- 博客(97)
- 资源 (15)
- 收藏
- 关注
RSS订阅原创 Flink Rebalance、Rescale、Shuffle 核心区别
Flink Rebalance、Rescale、Shuffle 核心区别
2025-12-17 16:52:39
1046
Evaluating Very Long-Term Conversational Memory of LLM Agents
内容概要：本文提出了一种人机协同的生成管道，用于构建LoCoMo数据集，该数据集包含50个高质量的超长期多模态对话，每个对话平均涵盖300轮交互和9K个token，跨越最多35个会话。对话基于LLM智能体架构生成，结合人物设定（persona）和时间事件图进行驱动，并支持图像分享与响应行为，确保对话具有长期一致性和现实感。研究进一步构建了一个综合评估框架，包括问答、事件摘要和多模态对话生成三项任务，系统评估大语言模型在极长对话中的记忆理解能力。实验表明，尽管长上下文模型和检索增强生成（RAG）技术有所提升，但现有模型在时间推理、因果关联理解和对抗性问题上仍显著落后于人类表现。;
适合人群：从事自然语言处理、对话系统或大语言模型研究的研究人员及工程师，具备一定机器学习与深度学习背景的专业人士；;
使用场景及目标：①评估大语言模型在超长对话情境下的长期记忆与上下文理解能力；②研究多模态对话中图像与文本的协同建模机制；③推动基于事件图和人物设定的可控对话生成技术发展；④为未来构建具备持续记忆能力的虚拟智能体提供基准与方法参考；
阅读建议：建议结合论文中的图表（如图1-4）深入理解数据生成流程与评估设计，重点关注LoCoMo数据集的构建细节（第3节）与三大任务的评测结果分析（第6节），并注意作者指出的当前模型在时间推理与事实一致性方面的局限性。
2025-11-28
【人工智能开发】基于LangChain的LLM应用构建：从提示词模板到Agent工作流的全栈技术实践
内容概要：本文档系统介绍了LangChain框架从入门到精通的核心内容，涵盖其架构组成、核心组件及实际应用开发。文档首先介绍LangChain的基本概念及其在LLM应用开发、生产化和部署中的全周期支持，随后通过构建首个工程示例引导读者快速上手。接着深入讲解输出解析器、提示词模板和LCEL（LangChain表达式语言）等关键组件，展示如何高效组装AI应用流水线。文档重点阐述了RAG（检索增强生成）系统的构建流程，包括数据加载、文本分割、向量存储与检索，并提供两种实现方式。此外，还介绍了Agent的基本原理与实现方法，展示其任务拆解与工具调用能力，最后引入LangGraph，通过图结构工作流实现复杂、有状态的多步骤AI应用编排。;
适合人群：具备Python编程基础并对大语言模型应用开发感兴趣的开发者，尤其是工作1-3年希望掌握LangChain框架的研发人员；也适用于AI工程化、RAG系统和智能Agent开发的学习者。;
使用场景及目标：① 学习如何使用LangChain构建基于大模型的问答系统、翻译系统等应用；② 掌握RAG技术实现私有知识库问答；③ 理解并实现具备工具调用能力的AI Agent；④ 利用LangGraph构建具有状态管理和复杂控制流的AI工作流。;
阅读建议：此资源以实践为导向，建议读者结合代码示例逐步动手实现各模块功能，重点关注LCEL的链式调用逻辑、RAG的数据处理流程以及Agent与LangGraph的状态管理机制，在实践中深入理解LangChain的设计思想与工程价值。
2025-11-28
zeromq的4.2.5版本windows环境64位编译dll
zeromq的4.2.5版本windows环境64位编译dll,因为zeromq提供的windows下得源码使用vs2013,2010编译都是有问题的，这是本人使用vs2015编译，共享出来
2019-01-21
hdp下载地址.txt
cloudera相关下载包括cdh和hdp都需要收费账号。先提供如下下载网盘资源：
ambari-2.6.0.0-centos7.tar.gz
HDP-2.6.3.0-centos7-rpm.tar.gz
HDP-UTILS-1.1.0.21-centos7.tar.gz
2021-06-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人