- 博客(918)
- 收藏
- 关注
RSS订阅原创 大模型初探和本地部署
大语言模型（Large Language Model, LLM）简称大模型，本质上是基于海量文本数据训练的、通过统计规律映射语言与知识的 “概率生成模型” —— 核心并非 “理解” 语言或世界，而是通过学习人类文本中的字符（词 / 字 /Token）序列关系，实现 “给定输入后，生成符合人类逻辑与常识的输出”。可从 3 个核心层面理解。
2026-01-09 16:11:31
317
原创 大模型微调发展现状
看下来，大模型微调领域范式创立时期是 2021-2023 年：LoRA (2021)、P-Tuning v2 (2021)、QLoRA (2023) 解决了大模型微调的根本问题：如何在有限硬件上高效且不牺牲太多性能地微调模型。是到23年之后，就没有大的变化，基本上都是在基石基础上缝缝补补的小改进。在工程领域，研究的更多的是把 QLoRA/LoRA 运行得更快、更稳定的问题。比如，FlashAttention 等技术实现了训练效率的提升，以及内存管理策略的优化。
2026-01-09 16:08:38
356
原创 一文了解大模型，智能体、AIGC，关系及应用
★大模型是一种基于深度学习技术，具有海量参数、强大的学习能力和泛化能力，能够处理和生成多种类型数据的人工智能模型。大模型通常指的是大规模的人工智能模型。参数量巨大：通常在数亿到数万亿级别（如GPT-3有1750亿参数）。训练数据量大：使用TB级文本、图像或多模态数据。计算资源需求高：依赖GPU/TPU集群训练，耗时长、成本高。通用性与泛化性：通过预训练适应多种任务（如文本生成、问答、翻译等）。大模型的设计和训练旨在提供更强大、更准确的模型性能，以应对更复杂、更庞大的数据集或任务。
2026-01-09 16:06:24
435
原创 假如你从1月开始转型AI大模型应用开发
刚接触AI大模型不知道怎么学？收好这份3个月转型攻略👇🏻阶段一（1-2周）阶段二（3-4周）阶段三（5-8周）阶段四（9-12周）
2026-01-09 16:04:47
426
原创 如何微调（Fine-tuning）大语言模型？
本文介绍了微调的基本概念，以及如何对语言模型进行微调。从 GPT3 到 ChatGPT、从GPT4 到 GitHub copilot的过程，微调在其中扮演了重要角色。什么是微调（fine-tuning）？微调能解决什么问题？什么是 LoRA？如何进行微调？本文将解答以上问题，并通过代码实例展示如何使用 LoRA 进行微调。
2026-01-09 16:02:40
623
原创 什么是大模型，智能体...？大模型100问，快速全面了解！
主要瞄准现代战场上的“数据洪流”难题，旨在将陆、海、空、天等不同领域成千上万的传感器和武器平台连接起来，通过人工智能技术融合数据，为作战人员生成一张统一的、实时的共用作战图，从而极大缩短从发现目标到实施打击的决策时间，支撑更快的决策。ROUGE（Recall-Oriented Understudy for Gisting Evaluation）是一种用于评估自动文本摘要和机器翻译质量的指标，通过比较自动生成的摘要与参考摘要（通常是人工生成的）之间的相似度来进行评估，关注生成内容对原文的召回率。
2026-01-09 16:00:36
481
原创 AI知识图谱：一张图看懂AI学习全路径
总结了一份AI相关的知识框架和学习路径：- 企业级应用学完这三个阶段，你将完成从AI新手到AI架构师的完整蜕变。作者能力有限，借此希望为想学习AI的朋友们提供一条系统性的学习路线，快速入门，拥抱AI！
2026-01-09 15:59:03
616
原创 这是一份大模型入门手册！（附学习文档）
NLP的基础知识对于学习LLM也是必要的，比如了解分词器，还有现在经典的NLP模型，比如Bert模型，Bert模型的提出，让大家看到大模型可以采用预训练和微调这样一个训练范式，最后是自然语言处理任务的评估指标困惑度。这部分的内容包括大模型训练框架，比如Megatron-LM, DeepSpeed, 高效参数微调的方法，当前主流的开源大模型，RLHF流程的介绍，COT和TOT的介绍，监督微调的训练，最后是混合专家模型MOE。很多同学学习大模型的过程中，可能会比较迷茫，这是因为缺乏清晰的学习路线。
2026-01-09 15:57:54
105
原创 写给小白的大模型入门科普
