m0_71745484的博客

协同工具与跨团队沟通在IPD（集成产品开发）中，协同工具与跨团队沟通是确保项目的成功和效率的核心要素。由于IPD项目涉及多个职能部门，如市场、研发、供应链、生产等，跨团队沟通的质量直接影响项目进度和最终成果。协同工具通过促进团队间的信息共享、任务管理和会议安排，帮助团队高效合作、减少沟通障碍。协同工具的核心功能协同工具在IPD项目中的核心功能包括：实时沟通：打通各部门间的沟通壁垒，确保信息在整个开发周期内实时传递。文件与信息共享：支持项目文档、设计图纸、开发规范等的跨团队共享与协作。

在这个AI大爆炸的时代，你想要跟上节奏，掌握那些超酷的大型语言模型（LLM）吗？下面为你准备好了一份超全的**《AI大模型相关免费学习资源大全》**！希望它能在AI大模型的旅途中为你提供指引和帮助！Prompt提示工程指南**简介：**一门专注于开发和优化提示词的学科，帮助用户更好地利用大型语言模型（LLM）。**学习资源：**涵盖论文研究、学习指南、模型、讲座等。**学习地址：**https://www.promptingguide.ai/zhOpenAI中文开发文档。

随着人工智能技术的发展，大模型成为了近年来的热门话题之一。本文旨在为初学者提供关于大模型的基础知识介绍，并探讨其对企业的影响、应用领域的就业前景以及如何系统地学习大模型。什么是大模型？大模型（Large Models），通常指的是拥有大量参数的深度学习模型。这些模型由于其规模庞大，能够捕捉到数据中的复杂模式，因此在自然语言处理（NLP）、计算机视觉（CV）等领域有着广泛的应用。例如，GPT-3 和 BERT 就是自然语言处理领域中著名的大型预训练模型。

在人工智能领域，大型语言模型（LLMs）已经取得了显著的进展，能够生成类似人类的文本并回答各种问题。然而，它们在推理过程中仍面临一些挑战，例如缺乏对事实的准确把握以及难以处理复杂的多步骤问题。为了解决这些问题，检索增强生成（RAG）和思维链（CoT）提示技术应运而生，而它们的结合（RAG + CoT，即检索增强思想 RAT）更是展现出了强大的优势。一、RAG：知识的注入器RAG，即检索增强生成，是一种允许LLMs在推理过程中访问外部信息源的技术。

这篇文章目的是改变你工作生活与智能化交互的习惯，从而提升效率300%以上。这篇文章关注点为精力管理和效率管理相关的逻辑、工具与方法论。AI火起来的这两年，我经常想什么人需要AI，至少管理者应该是不需要，因为管理者的职责主要是管理人、组织工作流程、制定决策以及确保团队达成目标，更多地涉及人力资源和策略层面的工作。如果AI普及了，那么你让管理者下去一线去管AI，管AI即用生产工具，那岂不是违背管理的本质。

运营人，终于被逼疯了！一个人=一个部门！文案、策划、拍摄、剪辑、运营、销售什么都做。企业利润为王，阅读量、粉丝量要是不能转化为业绩，注定拿不到高薪……**活干了一大堆，一看工资8000块，**运营岗入行门槛低，天花板也低，晋升更无望！运营岗的出路在哪里？在AI持续火爆的今天，未来的运营高薪岗，一定是AI产品运营！转行AI产品运营，真的太香了！不管是产品运营、用户运营、新媒体运营还是活动运营，都是围绕用户出发！所具备的运营能力、数据分析能力一致！但……干差不多的活儿，薪资却差了十万八千里！

在当今数字化快速发展的时代，AI（如 ChatGPT、Midjourney、Claude 等）大语言模型如雨后春笋般接二连三的涌现，与此同时，AI 辅助编程工具也日益普及。这一系列的变化使得程序员的工作方式正在发生着深刻的变革。一、AI 重塑编程世界随着科技的不断进步，AI 大语言模型在编程领域掀起了一场前所未有的革命。曾经繁琐的编程工作，如今在 AI 辅助编程工具的帮助下变得更加高效。这些工具可以快速生成代码片段、提供优化建议，甚至能够在一定程度上理解复杂的编程逻辑。

