- 博客(61)
- 收藏
- 关注
RSS订阅原创 小白从零开始勇闯人工智能：Agentic RAG 核心逻辑与实战运行
本文介绍了如何构建一个智能代理（AgenticRAG）系统的决策流程。系统通过定义关键决策节点实现自主思考：1) 工具调用决策点判断是否需要检索信息；2) 文档评估环节使用结构化评分模型判断检索结果的相关性；3) 问题重写机制优化失败查询；4) 答案生成节点处理有效信息。这些节点通过LangGraph连接成完整的"规划-检索-评估-再规划"循环，使代理能自主处理复杂查询。示例展示了系统如何回答"国足比赛比分"这类实时性问题，通过检索评估生成准确答案。该架构有效融合了大
2026-03-30 14:55:15
368
原创 小白从零开始勇闯人工智能：Agentic RAG 概念与基础构建
人工智能正在飞速发展，大语言模型（LLM）的出现让我们看到了机器理解和生成语言的强大能力。然而，如何让这些模型回答超出其训练数据范围的问题，甚至进行多步推理？传统的检索增强生成（RAG）方法迈出了第一步，但往往受限于僵化的流程。本文将一起理解一种更强大的范式——Agentic RAG（代理式检索增强生成）。我们将使用Python和LangChain库，亲手构建一个能够自主思考、优化查询并多次检索信息的智能代理系统。
2026-03-30 14:49:12
246
原创 小白从零开始勇闯人工智能：LLM Agent与Function Call简介
LLM（大语言模型） 是一种专注于理解和生成自然语言的深度学习模型，擅长文本生成、翻译、问答等任务。它就像一个知识渊博的学者，但只能“动口不动手”。Agent（智能体） 则是一个更广泛的概念，它能够在特定环境中自主感知、决策并执行动作，以实现目标。Agent 不仅包含语言处理能力，还具备规划、记忆、工具使用和行动能力。LLM 是 Agent 的“大脑”，但 Agent 还拥有“手脚”，可以与外部世界互动。简单来说：LLM 是“思考者”，Agent 是“行动者”。
2026-03-27 17:37:51
390
原创 小白从零开始勇闯人工智能：Function Calling 指南
要让 AI 知道它能使用什么“手脚”，我们必须先定义一套“工具说明书”。工具定义列表中包含一个类型为“函数”的工具，其函数名为“get_current_weather”，描述为“当你想查询指定城市的天气时非常有用”，它接受一个参数对象，参数结构包含一个必需的“location”字段，类型为字符串，描述为“城市或县区，比如北京市”。我们告诉 AI：“有一个叫 get_current_weather 的工具，当你需要查天气时可以用它。使用时需要提供 location 参数。tools = [
2026-03-25 19:39:18
356
原创 小白从零开始勇闯人工智能：Agent
Agent的核心是“工具”。我们可以通过继承BaseTool类，为AI创建一个它原本不具备的能力。比如，让AI学会计算文本字数。我们要使用LangChain框架构建一个具备记忆功能的结构化聊天智能体，具体步骤包括：首先导入必要的LangChain模块，并基于阿里云百炼平台的qwen-plus模型配置了一个对话模型；接着自定义了一个继承自BaseTool的类，其核心功能是返回输入文本的字符长度；然后将该工具放入工具列表，并从Hub拉取预定义的提示模板用于引导智能体行为；
2026-03-24 18:48:44
356
原创 小白从零开始勇闯人工智能：深度学习汇总（复习大纲篇）
Transformer的核心是自注意力机制，通过将输入映射为查询、键、值三个矩阵，计算每对位置的相关性，并以缩放点积形式加权聚合，实现全局依赖的并行建模。掩码语言模型随机选取15%的词元进行预测，其中80%替换为[MASK]，10%替换为随机词元，10%保持不变，以此缓解预训练与微调之间的输入不匹配。长短时记忆网络通过精巧设计的遗忘门、输入门和输出门，构建出独立的细胞状态，让信息能在长序列中稳定传递，有效缓解了传统RNN的长距离依赖问题。计算快，正区间梯度恒为 1，缓解梯度消失。输出非零中心，收敛慢。