多模态大模型，结合了NLP和CV的能力，通过整合并处理来自不同模态的信息（文本、图像、音频和视频等），可以处理跨领域的任务，例如文生图，文生视频、跨媒体搜索（通过上传图，搜索和图有关的文字描述）等。根据训练的数据类型和应用方向，我们通常会将大模型分为语言大模型（以文本数据进行训练）、音频大模型（以音频数据进行训练）、视觉大模型（以图像数据进行训练），以及多模态大模型（文本和图像都有）。大部分的大模型，都是基于开源大模型框架和技术打造的，实际上是为了迎合资本市场的需求，或者为了蹭热度。
2026-01-09 15:56:53
373
原创 大模型工程师？门槛真没你想的那么高！
月薪 15K 的 Java 仔，转行大模型后直接翻倍。别不信，这事儿正在批量发生。有人说想搞大模型必须 985 硕士起步，还得发过顶会论文？。现实是：37 岁老程序员转型大模型应用开发，三个月拿下 offer；传统运维小哥靠 RAG 技术逆袭，薪资直接跳涨 80%。这行业正在上演现实版《屌丝逆袭》。
2026-01-09 15:55:35
360
原创 一文搞懂 | 大模型为什么出现幻觉？从成因到缓解方案
随着大模型（Large Language Models, 以下简称LLM）迅猛发展的浪潮中，幻觉（Hallucination）问题逐渐成为业界和学术界关注的焦点。所谓模型幻觉，指的是模型在生成内容时产生与事实不符、虚构或误导性的信息。比如，当你询问“世界上最长的河流是哪条？”模型可能一本正经地回答：“是亚马逊河，位于非洲”，而实际上亚马逊河在南美洲，同时也并不是最长的河流。
2026-01-08 15:10:52
636
原创 大模型微调方法梳理：P-Tuning、Prefix Tuning、Adapter、LoRA
大模型精调方法综述：针对预训练大模型在特定任务表现不佳的问题，本文系统介绍了两种精调方案。全量参数调整虽能发挥模型潜力但成本高昂，更适合参数规模较小的模型。目前主流采用部分参数微调方法，重点分析了五种高效微调技术：1)Prompt Tuning通过添加可训练提示词优化输入；2)P-Tuning引入可训练编码Token加速收敛；3)P-Tuning v2改进为多层提示优化；4)Prefix Tuning在注意力机制中注入可训练前缀向量；5)Adapter方法通过插入小型神经网络模块实现参数高效更新。这些方法显
2026-01-08 15:09:01
672
原创 从Java到Agent开发：3个月转型指南，轻松掌握大模型应用核心能力
2026年程序员赛道迎来AI转型关键期：传统开发岗位缩减，Agent开发人才需求激增。针对Java开发者，本文提供3个月转型方案： 优势分析：Java架构思维、工程化能力可无缝迁移至Agent开发，LangChain4J框架降低学习门槛 学习路径： 第1月：掌握Python基础与大模型API调用 第2月：专攻LangChain4J框架及多Agent协作 第3月：完成企业级部署与性能优化 避坑指南：避免盲目转Python生态、忽视基础语法、理论脱离实践 资源支持：提供全套免费学习资料包（含实战案例）助开发者快
2026-01-08 15:08:01
246
原创 普通 Python 开发程序员如何转型大模型方向？
本文提供了一份大模型领域转型指南，从明确目标方向、掌握基础知识到深入技术学习和实践项目。首先建议根据兴趣选择开发、应用、研究或工程方向，并掌握Python、PyTorch等工具和数学基础。重点学习Transformer架构、预训练微调、模型优化等核心技术，通过文本分类、机器翻译等项目实践。最后推荐参与Hugging Face等开源社区，持续提升技术能力。全文系统性地规划了从零开始进入大模型领域的学习路径。
2026-01-08 15:06:40
832
原创 华为的准万亿大模型，是如何训练的？
华为发布《华为技术披露集》系列第八期，详细介绍了其昇腾+Pangu Ultra MoE训练系统的技术创新。该系统实现了国产算力与模型全流程自主可控，在预训练阶段将昇腾Atlas 800T A2万卡集群MFU提升至41%，后训练阶段单CloudMatrix 384超节点吞吐达35K Tokens/s。华为通过三大关键技术突破：智能并行优化提升集群利用率，昇腾架构适配释放单节点算力，以及创新的RL后训练框架实现训推共卡和准异步机制。这些创新使系统能在2秒内完成准万亿参数MoE大模型对高等数学题的训练理解，展现了
