<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[WhiteHat_Zhou的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/WhiteHat_Zhou</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; WhiteHat_Zhou]]></copyright><item><title><![CDATA[万字长文｜大模型的“记忆体”是如何工作的？核心机制与研究前沿全解析]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150552830</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150552830</guid><author>WhiteHat_Zhou</author><pubDate>Wed, 20 Aug 2025 14:06:25 +0800</pubDate><description><![CDATA[要让LLM朝着通用人工智能（AGI）的目标更进一步，研究人员开始尝试赋予LLM-Agent（基于LLM的自主智能体）以“记忆”模块，使其能够像智能体一样在环境中不断积累知识、反思经验，并在后续决策中调用过去的信息。]]></description><category></category></item><item><title><![CDATA[想真正理解Transformer？这份数学视角的学习路线图请收好]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150518959</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150518959</guid><author>WhiteHat_Zhou</author><pubDate>Tue, 19 Aug 2025 10:45:18 +0800</pubDate><description><![CDATA[如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！点击领取：2025最新最全AI大模型资料包：学习路线+书籍+视频+实战+案例…]]></description><category></category></item><item><title><![CDATA[一文搞懂大模型能做什么：核心技术能力与企业落地场景指南]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150444004</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150444004</guid><author>WhiteHat_Zhou</author><pubDate>Sun, 17 Aug 2025 08:45:00 +0800</pubDate><description><![CDATA[作为相关领域从业者，也要了解AI大模型的核心能力和典型应用领域。结合IDC 2024研究报告的内容和大家简单聊聊！]]></description><category></category></item><item><title><![CDATA[一文讲透大模型PEFT技术：LoRA、Adapter、Prefix-Tuning原理与实战]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150443500</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150443500</guid><author>WhiteHat_Zhou</author><pubDate>Sat, 16 Aug 2025 11:35:23 +0800</pubDate><description><![CDATA[Adapter Tuning如何实现？Adapter Tuning在预训练模型中插入设计的适配器模块，仅训练这些模块参数以微调模型，同时保持预训练模型参数不变，并在特定任务数据集上评估性能。]]></description><category></category></item><item><title><![CDATA[让AI Agent记住关键信息：上下文工程的4大实用技巧]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150420950</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150420950</guid><author>WhiteHat_Zhou</author><pubDate>Fri, 15 Aug 2025 13:42:46 +0800</pubDate><description><![CDATA[智能体（Agents）执行任务需要上下文。上下文工程是在智能体运行轨迹的每个步骤中，为其上下文窗口填充恰到好处信息的艺术与科学。在本文中，我们通过回顾各类热门智能体及相关论文，拆解了上下文工程的几种常见策略——写入、选择、压缩和隔离。]]></description><category></category></item><item><title><![CDATA[一文对比四大技术：LLM、RAG、Workflow、Agent应用场景解析]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150389592</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150389592</guid><author>WhiteHat_Zhou</author><pubDate>Thu, 14 Aug 2025 14:02:17 +0800</pubDate><description><![CDATA[如果你真的想学习大模型，请不要去网上找那些零零碎碎的教程，真的很难学懂！

