- 博客(261)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 基于大模型的智能占卜系统实战-Qwen-VL、RAG、FastAPI
本项目旨在将传统的手相学与现代人工智能技术相结合，打造一个 基于大模型的智能算命大师系统。通过融合 多模态大模型（MLLM）、知识增强检索（RAG）、图像预处理 与 Embedding 技术，系统能够对用户上传的手掌图片进行掌纹特征提取和分析，并结合手相学知识库与大语言模型的生成能力，为用户提供个性化的“手相解析”与互动问答体验。spider部署主要是对原始的数据集进行获取，简单的爬虫程序获取到数据集。数据集主要是手相学相关的内容，包含了手相特征的分类、具体特征以及对应的描述。
2025-08-26 21:25:09
210
原创 《第十四篇》深入解析 `kb_doc_api.py`：知识库文件的上传、下载、更新与重建
本文深入解析了知识库管理模块kb_doc_api.py的核心功能，该模块基于FastAPI实现了文件上传、下载、搜索、更新、删除和向量库重建等全套操作。文章详细介绍了六大核心功能的实现逻辑，包括文档搜索、多文件上传、软删除机制、文件内容更新、下载预览和向量库重建等特性，并分析了多线程处理和异步优化方案。该模块采用分层设计，具备安全校验、流式响应等亮点，同时提出了引入任务队列、权限控制等优化建议，为构建高效可靠的知识库系统提供了完整解决方案。
2025-08-06 17:34:03
82
原创 《第十三篇》深入解析 `kb_api.py`：知识库的创建、删除与查询接口
本文深入解析了基于FastAPI构建的知识库管理接口kb_api.py，重点介绍了知识库的创建、删除和查询三大核心功能。该模块采用分层设计，通过KBServiceFactory实现多种向量库支持，包含严格的安全校验和异常处理机制。文章还分析了接口在整个RAG系统中的位置，总结了其设计亮点如统一响应格式、可扩展性等，并提出了批量操作、软删除等优化建议。该实现体现了AI应用后端开发的安全、分层和可扩展性等最佳实践。
2025-08-06 17:17:17
90
原创 《第十二篇》深入解析 `knowledge_base_chat`：基于 RAG 的知识库问答接口
本文深入解析了基于RAG的知识库问答接口knowledge_base_chat的核心实现。该接口通过FastAPI+LangChain构建，实现了知识检索、重排序、上下文生成和流式输出的完整流程。系统采用RAG架构解决大模型幻觉问题，通过向量检索获取相关文档后，可选使用Reranker重排序提升结果质量，再结合Prompt模板生成回答。设计亮点包括支持多轮对话、来源标注和流式响应。文章还提出了异步检索、混合检索等优化建议，为构建可信、高效的知识问答系统提供了重要参考。该接口是现代RAG应用的典型实现，展现了
2025-08-06 17:15:38
55
原创 《第十一篇》深入解析 `embedding.py`：基于 SiliconFlow API 的文本向量化服务
本文深入解析了基于SiliconFlow API的文本向量化服务模块embedding.py。该模块实现了同步/异步文本向量化、批量处理与并发优化等功能，支持从单条文本到文档列表的多种使用场景。核心内容包括：配置项设置、同步/异步API调用实现、FastAPI接口封装以及与LangChain的兼容性处理。文章还分析了该模块在知识库系统中的关键作用，对比了同步与异步方式的使用场景，总结了其设计优势并提出了优化建议。该模块作为文本到向量的关键转换器，为语义检索提供了高质量支持。
2025-08-06 17:14:49
99
原创 《第十篇》深入解析 `MilvusKBService`：基于 Milvus 的知识库服务实现
本文深入解析了基于Milvus向量数据库实现的知识库服务组件MilvusKBService。该组件继承自KBService抽象基类，采用策略模式支持多种向量库，目前实现了Milvus版本。核心功能包括：1）通过_load_milvus方法连接Milvus并初始化；2）do_search实现语义检索，支持相似度阈值过滤；3）do_add_doc处理文档插入，自动转换元数据格式；4）提供文档删除、清空集合等管理功能。该系统采用配置驱动设计，支持快速切换嵌入模型，适用于RAG等AI应用场景，能高效处理知识存储、检
2025-08-06 15:38:27
121
