<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Deadwalk的专栏]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Deadwalk</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Deadwalk]]></copyright><item><title><![CDATA[【项目实战】通过多模态+LangGraph实现PPT生成助手]]></title><link>https://blog.csdn.net/Deadwalk/article/details/148547802</link><guid>https://blog.csdn.net/Deadwalk/article/details/148547802</guid><author>Deadwalk</author><pubDate>Tue, 10 Jun 2025 08:29:58 +0800</pubDate><description><![CDATA[PPT自动生成系统是基于LangGraph框架开发的工具，可将Markdown文档智能转换为专业PPT演示文稿。项目开源地址为https://github.com/BJSS-China/ppt_assistant。]]></description><category></category></item><item><title><![CDATA[【学习总结】MCP协议之使用AgentSDK调用MCP-server]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147123112</link><guid>https://blog.csdn.net/Deadwalk/article/details/147123112</guid><author>Deadwalk</author><pubDate>Wed, 23 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[通过OpenAI SDK实现一个简单的Agent示例通过MLfow，可视化查看Agent的运行情况通过OpenAI SDK实现一个可以调用MCP的Agent示例MLflow 是一个开源平台，专为协助机器学习从业者和团队应对机器学习过程中的复杂性而设计。MLflow 关注机器学习项目的整个生命周期，确保每个阶段都易于管理、可追溯且可重现。官网：https://mlflow.org/docs/latest/通过OpenAI的Agent SDK，可以快速实现一个Agent。在Agent SDK。]]></description><category></category></item><item><title><![CDATA[【学习总结】MCP协议之MCP-server(sse方式)实践]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147123075</link><guid>https://blog.csdn.net/Deadwalk/article/details/147123075</guid><author>Deadwalk</author><pubDate>Tue, 22 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[通过对mcp-server的改造，在实例化mcp-server的时候，配置相应的host、port，可以实现sse协议的部署。通过服务部署之后，其他用户可以在支持mcp的客户端中，通过mcp-server的url进行调用。]]></description><category></category></item><item><title><![CDATA[【学习总结】MCP协议之MCP简述]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147123045</link><guid>https://blog.csdn.net/Deadwalk/article/details/147123045</guid><author>Deadwalk</author><pubDate>Mon, 21 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[MCP是一套服务间通信协议，它通过统一的协议，解决了大模型与工具间繁琐的适配通信问题。MCP的构成包括：MCP Host、MCP Client、MCP Server、Local Data Source、Remote Data Source。封装MCP-server-weather服务时，需要在工具函数上添加@mcp.tool()装饰器。通过MCP协议，我们可以封装各种服务提供给Cursor、Cherry-Studio、甚至我们自己开发的Agent使用，从而使得LLM+Agent的功能更加强大。]]></description><category></category></item><item><title><![CDATA[【模型测试】基于OpenCompass实现Agent最为苛刻的基准评测：GAIA]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147122553</link><guid>https://blog.csdn.net/Deadwalk/article/details/147122553</guid><author>Deadwalk</author><pubDate>Fri, 18 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[import ostry:# 因为ModelScope的GAIA数据集读取存在问题，所以从huggingface读取rows = []})]]></description><category></category></item><item><title><![CDATA[【模型测试】基于OpenCompass构建Dify应用的自定义评测体系]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147122477</link><guid>https://blog.csdn.net/Deadwalk/article/details/147122477</guid><author>Deadwalk</author><pubDate>Thu, 17 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[基于OpenCompass的数据集深入研究，我们可以在数据集配置文件中通过配置reader_cfg、eval_cfg等参数，实现数据集的配置，从而实现数据集的样例个数的配置。我们可以根据业务场景的需求，构建自己的评价体系，评价数据集既可以选择开源已有的数据集，也可以创建契合自己业务场景的数据集。通过ai-eval-system的封装，我们可以对Dify平台上的应用进行评测，从而完成agent能力评估。]]></description><category></category></item><item><title><![CDATA[【模型测试】大模型评测工具OpenCompass使用方法总结]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147122356</link><guid>https://blog.csdn.net/Deadwalk/article/details/147122356</guid><author>Deadwalk</author><pubDate>Wed, 16 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[由于使用连接下载tokenizer被墙；评测API时需要服务器支持LogProbs等问题源代码较为晦涩难懂，Readme文档不详细…导致评测工具的使用成本以及体验不佳，因此我们寻求一款国产的、源码可读性高，文档详细的评测工具：OpenCompass。