模型更高效、精准地处理；过程可监控：明确步骤便于跟踪执行

我们已经了解了知识图谱的基本概念，以及现在知识图谱发展状况，与前沿AI结合方向。现在就差真正实践构建知识图谱这临门一脚，基本上就会对知识图谱这一产品有更加清晰的认识。那么工欲善其事必先利其器，就像我们对编程语言的掌握程度，更高级的用法和熟练度能更进一步提高我们做出项目产品的质量，在本篇文章将从开发环境部署写到初级知识图谱搭建实践，完成从无到有的知识图谱构建过程。知识图谱有自顶向下和自底向上两种构建