原创 《第九篇》深入解析 `KBService`：基于抽象基类的知识库服务架构设计
在构建大模型应用（如知识库问答、智能客服）时，知识库（Knowledge Base）是实现“检索增强生成”（RAG）的核心。一个优秀的知识库系统，不仅要支持多种向量数据库（如 Milvus、FAISS），还要提供统一的增删改查接口。本文将带你深入分析一个关键组件 ——KBService，它是一个基于抽象基类（ABC）的知识库服务框架，通过策略模式实现了对不同向量库的统一管理，是整个系统的“核心控制器”。KBService是从“单一实现”到“可扩展架构”的跨越。抽象基类（ABC）模板方法模式。
2025-08-06 15:37:36
44
原创 《第五篇》基于RapidOCR的图片和PDF文档加载器实现详解
本文介绍了基于RapidOCR的图片和PDF文档加载器实现方案。核心内容包括：1) RapidOCR工具包特性，支持PaddlePaddle和ONNX Runtime两种推理后端；2) 图片OCR加载器实现，通过重写UnstructuredFileLoader类实现图片文本提取；3) OCR实例获取工具函数，优先使用PaddlePaddle版本并支持GPU加速；4) PDF文档加载器实现，结合PyMuPDF提取PDF文本和图片OCR内容。测试代码展示了如何使用这些加载器处理图片和PDF文档，为构建知识库提供
2025-08-06 11:03:52
199
原创 《第二篇》自定义CSV文件加载器：只加载指定列的实现详解
在处理大型CSV文件时，我们经常只需要其中的特定列数据。本文将详细介绍如何创建一个自定义的CSV加载器，它能够只加载指定的列，从而提高数据处理效率并减少内存占用。这个加载器特别适用于构建AI知识库、数据预处理等场景。标准CSVLoader对比测试测试数据功能对比分析标准CSVLoader输出结果：自定义FilteredCSVLoader输出结果：主要差异对比特性标准CSVLoaderFilteredCSVLoader加载内容所有列数据合并成一段文本只加载指定列
2025-08-06 10:47:32
40
原创 《第一篇》深入解析 RAG 项目核心配置文件：`basic_config.py`、`kb_config.py`、`model_config.py`、`prompt_config.py`
在开发基于大语言模型（LLM）的应用时，良好的配置管理是项目可维护、可扩展、可部署的关键。一个优秀的 AI 项目，往往不是代码有多复杂，而是其配置是否清晰、灵活、易于调整。本文将带你深入分析一个典型 AI 项目（如 LangChain-Chatchat）的四大核心配置文件：基础环境与日志配置：知识库与向量库配置：大模型与嵌入模型配置：提示词模板管理这四份配置文件构成了整个系统的“大脑中枢”，决定了系统的行为、性能和可定制性。AI 应用工程化的精髓解耦设计：功能分离，职责清晰灵活可配。
2025-08-06 10:44:43
50
原创 基于 LangChain 的私有化大模型问答系统开发实践【附完整项目结构说明】
• 功能：返回系统中已存在的所有知识库名称及基础信息。• 用途：用于前端展示可选知识库列表，或后续调用其它接口时选择目标库。• 功能：新建一个知识库，指定名称、描述等元信息。• 用途：初始化知识库，为上传文档、向量化和问答交互做准备。• 功能：根据名称或ID删除指定的知识库及其全部文档内容和向量数据。• 用途：清理不再使用的知识库。本项目是一个完整的大模型问答系统示例，适合用于企业内部部署、课程教学演示、开发者二次定制。
2025-08-06 10:32:59
1355
原创 第五篇： 深入解析基于 SQLAlchemy 的聊天记录持久化模块：`message_model` 与数据库操作封装
本文深入解析了基于SQLAlchemy的聊天记录持久化模块，重点介绍了MessageModelORM模型和数据库操作封装。该模块包含三个核心部分：MessageModel模型定义、CRUD操作函数和会话管理机制。MessageModel定义了聊天记录的数据结构，包括ID、对话ID、问题、回答等字段。数据库操作函数通过@with_session装饰器实现了消息的增删改查和用户反馈处理。会话管理通过session_scope上下文管理器和装饰器自动处理事务。该模块是大模型应用中实现对话可追溯、可分析的关键技术，
2025-08-04 17:36:34
816
原创 第四篇：深入解析 `ConversationBufferDBMemory`：基于数据库的对话记忆实现