2026-03-23 17:30:09
430
原创 小白从零开始勇闯人工智能：机器学习汇总（复习大纲篇）
这是一篇将之前所学的机器学习的内容汇总复习的文章。机器学习本质上就是让机器从数据中自动的找出规律来，用来预测新的数据。就比如：你有1000张猫狗照片（带标签），计算机学完后，看到新照片能自动判断是猫还是狗。你有1000条房屋信息（面积、价格、地段），计算机学完后，看到新房屋信息能预测价格。监督学习就是：数据有标签，让计算器学习“输入-答案”的规律，例如：预测房价：输入是“面积、地段”，输出是“价格”（已知历史房价）。识别垃圾邮件：输入是“邮件内容”，输出是“垃圾/正常”（已知历史邮件分类）。
2026-03-22 21:15:12
422
原创 小白从零开始勇闯人工智能：LangChain中的检索增强生成（RAG）
我们可以通过学习LangChain这样的框架轻松构建自己的AI应用。其中检索增强生成是一种让大语言模型能够利用外部知识库来回答问题的技术，它就像给AI装上了“搜索引擎”，让回答更加准确、及时。本文从零开始，一步步实现一个完整的RAG系统，从加载文档到构建交互式问答应用，所有代码都基于LangChain和国内可用的通义千问模型。
2026-03-19 23:00:33
464
原创 小白从零开始勇闯人工智能：LangChain中的Memory模块
在 LangChain 框架中，Memory 组件专门负责对话历史的存储与调用，其核心功能通过两种基本操作实现。首先是在读取阶段，系统会在处理用户当前输入之前，主动从 Memory 中调取历史消息，并将其与最新问题合并，共同构建出完整的提示模板。随后在写入阶段，当模型生成回复之后，系统会将本次完整的对话交互，包括用户的提问和 AI 的回答，一同记录回 Memory 中，为未来的对话积累上下文。
2026-03-17 20:40:39
396
原创 小白从零开始勇闯人工智能：LangChain 入门指南（下）
通过LangChain构建一个问答链，首先创建包含输出解析器格式指令的提示模板，并使用逗号分隔列表解析器，随后实例化ChatOpenAI模型。两种方式都可以输出结果，但链式写法更简洁直观。通过LangChain框架构建了一个结合输出解析器：首先创建解析器并获取其格式说明作为系统提示，然后定义聊天提示模板，其中系统消息嵌入解析器指令，人类消息要求列出指定国家的五个汽车品牌；对于更复杂的数据结构，可以使用基于 Pydantic 的解析器，定义好期望的 JSON 格式，模型就会按此格式返回 JSON。
2026-03-16 21:56:55
236
原创 小白从零开始勇闯人工智能：LangChain 入门指南（上）
LangChain 是一个强大的框架，主要用于简化基于大语言模型的应用开发。它像乐高积木一样，将各种组件（模型、提示模板、输出解析器等）组合起来，让新手能快速搭建出功能丰富的 AI 应用。本篇文章将从零开始，一步步学习的LangChain 的核心概念与用法。
2026-03-16 21:34:58
813
原创 小白从零开始勇闯人工智能：大模型API的调用
人工智能大模型的能力通常通过API（应用程序编程接口）对外提供服务。刚接触大模型的初学者调用这些API时可能不知从何入手。本文将从零开始，带你完成账号注册、环境配置，并通过几个真实的Python代码案例，逐步掌握大模型API的各种玩法。
2026-03-14 10:05:29
659
原创 小白从零开始勇闯人工智能：bert自然语言框架（3）
在训练解码器时，虽然我们已知完整的目标句子，但为了模拟生成过程，需要将目标句子向右移动一位，并在开头添加起始符<sos>作为输入。例如，目标句为“I love China”，则输入变为“<sos> I love China”，而期望的输出是原始目标句“I love China”，让模型在每个时间步根据已生成的前缀预测下一个词，从而学会逐词生成的能力。
