定期总结学习成果，撰写博客、发表文章或分享经验，不仅可以加深对知识的理解，还能提升个人的行业影响力。通过不断输出高质量的内容，你可以在AI领域建立起自己的品牌，吸引更多机会。

并要求简单介绍了一下实习经历，因为我的实习经历大多是to c的，所以他也没太自习挖掘实习经历，问的比较多的是如何处理后台数据，在实习中学到了什么。然后就问了一些基本问题，

无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。在 RAG 任务中，传统的检索方式

从“玄铁”到“王者”，每个段位都对应了大模型用户能力的显著跃迁。对于科技行业的用户而言，掌握从Prompt优化到复杂工作流设计，再到模型微调的技能，不仅是提升工作效率的关键，更是拓展职业发展的核心能力。未来，大模型的潜力远不止文案创作或数据分析。作为AI科技的用户，我们需要不断攀登段位，不断发掘技术的更多可能性。

LangChain Agents 就像是一个智能助手团队，可以帮你把大型语言模型变成能自动完成复杂任务的工作流程。2. 工作流程2. 自定义工具3. 记忆功能2. 集成外部APILangChain Agents库是构建智能工作流的强大工具，可以帮你：掌握了这套框架，你就能构建真正实用的AI应用了！跟传统脚本比起来简直是降维打击，我熬夜写这篇文章就是希望你少走弯路。快去试试吧！大模型时代，火爆出圈的

自从2022年11月30日Gatchap发布，AI如同一股强劲的浪潮，带着危机席卷了各行各业，不仅重塑了商业模式和工作流程，更是颠覆了传统就业思维，同时带来了前所未有的就业新机遇。麦肯锡全球研究院发布的《工作的新未来》报告显示：“在2030年至2060年间，将会有50%的现有职业被AI取代。”算一下就5年时间了，取中是2045年，也只是20年后。AI市场规模持续扩大是必然趋势，这直接带动了AI人才

框架名称核心特点优势劣势/局限适用场景UltraRAG动态记忆管理、多模态支持、自适应优化（DDR）、端到端训练支持- 支持多模态数据（文本、图像、空间数据） - 动态更新知识库，响应实时性强 - 性能优化（如DDR策略） - 开源灵活- 需较高计算资源（GPU） - 配置复杂度较高复杂问答、多模态分析、企业知识库（如医疗、金融）中文友好、可视化界面、流式输出、支持离线部署- 中文场景优化 - 开

在开始之前，我还是打算再次简要的介绍一下 RAG。在 Meta 的官方 Blog 上有这样一段话：这段话主要讲述了一个新的模型架构，也就是RAG (检索增强生成)的重要性和优势。\1. 构建一个能够进行研究和上下文分析的模型虽然更具挑战性，但对未来的技术进步非常关键；\2. 通过在知识密集的下游任务上微调，RAG 可以实现最先进的结果，比现有的最大的预训练序列到序列语言模型还要好；\3. 与传统的

由于LLM参数量都是在亿级以上，少则数十亿，多则数千亿。当我们想在用特定领域的数据微调模型时，如果想要full-tuning所有模型参数，看着是不太实际，一来需要相当多的硬件设备（GPU），二来需要相当长的训练时间。因此，我们可以选择一条捷径，不需要微调LLM的全量参数，而只需要新增少量的参数，通过固定原始模型参数，而只需要微调新增的少量参数，从而达到接近使用全参数full-tuning的效果。本

使用 llama-factory 工具可以对 AI 语言模型 (LLM) 进行微调 (LoRA SFT), 只需准备数据集即可.可以看到, AI 具有一定的泛化能力, 也就是训练数据集中没有的问题, 模型也可以给出比较合理的回答.此处使用的丹炉不好, 炼不了上品仙丹, 只能用个小模型意思意思. 但原理和操作步骤都是一样的, 只要换上更好的硬件, 准备更多数据, 就能炼制更好更大的仙丹啦 ~AI 并