2026-01-08 15:05:27
532
原创 聊一聊大模型幻觉问题及其解决方案
摘要：本文探讨了大模型幻觉问题，即大模型生成看似合理但实际错误的内容。幻觉分为事实性（捏造事实、不一致）和忠实性（不遵循指令或上下文）两类。产生原因包括数据局限、算法缺陷及推理偏差。检测方法包括问题确定性分类、语义熵分析和外部工具验证。解决方案涵盖预训练优化、RAG技术（通过知识库增强生成结果）以及query预处理（如子查询分解）。360可信大模型通过多阶段技术缓解幻觉问题。
2026-01-08 15:03:47
658
原创 2026！深入了解 大语言模型（LLM）微调方法（总结）
本文深入探讨了大语言模型(LLM)微调技术，涵盖其定义、应用场景及各类方法。微调通过特定数据集训练预训练模型，提升其在专业任务中的表现，如医疗报告生成等。文章详细介绍了LLM项目生命周期、监督微调流程(SFT)及参数高效微调(PEFT)等关键技术，并对比了全微调与迁移学习等方法的优劣。同时探讨了检索增强生成(RAG)作为微调替代方案的优势，最后提出明确任务目标、合理选择方法等最佳实践建议，为LLM应用落地提供实用指导。
2026-01-08 15:00:29
636
原创 2026程序员转行大模型领域的方向推荐，这五个方向最有发展前景！！
大模型算法工程师处于大模型技术研发的核心位置，负责设计、优化和改进大模型架构与算法，以提升模型性能、降低计算成本、增强模型泛化能力。：了解模型推理加速的方法和技术，如模型剪枝、量化、蒸馏等，能够对训练好的模型进行优化，减少推理时延，提高模型在生产环境中的响应速度。：大模型领域技术更新迅速，算法工程师需要密切关注国际学术会议（如 NeurIPS、ICML、CVPR、ACL 等）和顶尖研究机构的最新研究成果，及时将前沿技术应用到实际工作中，并具备创新思维，能够提出新的算法和解决方案，推动大模型技术的发展。
2026-01-08 14:58:48
791
原创 本地部署大模型-AI Agent
AI Agent：从智能对话到自主执行 AI Agent的本质是将大模型升级为能持续行动的系统。相比普通大模型（被动问答），Agent能主动拆解任务、调用工具、纠错迭代，形成“目标-规划-执行-反馈”的闭环。其核心架构包括：大模型（决策）、记忆模块（RAG/SQLite）、工具集（API/Python）和控制循环。一个最小实现需包含任务规划、工具选择、执行与状态更新。通过结构化JSON输出约束行为，结合沙箱环境保障安全，Agent可完成文件读写、代码执行等任务。技术栈推荐轻量级本地模型（如DeepSeek
2026-01-08 14:56:49
595
原创 非科班普通人如何转大模型相关岗位拿下大厂 offer
大模型赛道变化很快，今天的新技术可能明天就会被迭代。所以，入行之后一定要保持学习的热情，多关注前沿论文和技术动态。很多面试官会问你最近有没有关注什么新模型、新技术，考察你对行业的敏感度。读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用如果你是零基础小白，想快速入门大模型是可以考虑的。一方面是学习时间相对较短，学习内容更全面更集中。二方面是可以根据这些资料规划好学习计划和方向。作为一名老互联网人，看着AI越来越火，也总想为大家做点啥。干脆把我这几年整理的AI大模型干货全拿出来了。
2026-01-08 14:55:02
593
原创 怎么成为一个 ai agent 工程师？
一旦它通过训练好的逻辑判断出“我要调工具了”，它会生成一个特殊的停止符或者一段特定的 JSON 结构，然后停止生成。我们可以把整个过程想象成一场**“接力赛”**，LLM 和 我们的系统代码（Python/Java 后端）是两个运动员，他们不能同时跑，必须交接棒。学习从来都是自己的事，我能做的就是帮你把路铺平一点。资料都放在下面了，有需要的直接拿，能用到多少就看你自己了。全部免费，不搞虚的。如果你是零基础小白，想快速入门大模型是可以考虑的。答案：是的会暂停，而且是接力跑式的暂停。我们的后端代码接过了棒子。
2026-01-07 14:00:29
511
原创 AI基础入门（模型微调）——创建一个属于自己的大模型