你是否曾经担心过自己在职场上被AI取代？你是否曾经觉得自己在工作中无法与AI竞争？你是否曾经想过如何利用AI提升自己的职业价值？如果你有以上任何一个问题，那么请认真阅读本文。因为今天我要告诉你一个重要的事实：替代你的不是AI，而是会使用AI的人！什么意思呢？简单来说，就是在未来的职场中，不会被AI淘汰掉的不是那些完全不需要AI或者完全依赖AI的工作岗位，而是那些能够有效地结合人类智慧和AI能力的工作岗位。

运行大型语言模型（LLMs），如ChatGPT和Claude，通常需要将数据发送到由OpenAI和其他AI模型提供商管理的服务器。虽然这些服务是安全的，但一些企业为了更高的隐私，倾向于完全将数据保留在本地，并处于与外界网络离线状态。那为什么选择使用本地LLM呢？隐私： 可以在不离开本地服务器主机的情况下多轮次地提示本地LLMs，而无需担心提示数据被外传。通常情况下，任何公司会尽量避免在不必要时将数据分享给他人，尤其是当数据涉及员工或工作敏感信息时。

今天听了三个小时的AI大模型讲座，有几个感受大模型作为基础设施，为国之重器，已经超越了个人或者企业的能力范围，对大模型的争夺已经事关中国近20年的国运。中国必须采取一切手段去争夺算力、数据和人才，趁现在还没落后太远。大模型做的好坏与否取决于高质量数据，中文资料少，质量差，应该在可遇见的未来无法超越外国的大模型。能做的只有在外国语料库上进行训练。大模型是可以解释的，包括为什么这个模型性能好，为啥那个性能差，但是这个解释性质是实验的，实验发现了这个差的比不差的区别在那。

在这个科技日新月异的时代，AI（人工智能）已不再是遥不可及的科幻概念，AI已来，AI时代已来，AI已逐步渗透到我们生活的方方面面。从语音识别、图像识别到自然语言处理，从智能制造到智慧医疗，从金融风控到教育创新，AI的应用场景越来越广泛，越来越深入。AI正在改变着世界的面貌。AI技术的快速发展，为各行各业带来了巨大的机遇。与此同时，它也给人们带来了前所未有的挑战。有人担忧，AI的崛起，人类的危机。毕竟，AI看起来太无所不能了，而人类，无知又自大，愚蠢又懒惰。

曾经我是一名Java开发者，在过去的日子里，经历了夜以继日的加班、浑浑噩噩的摆烂。如今，作为一名从智学优课毕业的AI大模型从业者，职业生涯再度焕发活力，生活也变得非常愉快。接下来，我将转变前后的这段经历分享给大家。01 挣扎– 在Java岗位上焦躁不安很早之前，我在一家小公司担任Java开发人员，每天忙于增删改查。虽然收入不高，但公司氛围不错，福利也还可以，我原以为这样的生活会一直延续下去。然而，2022年底，ChatGPT的出现给我带来了巨大的压力。

曾经我是一名Java开发者，在过去的日子里，经历了夜以继日的加班、浑浑噩噩的摆烂。如今，作为一名从智学优课毕业的AI大模型从业者，职业生涯再度焕发活力，生活也变得非常愉快。接下来，我将转变前后的这段经历分享给大家。01 挣扎– 在Java岗位上焦躁不安很早之前，我在一家小公司担任Java开发人员，每天忙于增删改查。虽然收入不高，但公司氛围不错，福利也还可以，我原以为这样的生活会一直延续下去。然而，2022年底，ChatGPT的出现给我带来了巨大的压力。

今天全程当了吃瓜群众，攻击带来的影响不小，对于AI圈吃瓜的影响力也不小。最新的消息是这个：一失足成千古恨，今天这样的反转再反转反而让事情更加戏剧化，影响力更大。下面给不了解情况的朋友做一个事情概况的介绍：在今年，某知名高校硕士生在某大型科技公司商业化技术团队实习期间，因对团队资源分配感到不满，于六月底利用攻击代码破坏了团队的模型训练任务。而这件事情抽象在于他不仅仅是不满，而且是刻意报复。

在人工智能领域掀起巨浪的 OpenAI o1 模型发布三周后，一支由高校年轻研究者组成的团队今天发布了题为 “o1 Replication Journey: A Strategic Progress Report (o1 探索之旅：战略进展报告)” 的研究进展报告。

文章目录前言一、大模型学习路线图二、大模型书籍1）《Python编程：从入门到实践》2）《深度学习数学基础》3）机器学习入门：《机器学习实战》4）深度学习理论与实践：《深度学习》5）《大模型应用开发极简入门：基于GPT-4和ChatGPT》零基础如何入门学习大模型👉AI大模型学习路线汇总👈👉大模型实战案例👈👉大模型视频和PDF合集👈👉学会后的收获：👈👉获取方式：前言在人工智能的浪潮中，大模型已经成为技术创新和应用突破的核心。