全能力评估- 提供50+评测数据集，覆盖语言/知识/推理/创作等七大能力维度多模型支持- 支持HuggingFace/API等50+主流模型接入，包括LLaMA/GLM/ChatGPT等本土化优势- 内置文言文理解、法律伦理等中文特色评测维度。]]></description><category></category></item><item><title><![CDATA[【模型测试】基于OpenCompass的ai-eval-system在线评测系统]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147122406</link><guid>https://blog.csdn.net/Deadwalk/article/details/147122406</guid><author>Deadwalk</author><pubDate>Tue, 15 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[这是一个基于OpenCompass的模型评测系统，该系统提供了前端页面UI以方便用户自助开展评测工作。]]></description><category></category></item><item><title><![CDATA[【模型测试】大模型评测工具lm-evaluation-harness的使用方法总结]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147122311</link><guid>https://blog.csdn.net/Deadwalk/article/details/147122311</guid><author>Deadwalk</author><pubDate>Tue, 15 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[是由 EleutherAI 开发的开源工具，用于统一评估语言模型（如 GPT、LLaMA 等）在多样化任务中的性能。支持 200+ 评测任务，涵盖文本生成、逻辑推理、数学计算等领域。]]></description><category></category></item><item><title><![CDATA[【模型测试】大模型测评体系的构成]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147122089</link><guid>https://blog.csdn.net/Deadwalk/article/details/147122089</guid><author>Deadwalk</author><pubDate>Mon, 14 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[随着近期DeepsSeek大模型在AI领域的快速崛起，人工智能技术正在快速进化，在这场智能革命的浪潮中，一个关键命题愈发凸显：当大模型能力不断进化时，我们该如何建立与之匹配的评估体系。本文将以多篇论文内容作为基础，探讨大模型评价体系的重要性(Why)、评价什么(What)、在哪儿评价(Where)、如何评价(How)。]]></description><category></category></item><item><title><![CDATA[【产品体验】DeepSeek的三种接入使用方法]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147121953</link><guid>https://blog.csdn.net/Deadwalk/article/details/147121953</guid><author>Deadwalk</author><pubDate>Fri, 11 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[DeepSeek作为国产顶尖大模型，在代码生成和逻辑推理方面表现优异。本文提供三种不同场景下的接入方案，满足从普通用户到开发者的不同需求。]]></description><category></category></item><item><title><![CDATA[【产品体验】豆包大模型实时语音本地化部署及功能体验]]></title><link>https://blog.csdn.net/Deadwalk/article/details/147121569</link><guid>https://blog.csdn.net/Deadwalk/article/details/147121569</guid><author>Deadwalk</author><pubDate>Thu, 10 Apr 2025 16:28:03 +0800</pubDate><description><![CDATA[豆包大模型提供了实时语音功能，火山引擎官方提供了开源代码Demo，可以快速本地部署体验部署方法：注册火山引擎账号，开通RTC、TTS、ASR、火山方舟2.0模型服务在代码中配置AppId、RoomId、UserId、Token、TTSAppId、ASRAppId等参数Demo代码是基于Node.js实现，需要安装nodejs、yarn依赖安装完毕后，按照Readme中命令分别启动后端服务和前端页面即可体验感受：整体体验流畅，对话沟通非常流畅，AI的语音比较自然。]]></description><category></category></item><item><title><![CDATA[【模型部署】在AutoDL上使用Xinference部署模型]]></title><link>https://blog.csdn.net/Deadwalk/article/details/145052632</link><guid>https://blog.csdn.net/Deadwalk/article/details/145052632</guid><author>Deadwalk</author><pubDate>Fri, 10 Jan 2025 10:59:25 +0800</pubDate><description><![CDATA[在【模型训练】在AutoDl上使用LLamaFactory进行模型训练中，我们介绍了如何通过SSH建立隧道，进而访问LLamaFactory进行模型训练。本章，我们将介绍如何通过Xinference进行模型推理服务的部署。AutoDL平台正常情况下，不对外提供Http或Https服务，所以需要通过SSH隧道建立连接。AutoDL平台安装引擎会失败，所以本例中改为使用vllm引擎。AutoDL平台默认没有安装Git-LFS，所以通过手动安装。]]></description><category></category></item><item><title><![CDATA[【模型训练】在AutoDL上使用LLamaFactory进行模型训练]]></title><link>https://blog.csdn.net/Deadwalk/article/details/145052588</link><guid>https://blog.csdn.net/Deadwalk/article/details/145052588</guid><author>Deadwalk</author><pubDate>Fri, 10 Jan 2025 10:57:58 +0800</pubDate><description><![CDATA[在众多的GPU云平台中，AutoDL是我们常用的一个。它因为显卡可快速扩展、实例运行稳定、网络连接速度快，深受大家的喜爱。