2026-03-12 17:40:46
480
原创 小白从零开始勇闯人工智能：bert自然语言框架（2）
在上篇中，我们了解了BERT的概念和核心——Transformer，并深入拆解了Self-Attention的计算细节，知道了它如何让每个词都能“看到”整个句子。但一个完整的Transformer编码器远不止这些，它还需要解决词的顺序问题、训练稳定性问题，以及如何为具体任务准备数据。今天，我们将继续探索BERT中的位置编码。
2026-03-12 17:09:24
351
原创 小白从零开始勇闯人工智能：GitHub基础入门（下）
分支类型 命名规范 用途主分支 main 或 master 存放稳定、可发布的代码（核心分支）开发分支 dev 或 develop 团队日常开发的分支（所有功能先合到这）功能分支 feature/xxx 开发单个新功能（比如 feature-login）Bug 修复分支 bugfix/xxx 修复开发中的 Bug紧急修复分支 hotfix/xxx 修复线上已发布版本的紧急 Bug。
2026-03-09 21:11:41
467
原创 小白从零开始勇闯人工智能：GitHub基础入门（上）
GitHub = 基于 Git 的代码托管 + 协作开发平台。它就像是程序员的 “云端代码网盘 + 协作工作台 + 项目社区”。
2026-03-09 20:34:36
788
原创 小白从零开始勇闯人工智能：bert自然语言框架（1）
BERT是Google在2018年提出的自然语言处理预训练模型。其基础框架完全基于Transformer架构中的编码器部分。BERT的核心在于采用深度双向训练机制，通过在预训练阶段联合利用左右两侧的上下文信息来生成深度的双向语言表征。BERT通过两个预训练任务完成训练：掩码语言模型随机掩盖部分输入词并让模型根据上下文进行预测，以及下一句预测判断两个句子间的逻辑关系。
2026-03-07 11:31:54
371
原创 小白从零开始勇闯人工智能：Yolo目标检测初级篇(3)
当前存在多种功能各异的数据标注工具。例如，基于Python与Qt开发的LabelImg专注于2D矩形框标注，适用于目标检测任务，VGG团队的Labelme则功能更为全面，支持多边形分割、语义分割以及点线标注。同为VGG开发的VIA工具同样涵盖了多边形、语义分割等标注类型，其V3版本还扩展了视频与音频标注能力。RectLabel的特色在于支持导出YOLO、KITTI、COCO等多种主流数据集格式，并能读写Pascal VOC XML文件。
2026-03-06 17:57:33
406
原创 小白从零开始勇闯人工智能：Yolo目标检测初级篇(2)
在上一篇文章里我们认识了YOLO V1算法，但是每个网格只能预测一个类别，导致对重叠物体的检测效果欠佳，每个网格仅预测两个通过聚类初始化的固定形状边界框，对尺度多变的物体适应性不强，网络下采样倍数较大，特征图分辨率低，使得小物体难以被准确检出。近年来YOLO算法也更新了许多版本，本文中将初步介绍YOLO V2以及YOLO V3。
2026-03-02 17:50:59
643
原创 小白从零开始勇闯人工智能：Yolo目标检测初级篇(1)
YOLO是一种基于深度学习的端到端目标检测算法，它将目标检测任务视为一个回归问题，通过单个神经网络直接从输入图像的像素级别预测出目标的边界框和所属类别概率。与传统的两阶段检测器如Faster R-CNN不同，后者通常需要区域提议网络生成候选区域后再进行分类和回归，YOLO采用一次前向传播完成整个检测过程，从而在保持较高检测精度的前提下，实现了极快的处理速度，能够满足实时应用的需求。在具体实现中，YOLO将输入图像划分成网格，每个网格单元负责预测中心点落在该区域内的目标，这种设计大大简化了传统检测的复杂步骤。