智能体（Agent）通过自然对话与用户互动有两个任务：交谈和规划/推理。对话回应必须基于所有可用信息，行动必须有助于实现目标。与用户交谈和进行多步推理和规划之间的二分法，类似卡尼曼引入的人类快速思考和慢速思考系统。为此，Google DeepMind提出了一个名为Talker-Reasoner的双系统架构，以模拟人类的两种思考系统。Talker-Reasoner的双系统架构，用于构建能够通过自然对话与用户互动的智能代理。

智能体（Agent）通过自然对话与用户互动有两个任务：交谈和规划/推理。对话回应必须基于所有可用信息，行动必须有助于实现目标。与用户交谈和进行多步推理和规划之间的二分法，类似卡尼曼引入的人类快速思考和慢速思考系统。为此，Google DeepMind提出了一个名为Talker-Reasoner的双系统架构，以模拟人类的两种思考系统。Talker-Reasoner的双系统架构，用于构建能够通过自然对话与用户互动的智能代理。

如果读者朋友不想深入学习大模型，则了解提示词的使用原则也可以了（可参考我的文章：[10分钟学会大模型提示词]）。要是既不想深入学习，又要做大模型相关的项目，则对于工程同学来说，学习RAG也能把大模型玩转起来（可参考：[大语言模型RAG落地方案]）。下面的步骤写给想系统性学习大模型的朋友们。（后续打算写一个大模型学习系列，详细介绍相关知识点，欢迎关注）先来一张整体结构图，越是下面部分，越是基础：可以按以下步骤学习：理解基础概念。

为什么要提出 Adaptive-Note RAG？RAG（检索增强生成）技术是一种能有效解决LLM（大语言模型）幻觉问题的可靠手段，通过借助外部非参数化知识，帮助LLMs拓展其知识边界。但是，传统RAG在长问答、多跳问答等复杂任务时，往往很难收集到足够信息。• 多跳问答中，要回答“What does the acronym of the organization Danish Football Union is part of stands for?

聊点AI面试的，这两年最火的产业，分享20道AIGC产品经理高频面试题，文章后面会有送PDF文件的方式。我们要注意，所有的面试题回答，要按1,2,3,4，有逻辑性，尤其是产品经理面试，给面试官展现出你的逻辑性很强，这个是加分的，另外就是要总结，说重点，每道题要控制在3min以内。**1.说下你对当下AI和AIGC的理解。**分析：考察概念的理解，可以回答下AI、AIGC的概念，以及两者的关联。

现有的RAG系统存在显著的局限性，包括依赖于平面数据表示和缺乏足够的上下文感知能力，这可能导致答案碎片化，无法捕捉复杂的相互依赖关系。为了解决这些挑战，提出了LightRAG，它将图结构整合到文本索引和检索过程中。这一创新框架采用了双层检索系统，从低层次和高层次的知识发现中增强了全面信息检索。提出的LightRAG框架的整体架构此外，图结构与向量表示的整合便于高效检索相关实体及其关系，显著提高了响应时间，同时保持了上下文的相关性。

现有的RAG系统存在显著的局限性，包括依赖于平面数据表示和缺乏足够的上下文感知能力，这可能导致答案碎片化，无法捕捉复杂的相互依赖关系。为了解决这些挑战，提出了LightRAG，它将图结构整合到文本索引和检索过程中。这一创新框架采用了双层检索系统，从低层次和高层次的知识发现中增强了全面信息检索。提出的LightRAG框架的整体架构此外，图结构与向量表示的整合便于高效检索相关实体及其关系，显著提高了响应时间，同时保持了上下文的相关性。

二： 各个大模型的优缺点及适用场景介绍1.NNI优点：全面支持机器学习生命周期的各个环节，易于上手，开发者友好。缺点：可能对于特定领域或特定问题的优化不够深入。适用场景：各种机器学习项目，尤其是神经网络相关的项目。2.AdaNet优点：轻量级，易于使用，能够创建高质量的模型，节省选择神经网络架构的时间。缺点：对于特定问题的优化可能不如专业模型深入。适用场景：需要快速原型设计和模型迭代的场景。3.SAIL 7B优点：基于LLaMa的搜索增强模型，具有强大的搜索和学习能力。