不过其端口映射略微复杂，所以本篇文章，我们将介绍在AutoDL平台上进行模型训练的过程。在LLamaFactory的},注意：以上file_name是数据集的绝对路径，需要根据实际情况修改。在AutoDL上使用LLamaFactory进行模型训练，需要进行端口映射，具体方法为使用SSH隧道。]]></description><category></category></item><item><title><![CDATA[【操作攻略】GPU云环境的使用分享]]></title><link>https://blog.csdn.net/Deadwalk/article/details/143873746</link><guid>https://blog.csdn.net/Deadwalk/article/details/143873746</guid><author>Deadwalk</author><pubDate>Tue, 19 Nov 2024 10:12:11 +0800</pubDate><description><![CDATA[同上，对于体积小的数据，可以直接使用图示中的上传文件功能。对于体积大的情况，需要使用趋动云提供的sftp上传上传方式。趋动云最近更新增加了导出数据/模型的功能，相较于上述操作更为简便，篇幅原因不做详细说明，感兴趣的同学可以查看。对于体积小的框架(例如：YOLO只有56M)，可以使用pip命令安装，具体方法同阿里云的操作说明。训练完毕后，会在训练脚本同一目录下生成runs目录，里面包含训练的日志，以及训练的模型。因为上传后的文件是只读的，不能使用unzip解压，所以我们在本地解压好之后进行上传。]]></description><category></category></item><item><title><![CDATA[【重拾数学知识】矢量的点乘和叉乘]]></title><link>https://blog.csdn.net/Deadwalk/article/details/143873583</link><guid>https://blog.csdn.net/Deadwalk/article/details/143873583</guid><author>Deadwalk</author><pubDate>Tue, 19 Nov 2024 10:04:47 +0800</pubDate><description><![CDATA[点乘（又称内积）是两个矢量的代数运算，结果是一个标量。对于两个矢量Aa1a2a3Aa1​a2​a3​和Bb1b2b3Bb1​b2​b3​A⋅Ba1b1a2b2a3b3A⋅Ba1​b1​a2​b2​a3​b3​叉乘（又称外积）是两个矢量的运算，结果是一个新的矢量，且与原来的两个矢量都垂直。对于两个矢量Aa1a2a3Aa1​a2​a3​和。]]></description><category></category></item><item><title><![CDATA[【产品体验】使用Coze平台开发一个看图配诗的智能体]]></title><link>https://blog.csdn.net/Deadwalk/article/details/143762372</link><guid>https://blog.csdn.net/Deadwalk/article/details/143762372</guid><author>Deadwalk</author><pubDate>Thu, 14 Nov 2024 11:07:41 +0800</pubDate><description><![CDATA[AI Agent（AI代理）是一种能够感知外部环境、进行自动决策和执行动作的智能实体。随着大模型技术的快速迭代，Agent的能力也逐步增强，目前部分场景已经开始有相应的落地，例如：我们曾借助LinkAI平台搭建了一个微信公众号智能客服。本章，我们将借助最近国内比较火热的Coze(扣子)平台构建一个智能体。扣子是新一代AI 应用开发平台。无论你是否有编程基础，都可以在扣子上快速搭建基于大模型的各类智能体，并将智能体发布到各个社交平台、通讯软件或部署到网站等其他渠道。]]></description><category></category></item><item><title><![CDATA[【产品体验】使用LinkAI部署微信公众号智能客服]]></title><link>https://blog.csdn.net/Deadwalk/article/details/143762164</link><guid>https://blog.csdn.net/Deadwalk/article/details/143762164</guid><author>Deadwalk</author><pubDate>Thu, 14 Nov 2024 11:05:42 +0800</pubDate><description><![CDATA[在当今数字化时代，智能客服系统已经成为企业与客户之间沟通的重要桥梁。通过使用LinkAI搭建一个微信公众号的智能客服，不仅可以提升客户服务效率，还可以7*24小时在线支持。本文将详细介绍使用LinkAI创建智能客服的效果、部署方法以及相关内容。]]></description><category></category></item><item><title><![CDATA[【课程总结】day34：多模态大模型之ViT模型、CLIP模型论文阅读理解]]></title><link>https://blog.csdn.net/Deadwalk/article/details/143566817</link><guid>https://blog.csdn.net/Deadwalk/article/details/143566817</guid><author>Deadwalk</author><pubDate>Wed, 06 Nov 2024 11:41:16 +0800</pubDate><description><![CDATA[前言
在【课程总结】day31：多模态大模型初步了解一文中，我们对多模态大模型的基本原理有了初步了解，本章内容将通过论文阅读理解，更进一步理解多模态大模型中所涉及的 Vit 架构、Transformer在视觉应用的理念以及 Clip图像与文本匹配的应用。
ViT 模型论文阅读理解
多模态大模型中所涉及的最为经典的模型就是 ViT，所以我们先了解该论文的核心要点。
论文标题：An Image Is Worth 16x16 Words: Transformers For Image Recognition At]]></description><category></category></item><item><title><![CDATA[【课程总结】day33：文生图StableDiffusion模型初步了解以及部署体验]]></title><link>https://blog.csdn.net/Deadwalk/article/details/143566796</link><guid>https://blog.csdn.net/Deadwalk/article/details/143566796</guid><author>Deadwalk</author><pubDate>Wed, 06 Nov 2024 11:40:34 +0800</pubDate><description><![CDATA[在【课程总结】Day16：对抗生成网络GAN中，我们曾接触了解了对抗生成GAN网络，本章将学习了解另外一种文生图的模型Diffusion扩展模型，并尝试搭建和试用stable Diffusion。文生图（Text-to-Image）是一种人工智能技术，可以根据输入的文本描述生成相应的图像。其中近期比较火热的模型有Stable Diffusion，它基于扩散模型，将文本描述转化为图像。]]></description><category></category></item></channel></rss>