2026-03-01 12:41:03
569
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（OpenCV综合实战（下））
这里采用了深度学习算法，通过OpenCV的DNN模块加载并运行一个预训练的Caffe模型，其核心是对输入图像或视频流中检测到的人脸进行快速处理，首先进行必要的预处理，随后同步推理，最终输出该人脸的性别分类（男/女）以及所属的年龄区间段预测。
2026-02-06 18:56:25
1142
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（OpenCV综合实战（上））
在人工智能潮中，计算机视觉让机器学会"看懂"世界。从人脸表情的微妙变化到疲劳状态的精准判断，再到年龄性别的智能预测，计算机视觉技术正悄然融入我们的生活。本篇文章将介绍OpenCV的案例实战，通过两个完整的代码案例，一步步实现表情识别、疲劳检测，为后续最终实现一个多功能的简单的综合检测系统打下基础。
2026-02-04 14:41:46
1152
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（OpenCV补充(1)）
在图像上绘制连接一系列连续特征点的直线段。接收起始和结束两个索引值作为参数，从预定义的关键点集合（shape）中提取相应区间的所有点坐标。通过遍历这些点，函数将相邻点两两连接，使用OpenCV的线段绘制功能以绿色线条在图像上逐段描绘出连续轨迹。"""绘制连续的特征点直线参数：- start: 起始特征点索引- end: 结束特征点索引"""pts = shape[start:end] # 获取从start到end-1的特征点ptA = tuple(pts[l-1]) # 前一个点。
2026-02-02 18:37:23
1061
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（OpenCV进阶操作(下)）
在掌握基础图像操作后，接下来我们将进阶至对视频动态内容分析与内容生成。本文将介绍“背景建模”、“光流估计”、“物体跟踪”、“风格迁移”及“视频风格迁移”五个部分，深入了解OpenCV中对应的高级模块。
2026-02-01 18:40:37
903
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（OpenCV进阶操作(中)）
角点是图像中一种重要的局部特征点，它指的是在两个或多个方向上灰度（或颜色）发生显著变化的像素位置。角点通常位于物体的边缘拐角处，是图像中“结构”信息最丰富的地方。由于其同时具有边缘变化剧烈和位置易于精确定位的特性，角点对图像的旋转、缩放都能保持相对稳定。在计算机视觉中，角点是图像匹配和目标跟踪的基础，因为它们是特征描述符（如SIFT、ORB）进行提取和匹配的关键位置。
2026-01-26 18:54:15
1254
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（OpenCV进阶操作(上)）
图像金字塔是计算机视觉中一种模拟多尺度观察的图像表示方法。它是通过对原始图像（金字塔底层）进行连续降采样（通常结合平滑滤波），生成一系列分辨率逐层降低的图像，并按顺序堆叠，形成从底部到顶部的“金字塔”结构。这种多尺度表达使算法能够像人类一样，既能“退后”观察整体结构与上下文，也能“走近”分析精细的局部特征。它在图像融合（如无缝拼接）、目标检测（识别不同大小的物体）等方面至关重要。最常见的类型包括用于下采样的高斯金字塔和用于重建图像细节的拉普拉斯金字塔。
2026-01-24 17:17:42
963
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（初识Opencv下）
