本文系统介绍了大模型开发的核心流程与关键技术，帮助开发者快速入门。内容涵盖：1）大模型基础概念，包括参数规模、开源与闭源模型对比及选型建议；2）开发五步法（预训练、指令微调、对齐、量化、部署），重点讲解LoRA等实用技术；3）数据准备策略，强调质量优先原则，提供数据格式、来源及多样性建议。文章通过通俗类比（如"装修房子"解释LoRA）降低理解门槛，为不同技术基础的读者提供从理论

本文介绍了2023年AI Agent领域的两个代表性工作——HuggingGPT和RestGPT，它们解决了大语言模型(LLM)无法直接执行具体任务的问题。HuggingGPT通过让LLM作为"调度中心"，调用HuggingFace平台上的专业AI模型来完成多模态任务；RestGPT则专注于让LLM学会调用现实世界的RESTful API，实现真实应用的操作。两者都基于&quo

摘要： 本文通过手动实现与LangChain框架对比，解析AI Agent的核心原理。手动实现需处理工具调用、多轮对话等逻辑，而LangChain将其抽象为create_tool_calling_agent（配置阶段）和AgentExecutor（执行阶段）。前者自动生成工具描述并整合Prompt，后者通过循环驱动多轮交互，利用agent_scratchpad记录中间步骤。框架封装了通用流程，开发

本文介绍了2023年AI Agent领域的两个代表性工作——HuggingGPT和RestGPT，它们解决了大语言模型(LLM)无法直接执行具体任务的问题。HuggingGPT通过让LLM作为"调度中心"，调用HuggingFace平台上的专业AI模型来完成多模态任务；RestGPT则专注于让LLM学会调用现实世界的RESTful API，实现真实应用的操作。两者都基于&quo

❌ LangChain 0.x 的写法（1.0 已移除）但升级到后，这些函数被移除了！官方建议开发者根据具体需求自定义实现。"""表示计划中的单个步骤"""id: int = Field(..., description="步骤的 ID")description: str = Field(..., description="步骤的描述")

摘要： 本文通过手动实现与LangChain框架对比，解析AI Agent的核心原理。手动实现需处理工具调用、多轮对话等逻辑，而LangChain将其抽象为create_tool_calling_agent（配置阶段）和AgentExecutor（执行阶段）。前者自动生成工具描述并整合Prompt，后者通过循环驱动多轮交互，利用agent_scratchpad记录中间步骤。框架封装了通用流程，开发

本文解析了Ragas评估系统的四个核心指标：忠实度(Faithfulness)、答案相关性(Answer Relevancy)、上下文精确度(Context Precision)。忠实度检查答案陈述是否源自上下文；答案相关性评估答案是否明确具体；上下文精确度判断单个上下文片段对得出答案的有用程度。通过具体示例展示了各指标的prompt指令、判定标准（0/1二元评估）和实际输出，揭示了评估过程中需注

决策树是一种树形结构的监督学习算法，通过一系列特征问题将数据分类或预测。它由根节点、内部节点、分支和叶子节点组成。算法通过计算信息增益或基尼系数选择最佳分裂特征，最大化分类效果。主流算法包括ID3、C4.5、CART和CHAID，其中CART最常用。为防止过拟合，决策树采用预剪枝（限制深度/样本数）和后剪枝（代价复杂度剪枝）技术。基尼系数计算更快，而信息熵对纯度变化更敏感，实际效果相近。决策树直观