摘要： ConversationBufferDBMemory是LangChain中实现对话记忆持久化的关键组件，通过数据库存储对话历史，解决默认内存记忆重启丢失的问题。其核心特性包括：基于conversation_id隔离会话、自动token截断防上下文超限、与LangChain链式调用无缝集成。该组件支持多轮对话上下文管理，适用于知识库问答、智能客服等场景。未来可优化异步加载、智能截断和缓存机制，进一步提升性能。作为RAG系统的核心技术之一，它实现了对话状态的可追溯与持久化。
2025-08-04 17:23:03
975
原创 第三篇：深入解析 LangChain 回调机制：`ConversationCallbackHandler` 实现 LLM 输出自动持久化
本文介绍了LangChain框架中的ConversationCallbackHandler回调机制，它能自动将大语言模型(LLM)的输出结果保存到数据库。该组件继承自LangChain的BaseCallbackHandler基类，通过重写on_llm_end方法，在LLM生成完成后自动提取文本内容并调用数据库更新函数。核心功能包括：支持对话ID和消息ID标识、强制启用回调、自动持久化响应等。文章还分析了其系统架构位置、优势特点，并提出了增加异常处理、流式更新等优化建议。该组件适用于知识库问答、聊天机器人等需
2025-08-04 17:07:54
893
原创 第二篇：深入解析 FastAPI + LangChain 实现流式对话接口：`chat` 函数详解
本文详细解析了基于 FastAPI 和 LangChain 实现的流式对话接口 chat 函数。该函数支持多轮对话记忆、流式输出、历史持久化等功能，是大模型应用的典型后端设计。通过参数配置可灵活切换模型、调整温度等参数，并支持从数据库读取历史消息或使用前端传入的历史记录。核心实现包括异步回调处理、Prompt 模板管理、对话内存缓冲等机制，最终通过 LLMChain 实现对话链式处理。该设计为构建聊天机器人、知识问答系统等 AI 应用提供了完整的技术方案。
2025-08-04 17:07:01
652
原创 第一篇：深入解析 FastAPI 服务启动脚本：构建可部署的大模型 API 服务
本文深入解析了一个基于FastAPI的大模型API服务启动脚本，该脚本集成了多项关键功能：REST API接口注册、Swagger文档自动重定向、跨域支持(CORS)、HTTPS安全部署等。脚本采用模块化设计，包含应用创建、路由注册、服务器启动等核心模块，支持命令行参数配置和离线文档加载。文章详细介绍了各功能组件的实现原理，包括FastAPI实例创建、CORSMiddleware配置、Uvicorn服务器启动等，并提供了生产环境优化建议。该启动脚本适用于LangChain、RAG系统等AI应用，具有良好的扩
2025-08-04 17:04:44
842
原创 基于LangChain的大模型私有化部署与多轮对话接口开发研究
本文研究了基于LangChain的大模型私有化部署与多轮对话接口开发。系统采用模块化设计，包含用户接口层、对话控制层、模型推理层和数据持久层，支持本地部署的Qwen、ChatGLM等大模型。关键技术包括多轮对话记忆管理、数据库持久化、可配置模型服务和Prompt模板管理。通过FastAPI构建标准化REST接口，实现私有化、安全可控的AI对话系统。该系统适用于企业智能客服、知识问答等场景，具有数据安全、可扩展等优势。
2025-08-04 16:59:26
412
原创 【DETR系列】DETR论文超详细解读（翻译 ＋学习笔记）
我们提出了一种将目标检测视为直接集合预测问题的新方法。我们的方法简化了检测流程，有效地移除了许多手工设计的组件，比如非极大值抑制过程或锚框生成，这些组件显式地编码了我们对该任务的先验知识。该新框架的主要组成部分，称为 DEtection TRansformer 或 DETR，包括一个基于集合的全局损失函数，通过二分图匹配强制生成唯一的预测，以及一个 transformer 编码器-解码器架构。
2025-07-28 10:08:32
879
原创 《第五十三篇》详解：YOLO 系列演进趋势