轮廓检测的核心目标是从数字图像中识别并提取出其中物体或区域的边界线。其目的是找出连续且通常闭合的轮廓曲线，从而勾勒出物体的完整外部形状或内部结构边界。这个过程类似于为图像中感兴趣的物体进行“描边”或“勾勒外形”，其结果是由一系列连续点构成的、可用于进一步分析的封闭或开放轮廓集合。它使程序能够对图像中的目标进行定位、测量和分离操作。在OpenCV等常用库中，通常通过cv2.findContours()等核心函数来实现这一功能。参数：img：输入图像，必须是二值图像（只有0和255两种像素值）。
2026-01-22 19:59:17
1314
原创 小白从零开始勇闯人工智能：机器学习初级篇（PCA数据降维）
当我们尝试向朋友描述一朵花时，若逐一列举其萼片长度5.7厘米、宽度2.8厘米、花瓣长度4.5厘米及宽度1.3厘米等繁琐的细节，对方可能难以理解我们索要表达的重点。那么我们能否找到一种更简洁的方式，在保留花朵核心特征的同时简化描述。这就是数据降维所要解决的实际问题。在机器学习中，面对成百上千个特征的高维数据，过多的维度会拖慢计算效率，并可能导致“维度灾难”——即数据在高维空间中过于稀疏，使模型难以学习有效模式。所以我们可以使用PCA方法，它能够从众多特征中提取关键信息，实现数据的简化与压缩。
2026-01-16 10:18:48
1239
原创 小白从零开始勇闯人工智能：机器学习初级篇(词向量转换)
词向量的本质，是将语言中的离散符号（词语）映射为连续、稠密的数值向量的过程。其核心的设计目标，是让这些向量在数学空间中的几何关系——包括距离远近与算术运算能够精准对应词语之间的语义关联。语义相近的词语（例如“猫”与“狗”），其对应的向量在空间中的位置会非常接近。更进一步，词语之间复杂的逻辑关系（例如“国王”减去“男性”再加上“女性”约等于“女王”），能够通过向量之间的加减计算直观地展现出来，从而实现用数学运算来模拟语义推理。
2026-01-14 22:25:56
1445
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（初识Opencv中）
我们在上一章的学习中已经掌握了使用OpenCV进行图像读取、显示和保存的基础后，便意味着完成了计算机视觉的“睁眼”步骤。接下来，我们将迈向更富挑战的环节：引导计算机超越单纯的“观看”，去“理解”图像中蕴含的形状结构与轮廓线条。本篇文件章要学习的内容——图像形态学与边缘检测，正是实现这一功能的关键。它们如同图像处理领域精密的“手术刀”与“放大镜”，能让我们对图像进行精细的操控与增强，从而准确无误地剥离并提取出那些构成图像本质的关键信息与特征。
2026-01-11 15:39:20
1012
原创 小白从零开始勇闯人工智能：机器学习初级篇（TF-IDF）
TF-IDF是一种经典且易于理解的机器学习算法，特别适合刚开始接触自然语言处理（NLP）的初学者。它通过计算词频和逆文档频率来评估词语的重要性，其原理直观，无需深厚的数学背景即可掌握，并能有效解决文本关键词提取等实际问题。作为NLP的基石，理解TF-IDF能为后续学习更复杂的词嵌入模型（如Word2Vec）和预训练模型（如BERT）奠定坚实的基础。
2026-01-08 20:16:05
1260
1
原创 小白从零开始勇闯人工智能：深度学习初级篇（卷积神经网络上）
卷积神经网络（Convolutional Neural Network，简称CNN）是一种专门用于处理具有网格结构数据（如图像）的深度学习模型。其核心在于通过卷积层自动提取数据的局部特征，利用池化层降低特征图的空间尺寸并增强平移不变性，最后通过全连接层进行分类或回归。CNN通过权值共享和局部连接显著减少了参数数量，从而高效学习图像的空间层次化特征。它已成为计算机视觉领域如图像识别、目标检测和图像分割等任务的主导架构，并广泛应用于自然语言处理和语音识别等其他序列数据处理中。
2026-01-06 21:22:12
884