模型微调，顾名思义，就是对模型微微做一些调整。为什么要做微调呢？如果可以的话，每个公司都想拥有一个属于自己的大模型。但是，现实比较残酷，训练一个大模型需要花太多的钱。按照一些大公司的说法，一个千亿参数的大模型，训练一次的成本大约需要几百万美元。这显然就超过一个普通公司承受的范围。虽然我们无法训练一个属于自己的大模型，但一个好消息是，我们可以做模型微调。大模型是构建于神经网络基础之上的，神经网络可以理解成一个一个的神经元构建的网络。训练模型，就是在调整神经元之间的连接方式。
2026-01-07 13:58:13
221
原创 HuggingFace发布超200页「实战指南」，从决策到落地「手把手」教你训练大模型
比如在训练启动后的短短数小时内系统的吞吐率（throughput）骤然下滑、持续下滑，以及在引入新的 dataloader（数据加载器） 后，虽然吞吐率下降的问题不再出现，但损失曲线（loss curve）却明显变得更加噪声化，波动比以前大得多等等，各种问题随时都会出现，所以要做好及时应对各种问题的准备。从前面来看，此时已经准备好了大部分的工作，经过验证的模型架构、最终确定的数据混合方案、调好的超参数，剩下的任务就是搭建好基础设施（这在最后讲解），然后「开始」训练。因此，必须使用更细粒度的下游评估。
2026-01-07 13:56:26
593
原创 30天快速入门AI大模型：从理论到实践的详细学习方案
从ChatGPT的惊艳问世到各类开源模型的百花齐放，掌握大模型技术已成为许多技术人员提升核心竞争力的关键。：观看Andrej Karpathy的 “Let’s build GPT: from scratch” 视频，跟随时，你会对模型内部的工作方式有深刻理解。遵循这份计划，一个月后，你将不仅仅是AI大模型的旁观者，更将成为一名有能力、有见解的实践者。编写代码，手动对一段文本进行分词、编码，送入模型，然后解码模型的输出，得到生成的文本。：掌握为特定任务微调一个预训练模型的能力，让模型更“懂”你的业务。
2026-01-07 13:53:55
268
原创 【粉丝专享】2026年最新最全的大模型学习资源包！！
AI大模型正在以惊人的速度改变着各行各业。正如移动互联网时代造就了无数成功的开发者，今天的大模型技术也为我们带来了前所未有的机遇。学习和掌握这项技术，不仅能让你站在行业前沿，还能为你的职业生涯带来巨大的回报。企业为什么需要AI大模型？企业对于AI大模型的需求正以前所未有的速度增长，而这背后的原因不仅仅是为了追赶潮流，更是因为AI大模型能为企业带来切实的商业价值。降本增效：通过AI大模型，企业可以大幅提升员工的综合能力和产值，减少人工重复劳动，从而有效降低运营成本。
2026-01-07 13:52:35
407
原创 关于智能体（AI Agent）最常用框架，做了超详细的总结！
智能体框架通过规范化和模块化设计，显著提升了开发效率与系统可维护性。主流框架如AutoGen、AgentScope、CAMEL和LangGraph各有侧重：AutoGen以对话驱动协作，AgentScope强调易用性，CAMEL采用角色扮演机制，LangGraph则通过图结构实现复杂流程控制。以AutoGen 0.7.4为例，其分层架构和异步设计优化了多智能体协作，但存在调试困难和流程不可控等挑战。框架选型需结合具体需求，平衡效率与可控性。（149字）
2026-01-07 13:50:38
366
原创 从人类智能到智能体：Agent的发展与治理
根据其是否对物理空间产生影响，可分为数字型智能体（比如基于规则进行“输入－输出”且无需与环境互动的智能体）、物理型智能体（比如感知环境并通过自主决策影响实体行为的智能体，如自动驾驶智能体、工厂智能体等）。总体来看，为推动智能体应用由单一智能体转向真正的多智能体协同，破解复杂任务瓶颈，需聚焦五个关键领域实现突破，包括认知与决策能力（智力上限）、多智能体协同机制（通信协议等）、高质量数据供给和开发利用、监管驱动的安全可信、部署成本和收益的平衡。**L2级：**引入模仿学习与强化学习，具备环境推理与决策能力；
2026-01-07 13:49:30
298
原创 深度解析Agent实现，定制自己的Manus
摘要 Manus作为全球首款通用AI Agent，凭借任务分解与执行能力在GAIA测试中超越OpenAI，虽被质疑缺乏底层创新，但其工程化整合能力突出。特点包括：将AI Agent概念产品化，满足用户对自主解决问题的期待；精准营销，制造稀缺性并快速传递价值。随后MetaGPT推出开源复刻版OpenManus，便于学习与二次开发。文章系统探讨AI Agent的原理与设计，涵盖规划、记忆、工具调用等核心要素，并通过实践构建个性化Agent（MyManus），验证现有技术局限性与改进方向。AI Agent正推动软