你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！]]></description><category></category></item><item><title><![CDATA[智能体+RAG：大模型检索优化的完美结合]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150347595</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150347595</guid><author>WhiteHat_Zhou</author><pubDate>Wed, 13 Aug 2025 15:25:43 +0800</pubDate><description><![CDATA[不论是RAG，还是智能体都仅仅只是一门技术；而不同的业务场景需要选择合适的技术实现。]]></description><category></category></item><item><title><![CDATA[从理论到落地：分层记忆架构在AI Agent中的应用实践]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150269603</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150269603</guid><author>WhiteHat_Zhou</author><pubDate>Tue, 12 Aug 2025 13:48:58 +0800</pubDate><description><![CDATA[要让 AI Agent 告别“金鱼记忆”，真正变得智能、高效，分层记忆（Tiered Memory Architecture） 是核心策略。它模拟了人类大脑处理信息的方式，将不同类型、不同时效性的记忆存储在最适合它们的地方，从而实现 Agent 的高效运作和智能决策。]]></description><category></category></item><item><title><![CDATA[GraphRAG 技术详解：如何将知识图谱集成到 RAG 系统中？]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/150005392</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/150005392</guid><author>WhiteHat_Zhou</author><pubDate>Thu, 07 Aug 2025 11:03:21 +0800</pubDate><description><![CDATA[当我们说“大模型健忘”，其实说的是它的“知识储存能力有限”，尤其是面对企业内部专业文档、复杂背景知识时，一问三不知的现象比比皆是。]]></description><category></category></item><item><title><![CDATA[【建议收藏】大模型三大优化技术深度对比：蒸馏 vs RAG vs 微调，到底怎么选？]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/149936177</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/149936177</guid><author>WhiteHat_Zhou</author><pubDate>Tue, 05 Aug 2025 14:09:09 +0800</pubDate><description><![CDATA[LORA (Low-Rank Adaptation) 微调是一种针对大规模预训练模型的优化技术，用于在较少计算资源和数据的情况下，对这些模型进行有效微调。]]></description><category></category></item><item><title><![CDATA[企业级AI系统的演进之路——LLM+RAG+Agent融合架构实践]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/149935857</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/149935857</guid><author>WhiteHat_Zhou</author><pubDate>Tue, 05 Aug 2025 13:52:11 +0800</pubDate><description><![CDATA[这套系统不仅解决了传统RAG的局限性，更为AI Agent的发展提供了新的思路。通过标准化的MCP协议，我们实现了工具能力的模块化和复用，为构建更强大的AI系统奠定了基础。]]></description><category></category></item><item><title><![CDATA[【建议收藏】生产级RAG系统落地的10条实战经验：这些坑，我们替你踩过了]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/149910560</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/149910560</guid><author>WhiteHat_Zhou</author><pubDate>Mon, 04 Aug 2025 17:17:32 +0800</pubDate><description><![CDATA[本次分享主要针对企业AI系统转化为商业价值的关键难题：根据麦肯锡的估计，当前企业AI总规模高达4.4万亿美元 ，但同时福布斯的调查指出只有约四分之一的企业真正从AI中获益 。为什么大部分项目无法突破试点？]]></description><category></category></item><item><title><![CDATA[【建议收藏】大模型应用选型指南：RAG 还是微调？这4个关键维度必须搞懂]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/149910348</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/149910348</guid><author>WhiteHat_Zhou</author><pubDate>Mon, 04 Aug 2025 17:07:35 +0800</pubDate><description><![CDATA[技术选型的纠结，往往源于对“完美”的执念和对“错误”的恐惧。然而，在AI应用落地的战场上，“快速验证、小步迭代”才是王道。]]></description><category></category></item><item><title><![CDATA[AI智能体开发12法则：从新手入门到专业架构的完整学习路径]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/149710836</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/149710836</guid><author>WhiteHat_Zhou</author><pubDate>Mon, 28 Jul 2025 10:58:24 +0800</pubDate><description><![CDATA[我们时常想着构建一个能自主解决复杂问题的智能助手？但与此同时，也因其不可预测、时常犯错而感到困惑和沮丧？本文将和你一起探索 “12-Factor Agents” ，看看它是否能指引我们构建出更健壮、更可靠、更可控的 AI Agents。]]