原创 小白从零开始勇闯人工智能：计算机视觉初级篇（初识Opencv上）
在人工智能发展的过程中，计算机视觉也开始更频繁的进入到大众的视野里。作为该领域最主流的开源工具库，OpenCV如同一把功能强大的钥匙，开启了探索图像识别与分析的大门。
2026-01-04 20:17:39
1197
原创 小白从零开始勇闯人工智能：机器学习初级篇（贝叶斯算法与SVM算法）
本篇文章将学习两个简单而又经典的机器学习算法：朴素贝叶斯和支持向量机（SVM）。为什么选择这两个算法？因为它们代表了机器学习中两种不同的类型：贝叶斯算法基于概率统计，可以直观的展现结果，而SVM基于几何间隔，能力强大而精确。通过学习它们，我们将更加理解机器学习的基本思维方式。
2025-12-29 19:53:49
1447
1
原创 小白从零开始勇闯人工智能：机器学习初级篇（随机森林）
随机森林是一种集成学习算法，其核心是结合“决策树”、“Bagging”和“随机特征选择”三项技术。它通过自助采样法构建多棵决策树，每棵树不仅基于数据的随机样本进行训练，而且在每个节点分裂时只考虑特征的一个随机子集。这种双重随机性确保每棵树具有差异性。最终，对于分类任务通过投票、对于回归任务通过取平均值的方式，汇总所有树的预测结果，从而获得比单棵决策树更准确、更稳定的模型，并且可以有效防止过拟合。
2025-12-28 18:52:19
870
原创 小白从零开始勇闯人工智能：深度学习初级篇（初识深度学习及环境的配置与安装）
1.运行安装程序，接受协议2.选择自定义安装3.取消勾选“Visual Studio Integration”
2025-12-24 15:57:55
1289
原创 小白从零开始勇闯人工智能：机器学习初级篇（决策树）
房产？/ \无 有/ \车辆？可以贷款/ \无 有/ \不可贷款 车收入？/ \>30万 <30万/ \可以贷款 不可贷款这个树告诉我们有房产的直接可以贷款，没房产但有车的，则是由收入决定的，没房产也没车的，不能贷款。
2025-12-22 17:42:31
1009
原创 小白从零开始勇闯人工智能：机器学习初级篇（线性回归与逻辑回归）
线性回归是一种通过建立自变量与因变量之间的线性关系来进行预测的统计模型。其基本形式可以表示为：y = β₀ + β₁x₁ + β₂x₂ + … + βₙxₙ + ε。在方程中，y代表因变量（即我们希望预测的连续值），x₁, x₂, …, xₙ代表一系列自变量（用于预测的特征），β₀, β₁, …, βₙ是模型的参数，其中 β₀为截距，其他β值代表每个特征对目标值的影响权重，而ε则代表误差项，用于捕捉模型无法解释的随机波动。该模型的目标是找到一组最优的参数β，使得预测值ŷ与真实值y之间的误差最小。
2025-12-19 20:14:28
1206
原创 小白从零开始勇闯人工智能：爬虫初级篇（Selenium库）
Selenium最初是为Web应用程序测试而生的工具。Selenium可以录制我们的操作，然后自动重复执行，就像一个不知疲倦的测试员。但既然Selenium能控制浏览器，那为什么不把它用来抓取数据呢？于是，Selenium在爬虫领域也开始应用了起来。
2025-12-17 20:00:56
3427
2
原创 小白从零开始勇闯人工智能：机器学习初级篇（KNN算法）
本章我们正式开使学习机器学习，首先我们要认识一个机器学习中最基本的算法：K-近邻（KNN）算法是一种直观的、基于实例的经典机器学习方法。简单来说，要判断一个新样本的类别，需考察它在特征空间中距离最近的K个已知样本的类别，并遵从多数邻居的类别进行归属。该算法不需要显式训练，直接存储数据，预测时通过计算距离（如欧氏距离）来寻找最近邻；而K值的选择至关重要，过小易受噪声干扰，过大则可能模糊边界。
2025-12-15 22:05:21
1162
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人