YOLO系列演进趋势与核心技术摘要： YOLO系列从v2到v11持续创新，核心演进方向包括：检测头从Anchor到Anchor-Free再到端到端无NMS；网络结构从浅层到深层残差、CSP、RepVGG等；正样本分配从静态IoU到动态匹配（SimOTA、匈牙利算法）；训练策略从单任务到多任务统一。各版本突破性技术包括：v2引入Anchor机制，v3采用FPN多尺度检测，v4集成Mosaic增强和CIoU Loss，v5实现工程化优化，v6率先采用Anchor-Free，v7创新SimOTA动态匹配，v8统一
2025-07-25 09:59:39
993
1
原创 《第十八篇》importlib.import_module() 的用法与实战案例
importlib 是 Python 内置的标准库，用于在运行时动态导入模块，相比静态的 import 语句更加灵活。其核心函数 import_module() 通过字符串参数导入模块，适用于多种场景，如根据文件类型动态选择加载器、插件系统开发、配置驱动加载等。该库实现了代码逻辑与具体实现的解耦，但需注意模块必须已安装、类名存在等限制。通过 getattr() 结合 import_module 可实现"通过字符串创建类对象"的效果，是构建灵活系统的关键工具，特别适合工厂模式、框架开发等需
2025-07-22 23:26:51
586
原创 保姆级教程：YOLOv1训练全过程，附代码+数据集结构+TensorBoard可视化
本文介绍如何从零开始训练一个 YOLOv1 模型，包括 DarkNet 网络构建、训练流程、参数加载、数据集准备、模型评估与检测推理等完整步骤。适合目标检测初学者。代码仓库：https://github.com/Keep-Doing-guoguo/yolo/tree/master。
2025-07-21 21:00:21
770
原创 一键将VOC数据集转换为YOLO格式，附完整Python脚本
通过代码就可以将VOC数据转变为YOLO格式的训练数据集格式。方便再yolov4、v5的代码中进行训练。
2025-07-10 17:52:20
447
原创 《第五十二篇》YOLOv7 技术详解（Real-Time Dynamic Label Assignment + Model Scaling）
YOLOv7是YOLOv5的重要升级版本，在目标检测领域实现了多项技术创新。该模型采用ELAN-Highway主干网络和改进版PANet结构，通过动态标签分配（Extend Assigner）和DFL Loss等新方法提升检测精度。支持640×640至1280×1280多尺度输入，提供Anchor-Free/Anchor-Based双模式选择。模型优化了训练策略，包括数据增强、损失函数设计和NMS后处理机制，在保持实时性的同时显著提升性能。YOLOv7兼容ONNX/TensorRT导出，为工业应用提供了高效
2025-07-04 14:29:09
1101
原创 《第五十一篇》DETR 技术详解（Detection Transformer）
DETR（Detection Transformer）是Facebook AI提出的端到端目标检测模型，首次将Transformer引入目标检测任务。它摒弃了传统anchor和NMS机制，直接通过Transformer的Set Prediction框架预测边界框。模型结构包含：主干网络（如ResNet-50）提取特征、位置编码、Transformer编码器建模全局特征、解码器生成object queries，以及检测头输出分类和回归结果。训练时采用匈牙利算法匹配预测与真实框，计算损失函数。DETR实现了完全
2025-07-04 14:22:21
1118
原创 《第五十篇》RT‑DETR 系列发展时间顺序
RT-DETR系列是百度提出的基于Transformer的实时目标检测器发展历程。2020年DETR首次将Transformer引入端到端检测；2023年RT-DETR实现实时性能（108 FPS/53.1 AP）；2024年7月v2版本优化训练策略；9月v3版本引入Dense Positive Supervision等技术，使R18模型AP提升1.6%。该系列通过持续创新，在速度-精度平衡上超越了传统YOLO系列，代表了端到端检测的最新发展方向。
2025-07-04 14:21:17
718
原创 《第四十九篇》RT‑DETRv2 详解：Real‑Time DETR 的 Bag‑of‑Freebies 与部署优化
RT‑DETRv2 是在 RT‑DETR 的基础上提出的高效实时检测 Transformer，通过工程优化和训练改进进一步提升性能。
2025-07-04 14:20:04
818