></description><category></category></item><item><title><![CDATA[构建企业级智能代理：LangGraph + 实时搜索 + PDF导出完整实现]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/149501943</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/149501943</guid><author>WhiteHat_Zhou</author><pubDate>Mon, 21 Jul 2025 11:51:21 +0800</pubDate><description><![CDATA[传统的AI聊天系统往往局限于预训练数据的知识范围，无法获取实时信息。本文将详细阐述如何构建一个基于LangGraph的智能代理系统，该系统能够智能判断何时需要进行网络搜索、有效维护对话上下文，并具备将对话内容导出为PDF文档的功能。]]></description><category></category></item><item><title><![CDATA[斯坦福多模态交互 Agent 综述：Agent AI 集成及其技术挑战]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/148433275</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/148433275</guid><author>WhiteHat_Zhou</author><pubDate>Wed, 04 Jun 2025 19:27:22 +0800</pubDate><description><![CDATA[这篇论文深入探讨了多模态人工智能系统，尤其是智能体（Agent）在物理和虚拟环境中的交互性。它不仅为研究人员和AI领域提供了一份研究路线图，更展现了AI未来发展的深刻洞见。论文的核心内容分为以下几个部分：]]></description><category></category></item><item><title><![CDATA[务必收藏，Transformer细节18问18答]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904899</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904899</guid><author>WhiteHat_Zhou</author><pubDate>Wed, 20 Nov 2024 10:46:04 +0800</pubDate><description><![CDATA[4.3 从输入输出角度，N个Transformer Encoder block中的第一个Encoder block的输入为一组向量 X = （Embedding + Positional Embedding），向量维度通常为512_512，其他N个TransformerEncoder block的输入为上一个 Transformer Encoder block的输出，输出向量的维度也为512_512（输入输出大小相同）。在Test阶段，下一个时刻的输入时是前一个时刻的输出，如图9所示。]]></description><category></category></item><item><title><![CDATA[独家揭秘：39种提示工程策略与应用全解析，AI界的高手都在用！]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904820</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904820</guid><author>WhiteHat_Zhou</author><pubDate>Wed, 20 Nov 2024 10:43:39 +0800</pubDate><description><![CDATA[大型语言模型（LLMs）在许多不同的自然语言处理（NLP）任务上表现出了显著的性能。提示工程在提升LLMs已有能力方面发挥着关键作用，使其在各种NLP任务上取得了显著的性能提升。提示工程需要编写自然语言指令，即提示，以结构化的方式从LLMs中提取知识。与以往的最先进（SoTA）模型不同，提示工程不需要根据给定的NLP任务进行广泛的参数重新训练或微调，而是仅依赖于LLMs的内嵌知识。此外，LLMs的爱好者可以通过基本的自然语言对话交换或提示工程，智能地提取LLMs的知识，使得越来越多的人即使没有深厚的数学机器]]></description><category></category></item><item><title><![CDATA[一文彻底搞懂深度学习 - Transformer]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904656</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904656</guid><author>WhiteHat_Zhou</author><pubDate>Wed, 20 Nov 2024 10:41:12 +0800</pubDate><description><![CDATA[Transformer是一种基于自注意力（Self-Attention）机制的深度学习模型，最初由Vaswani等人在2017年的论文《Attention Is All You Need》中提出。它完全基于注意力机制构建，摒弃了传统的循环和卷积结构，用于解决自然语言处理领域的任务，如机器翻译、文本生成等。Transformer一、Transformer的本质什么是Transformer？Transformer模型是一种强大的深度学习架构，它利用自注意力机制和多头注意力来捕捉序列内部的依赖关系，并通过位置编码]]></description><category></category></item><item><title><![CDATA[大模型微调到底有没有技术含量？]]></title><link>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904615</link><guid>https://blog.csdn.net/WhiteHat_Zhou/article/details/143904615</guid><author>WhiteHat_Zhou</author><pubDate>Wed, 20 Nov 2024 10:38:38 +0800</pubDate><description><![CDATA[老生常谈的一句话吧：有没有技术含量取决于这个工作你怎么做，尤其是 llm 方向，上手门槛相比传统 NLP 变得更低了。我举一些例子吧，针对大模型微调的几个重要环节，我列举的每一种做法大概率都能完成最终目标，甚至说训出来的模型效果都没什么差别。但对个人能力成长的帮助就大不相同了。]]></description><category></category></item></channel></rss>