2026-01-07 13:48:19
291
原创 我的超详细大模型学习路线！
最近看了很多大厂（字节、阿里、腾讯等）的校招和社招HC，发现一个明显趋势：虽然预训练（Pre-training）是基石，但由于算力门槛极高，那是少数“神仙打架”的领域。我复盘了自己在实习中LLM的微调经验、AI-Agent开发经验、高stars开源项目经验，结合cs336课程理论的全过程，把碎片化的知识串成了一条线，希望能帮想转行的你，搭建一个坚实的知识框架！🤔2025年AI风口已来！就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋。
2026-01-07 13:45:41
257
原创 写给小白的大模型入门科普
大模型是指包含超大规模参数（十亿级以上）的神经网络模型，主要包括语言大模型、视觉大模型和多模态大模型等类型。其训练分为预训练和微调两个阶段：预训练通过海量未标注数据学习通用特征，微调则使用特定领域标注数据优化模型性能。大模型具有涌现能力和泛化能力，可应用于文本生成、图像识别、跨模态任务等多个领域。但其训练需要庞大算力（如GPT-3需3640PFLOP·天）和海量数据（如45TB文本），成本极高。相比小模型，大模型能处理更复杂任务但资源消耗更大，存在过拟合风险。当前多模态大模型正成为行业新焦点。
2026-01-07 13:43:33
780
原创 打破信息差！转AI大模型开发学习顺序真的很重要！！
1.了解LangChain的核心概念，深入学习其核心组件，能独立用LangChain接API、处理数据、搭出可用的AI工具。1.了解大模型的概念和背景、国内外最新进展，从简单的例子入手比如看看Deepseek是怎么输出的。3.了解Prompt的概念、作用，如何通过设计有效的提示词来引导大美型生成预期输出，动手实践调试。全部免费，不搞虚的。1.了解RAG的概念、流程，着重理解RAG的应用场景和它在实际项目中的工作原理。2.深入学习RAG的一些优化技术和设计，如三大范式等，重点关注RAG的核心机制。
2026-01-06 11:30:11
356
原创 告别YOLO！基于Transformer的DETR实战：环境搭建+训练+预测全流程
本文介绍基于Transformer的目标检测模型DETR的实战应用教程。相比传统CNN模型（YOLO、Faster R-CNN等），DETR通过引入Transformer结构实现全局特征提取，无需复杂锚点设计，简化了检测流程。教程详细讲解了从环境搭建到模型训练的全过程：包括GPU环境配置、COCO格式数据集准备、预训练模型下载、参数调整策略等关键步骤，并提供了完整的预测可视化代码。DETR兼顾速度与精度，特别适合自定义数据集场景，但对GPU算力有一定要求。通过本教程，读者可快速掌握使用PyTorch训练DE
2026-01-06 11:29:07
763
原创 大模型推理优化：Transformer的Prefill + decoder 阶段详解
本文深入解析了大模型Transformer架构中的Prefill阶段关键流程。Prefill阶段通过四个步骤处理输入提示词：1）分词将文本转为token序列；2）Embedding层将token映射为向量；3）加入位置编码保留位置信息；4）通过Transformer层计算注意力权重。重点分析了Self-Attention机制的计算过程，包括QKV矩阵运算和注意力权重的softmax计算。文章特别指出，在Prefill阶段只需对最后一个token进行注意力计算，同时缓存所有token的K/V值以供后续解码使用
2026-01-06 11:25:39
728
原创 LangChain: 大语言模型的新篇章
LangChain是一个增强大型语言模型(LLM)能力的开源工具集，通过整合知识库和计算逻辑来构建更强大的AI应用。它提供六大核心功能：模型接口(支持文本生成和嵌入模型)、提示词模板(简化交互设计)、示例选择器(优化案例选取)和输出解析器(结构化响应)。LangChain标准化了模型调用方式，开发者可轻松切换不同模型，并利用PromptTemplates等工具高效构建提示词。其模块化设计显著提升了LLM的实用性和开发效率，为构建复杂AI应用提供了灵活框架。