原创 《第四十八篇》RT‑DETRv3 深度解析：分层式 Dense Positive Supervision 实现实时检测升级
RT‑DETRv3 在原有 RT‑DETR 架构基础上，针对训练阶段引入密集监督和扰动机制，成功提升 +1.4~1.6 AP，成为当前实时检测 Transformer 的优选方案。其训练-推理分离设计兼顾性能和效率，适合用于高性能检测系统研发布局。
2025-07-04 14:18:36
947
原创 YOLOv2 正负样本分配机制详解
某个 Ground Truth Box被分配给与其 IOU 最大的 Anchor Box。分配发生在该目标中心点所在的网格 cell 内。每个 Ground Truth 只分配给一个 Anchor（最佳匹配）。即：一张图中有多个目标，每个目标仅分配给一个最合适的 Anchor。YOLOv2 中的正负样本策略，主要围绕 Anchor Box 与 Ground Truth 的匹配关系：• 正样本：与 GT 匹配 IOU 最大的 Anchor• 负样本：其余 Anchor 且 IOU 低。
2025-07-03 14:32:09
722
原创 YOLO 中的 Confidence 与 Class Probability 区别详解
本文详细解析了目标检测模型YOLO中的核心概念，重点对比了Confidence与Class Probability的区别，并深入剖析了YOLOv2的正负样本分配机制。Confidence衡量预测框是否包含目标及其位置准确性，而Class Probability则计算目标属于特定类别的概率，两者的乘积构成最终得分用于NMS筛选。在YOLOv2中，正样本定义为与真实框IOU最大的Anchor Box，负样本则是未分配的Anchor且IOU低于阈值。文章还对比了YOLOv1与v2的差异，并解释了Bounding
2025-07-03 14:28:30
970
原创 YOLO 中的三大框类型全解析：Ground Truth、Anchor、Bounding Box 有何区别？
🟥 1. Ground Truth Box（真值框）预设的一些模板框，模型学习时的“参考基准”。🟨 3. Bounding Box（预测框）🟦 2. Anchor Box（锚框）模型预测出来的目标框，最终输出结果。数据集中人工标注的真实目标位置。
2025-07-03 14:27:59
597
原创 YOLO 推理部署全方案」：一文掌握部署方式与性能对比！
追求速度 / 云部署：优选TensorRT（float16 模式下速度极致）跨平台服务 / Web接口部署：推荐Intel 架构边缘部署：使用OpenVINO移动端轻量部署（安卓）：使用NCNN或TFLite。
2025-07-03 14:27:26
1305
原创 YOLOv3-SPP 的 ONNX 导出与部署指南
││├— Detection Head（三个层级输出）│└— Output: detections [1, 255, 13, 13]（P5）+ P4/P3 输出（若多尺度输出启用）步骤内容✅ Step 1加载 PyTorch 模型（Darknet-53 + SPP）✅ Step 2构造 dummy input（416×416×3）✅ Step 3使用 torch.onnx.export 导出模型✅ Step 4。
2025-07-03 11:17:12
697
原创 YOLOv3-SPP 的 SPP 模块深度解析：空间金字塔池化如何提升多尺度感知？
SPP（Spatial Pyramid Pooling）是一种多尺度池化操作✅ 允许输入图像为任意尺寸；✅ 提升感受野，增强语义表达；✅ 对大目标识别更有帮助；模块位置输入通道数输出通道数Darknet-53 最后一层之后1024DataLoader → Mosaic/CopyPaste → Darknet-53 → SPP 模块 → Detect Head → Loss Calculation (CIoU + BCE) → Backpropagation。
2025-07-02 17:38:44
963
原创 《第四十六篇》YOLOv3-SPP Auto-Anchor 聚类调试指南！
YOLOv3-SPP Auto-Anchor调试指南摘要：本文详细介绍了为YOLOv3-SPP模型自定义anchor boxes的完整流程。通过分析默认COCO数据集的anchor分布，指出针对特定数据集重新聚类的必要性。指南包含从准备数据集标注、提取边界框尺寸、K-Means聚类到最终配置修改的全套步骤，并提供了Python脚本示例和配置文件修改方法。实验表明，使用自定义anchor能显著提升小目标检测能力和mAP指标，特别是在非COCO数据集上效果更明显。文中还对比了改进前后的性能差异，并汇总了相关开源