二： 各个大模型的优缺点及适用场景介绍1.NNI优点：全面支持机器学习生命周期的各个环节，易于上手，开发者友好。缺点：可能对于特定领域或特定问题的优化不够深入。适用场景：各种机器学习项目，尤其是神经网络相关的项目。2.AdaNet优点：轻量级，易于使用，能够创建高质量的模型，节省选择神经网络架构的时间。缺点：对于特定问题的优化可能不如专业模型深入。适用场景：需要快速原型设计和模型迭代的场景。3.SAIL 7B优点：基于LLaMa的搜索增强模型，具有强大的搜索和学习能力。

背景与目标最终目标是在 LLAMA3 模型的基础上进行继续训练与 SFT，但 LLAMA3 的数据与配比方案并未公开，因此期望从其他方案中获得配比的思路，从而确保预训练与 SFT 不会严重影响原本的模型效果。当前一种潜在的不伤害原模型的方法是，直接继续训练/SFT，随后通过 参数合并Merge 来保留原始效果。首先需要调研现有的方案，思路为：公开的预训练数据配比公开的 SFT 配比方案探测 LLAMA3 配比的潜在方法更新日期：2024.07.29。

AI正深刻地变革着各行各业，而在这场技术革命中，首先受到影响的或许正是那些与AI紧密相连的专业人士——产品经理。我们本篇中的对话始于Vanessa对「面试了100位AI产品经理」的心得总结。字节跳动AI产品领域负责人Vanessa凭借其资深的产品管理经验，为我们揭示了AI产品经理”这一角色的真谛，进而深入探讨了AI产品经理的工作现实与面临的挑战，包括那些至暗时刻。Vanessa分享了1.她在AI产品经理岗位上的宝贵经验2.面试中遇到的优秀求职者故事。

基于ollama搭建本地大模型效果图下载安装ollama官网地址：ollama.com/选择适合自己的系统win直接安装即可，linux运行以下命令12win环境配置，增加环境变量增加host变量更改模型位置配置（可选）建议使用默认位置，即C:\Users{用户}.ollama\models12如果安装到其余盘符，则会产生大量的磁盘IO，影响生成速度。环境变量增加完成后记得重启ollama运行模型选择合适的模型运行对应的命令如12。

最近人工智能AI（Artificial Intelligence）很热门，讨论的人也越来越多。现在国内互联网大厂越来越重视AI了，开发了很多AI应用工具产品。那什么是AI，国内大厂在AI方面又做了哪些布局呢？人工智能简称AI，是一种利用计算机模拟人类智能的技术和方法。它涵盖了机器学习、深度学习、自然语言处理等多个领域，旨在让计算机能够像人类一样进行感知、理解、推理和决策。人工智能的发展离不开大模型的支持，大模型为人工智能提供了强大的计算和学习能力，使得AI技术能够不断进步和应用到更广泛的领域。

自从 GPT- 4 发布之后，好奇的你可能也在尝鲜各种人工智能应用工具，并受益于它的提效能力。那么，开发类似 ChatPDF 等 AI 工具的人是怎么做到的呢？其实，他们都用了开源框架 LangChain。LangChain 是一个全方位的、基于大语言模型这种预测能力的应用开发工具，兼具「代理性和数据感知」两个特性。无论你是想要做一个聊天机器人、个人助理、问答系统，或者自助代理等等，都可以帮助我们快速地实现想法。

LangChain为大型语言模型提供了一种全新的搭建和集成方式，通过这个强大的框架，我们可以将复杂的技术任务简化，让创意和创新更加易于实现。本文从LangChain是什么到LangChain的实际案例到智能体的快速发展做了全面的讲解。‍我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木，我们可以构建出城堡、飞机、甚至整个城市。现在，想象一下如果有一个数字世界的乐高，我们可以用这样的“积木”来构建智能程序，这些程序能够阅读、理解和撰写文本，甚至与我们对话。

LangChain为大型语言模型提供了一种全新的搭建和集成方式，通过这个强大的框架，我们可以将复杂的技术任务简化，让创意和创新更加易于实现。本文从LangChain是什么到LangChain的实际案例到智能体的快速发展做了全面的讲解。‍我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木，我们可以构建出城堡、飞机、甚至整个城市。现在，想象一下如果有一个数字世界的乐高，我们可以用这样的“积木”来构建智能程序，这些程序能够阅读、理解和撰写文本，甚至与我们对话。