2026-01-06 11:24:04
984
原创 RAG学习全流程，存一下吧很难找全了
本文系统介绍了RAG（检索增强生成）技术的核心架构与优化路径。技术层面分为问题输入、意图解析、知识检索（含向量化/混合/多跳检索）、上下文构建和生成五个模块；优化方向包括检索扩展、多粒度分块、嵌入模型微调等策略；评估体系涵盖检索指标（Hit@K、NDCG）和生成质量（可信度、相关性）。文章还对比了主流技术栈（Milvus/Pinecone等），并展望了自适应检索、多模态融合等前沿趋势。后附大模型AI学习路径，分四阶段（应用开发→模型训练→商业部署）提供系统化成长方案，强调掌握AI技术对个人竞争力的提升作用。
2026-01-06 11:22:27
582
原创 大模型Transformer架构从0-1架构深度解析
Transformer是一种基于自注意力机制的神经网络架构，由Google在2017年提出，解决了传统RNN处理长文本效率低下的问题。其核心思想是通过注意力机制让模型自动关注句子中的重要部分。Transformer架构现已成为大模型的基础，GPT、BERT等知名模型均基于它构建。神经网络模仿人脑神经元结构，通过权重计算和激活函数实现复杂任务处理。常见的激活函数包括Sigmoid、ReLU和Transformer偏爱的GELU等，它们为网络引入非线性特征，使其能学习复杂模式。从架构设计到具体实现，Transf
2026-01-06 11:20:35
711
原创 2026年AI智能体学习路线图：如何从零开始，快速成为AI高手
现在的智能体，因为它有Function Calling，它会判断：“哦，主人在问天气，我得调用‘天气查询API’这个工具。理解了这一点，当它一本正经胡说八道时，你就不会生气，而是知道：哦，我给的上下文（Context）不够，它“猜”偏了。你要做的不是骂它，而是补充信息。我见过太多人，听说Python火就去学Python，听说AI火就去学AI，结果书买了、课报了，最后全是“从入门到放弃”。RAG就是：当你要问它问题时，它先去翻你给它的“参考书”（比如公司手册、你的笔记），找到答案后再组织语言回答你。
2026-01-06 11:08:14
988
原创 从Java到Agent开发：3个月转型指南，轻松掌握大模型应用核心能力
2026年程序员赛道迎来重大变革：AI Agent协作导致传统开发者面临淘汰，而兼具Java与AI能力的复合型人才月薪突破5万。本文为Java开发者提供3个月转型Agent开发的定制计划： 转型优势：Java架构思维、工程化能力与设计模式可直接迁移，推荐优先学习适配Spring生态的LangChain4J框架； 学习路线：分三阶段（Python基础→LangChain4J实战→企业级部署），含文档问答、多Agent协作等实战项目； 避坑指南：避免盲目转Python、忽视基础语法、脱离实践； 资源支持：提供全
2026-01-06 11:03:13
781
原创 AI Agent 的工程化被低估了
摘要 本文探讨了AI工程化在构建AI Agent中的关键作用，将其分为产品工程和技术工程两大维度。产品工程聚焦用户体验，包含需求建模、UI/UX设计、Prompt工程等模块，旨在让AI"能用且好用"；技术工程则关注系统稳定性，涵盖架构设计、工具调用、安全机制等技术实现。文章通过NotebookLM、Monica等案例，展示了系统提示词设计、反馈闭环等具体实践，强调只有产品与技术的协同才能打造出真正可规模化的AI应用。工程化能力正成为AI从实验室走向产业应用的关键桥梁。
2026-01-06 11:00:03
626
原创 这是一份大模型入门手册！（附学习文档）
《大模型算法入门指南》摘要：本文系统介绍大模型学习的六个核心模块：1)深度学习基础(Transformer架构等)；2)NLP基础知识(Bert模型等)；3)大模型训练框架(Megatron-LM等)；4)推理技术(KVCache等)；5)应用开发(Langchain工具)；6)前沿动态(顶会论文追踪)。内容由浅入深标注难度星级，建议反复学习。文末提供全套免费学习资料，包含入门指南、路径图、实战案例等，适合零基础者系统掌握大模型技术。
2026-01-05 11:23:29
844
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