2025-07-02 17:37:25
1166
原创 《第四十七篇》YOLOv3-SPP 深度解析：引入 SPP 结构，显著提升目标检测性能！
YOLOv3-SPP是在YOLOv3基础上引入SPP（空间金字塔池化）模块的改进版本，通过多尺度池化增强特征提取能力。该模型采用CSPDarknet53主干网络，包含三个检测头（P3/P4/P5）分别处理不同尺寸目标。SPP模块通过5×5、9×9、13×13三种池化核扩展感受野，显著提升大目标检测效果。模型训练使用CIoU损失函数，推理时支持多尺度预测。相比原始YOLOv3，YOLOv3-SPP在保持实时性的同时提高了检测精度，尤其适用于大目标场景。
2025-07-02 17:35:49
1033
原创 YOLOX 深度解析：无 Anchor 设计 + 强大训练基线，全面超越传统 YOLO！
YOLOX是旷视科技2021年提出的高性能单阶段目标检测模型，在YOLO系列基础上进行了多项创新：采用Anchor-Free模式、解耦头设计、SimOTA标签分配策略，并支持ONNX/TensorRT导出。其核心结构包括CSPDarknet53主干网络、PANet特征融合和解耦检测头。YOLOX通过SimOTA动态分配正样本，使用GIoU+L1损失优化边界框回归，结合Mosaic等数据增强技术，在速度和精度上取得平衡。模型提供多种尺寸变体，支持anchor-free和anchor-based模式，适合工业部
2025-07-02 17:33:53
1682
原创 RT-DETR 模型结构全面解析：实时检测新突破
模块内容✅ 主干网络✅ Neck 结构✅ EncoderHybrid Encoder（动态卷积 + 投影）✅ DecoderDeformable Attention（稀疏采样）✅ Head 输出reg/cls 分支分离✅ 标签分配Hungarian Matcher（训练阶段）✅ 推理优化Eliminate NMS（推理阶段直接输出 top-k）✅ 数据增强策略Mosaic + CopyPaste + HSV 扰动RT-DETR 是目前最具潜力的端到端目标检测模型之一。
2025-07-01 15:59:57
2654
原创 《第四十五篇》RT-DETR 技术原理与应用全解：打造实时目标检测新基准
RT-DETR是百度PaddlePaddle团队提出的实时目标检测模型，基于DETR架构进行轻量化改进。其核心创新包括：1）混合编码器结构（Hybrid Encoder）结合动态卷积与注意力机制，提升推理速度3倍；2）采用可变形解码器（Deformable Decoder）进行稀疏采样；3）自适配标签分配策略优化训练稳定性；4）完全消除NMS后处理，支持端到端推理。模型支持多种主干网络，在COCO数据集上mAP达51.8%，推理速度达45FPS（V100）。相比传统DETR，RT-DETR显著降低了计算复杂
2025-07-01 15:58:44
1855
原创 《第四十三篇》YOLOv10 全面升级解析：关键改进点一文掌握
YOLOv10是Ultralytics团队2024年推出的新一代目标检测模型，在精度和效率上取得平衡。主要改进包括：1）采用部分解耦头设计，减少冗余计算；2）默认启用Anchor-Free模式；3）创新性地消除NMS后处理；4）结合TAL标签分配和DFL损失函数提升回归质量；5）支持检测/分割/姿态估计等多任务统一接口。模型提供n/s/m/l/b多种尺寸，其中yolov10n在COCO数据集上达到38%mAP，320FPS(V100)。相比前代，YOLOv10在保持精度的同时显著提升了推理速度，更适合边缘设
2025-07-01 15:56:31
1418
原创 多线程环境下的线程安全资源与缓存池设计：ThreadSafeObject 与 CachePool 实例解析
项目作用特点封装一个资源并加锁控制单个对象的线程访问CachePool管理多个加锁的资源支持 LRU 缓存和线程安全访问管理。
2025-06-30 10:07:15
300
spring-jar.zip
2019-06-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人