LangChain为大型语言模型提供了一种全新的搭建和集成方式，通过这个强大的框架，我们可以将复杂的技术任务简化，让创意和创新更加易于实现。本文从LangChain是什么到LangChain的实际案例到智能体的快速发展做了全面的讲解。‍我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木，我们可以构建出城堡、飞机、甚至整个城市。现在，想象一下如果有一个数字世界的乐高，我们可以用这样的“积木”来构建智能程序，这些程序能够阅读、理解和撰写文本，甚至与我们对话。

5月14日，一场不到30分钟的发布会，再次引爆AI行业巨变。OpenAI正式发布GPT-4o，在新的大模型的支撑下，ChatGPT 的交互体验，让全球人震惊。它具备文本、图片、视频和语音能力，能够实现更自然的人机交互。✅ 做题高手：演示如何给线性方程 3X+1=4 的求解提供帮助，它能够一步步贴心地引导并给出正确答案。✅ 现场编码：程序员关心的编码难题是真正的考验，不过，GPT-4o三下五除二的功夫，它都能轻松解决。

5月14日，一场不到30分钟的发布会，再次引爆AI行业巨变。OpenAI正式发布GPT-4o，在新的大模型的支撑下，ChatGPT 的交互体验，让全球人震惊。它具备文本、图片、视频和语音能力，能够实现更自然的人机交互。✅ 做题高手：演示如何给线性方程 3X+1=4 的求解提供帮助，它能够一步步贴心地引导并给出正确答案。✅ 现场编码：程序员关心的编码难题是真正的考验，不过，GPT-4o三下五除二的功夫，它都能轻松解决。

背景看到这个问题，说实话，挺让人琢磨的。AI大模型，听起来就高大上，但背后的故事，可能比咱们想象的要复杂得多。咱们得明白，AI大模型这个概念，它不是凭空冒出来的。它是随着技术的进步，尤其是深度学习的发展，逐渐成为可能的。这些模型，它们能做的事情，从简单的图像识别，到复杂的语言处理，甚至还能写诗、画画，真是让人大开眼界。但是，问题来了，这些模型，它们需要大量的数据来训练，需要强大的计算能力来支撑。这就导致了一个问题：成本。AI大模型的成本，可不是一般的高。

背景看到这个问题，说实话，挺让人琢磨的。AI大模型，听起来就高大上，但背后的故事，可能比咱们想象的要复杂得多。咱们得明白，AI大模型这个概念，它不是凭空冒出来的。它是随着技术的进步，尤其是深度学习的发展，逐渐成为可能的。这些模型，它们能做的事情，从简单的图像识别，到复杂的语言处理，甚至还能写诗、画画，真是让人大开眼界。但是，问题来了，这些模型，它们需要大量的数据来训练，需要强大的计算能力来支撑。这就导致了一个问题：成本。AI大模型的成本，可不是一般的高。

背景看到这个问题，说实话，挺让人琢磨的。AI大模型，听起来就高大上，但背后的故事，可能比咱们想象的要复杂得多。咱们得明白，AI大模型这个概念，它不是凭空冒出来的。它是随着技术的进步，尤其是深度学习的发展，逐渐成为可能的。这些模型，它们能做的事情，从简单的图像识别，到复杂的语言处理，甚至还能写诗、画画，真是让人大开眼界。但是，问题来了，这些模型，它们需要大量的数据来训练，需要强大的计算能力来支撑。这就导致了一个问题：成本。AI大模型的成本，可不是一般的高。

在深入了解了大模型的概念和应用后，我作为一名程序员，对这一领域的发展越发感到非常兴奋和期待。以下是我对大模型在深度学习中的重要性和应用的一些个人感受。一、大模型发展趋势大模型如GPT-3和BERT在人工智能领域的崛起令人瞩目。例如，GPT-3拥有1750亿个参数，能够生成流畅自然的文本，甚至能写文章、作诗。而BERT则在搜索引擎中广泛应用，能够更准确地理解用户的查询意图，提供更相关的搜索结果。这些模型的庞大参数规模和强大表现力让我对未来的可能性充满期待。二、大模型对深度学习的影响。

一、为什么要学习大模型？在这个信息爆炸的时代，数据已经成为企业最重要的资产之一。而大模型，作为一种处理大规模数据的能力，正逐渐成为程序员必备的技能。学习大模型，可以帮助我们更好地理解和处理数据，提升我们的工作效率。同时，大模型也是人工智能发展的关键技术之一，掌握大模型，意味着我们将站在技术的前沿，拥有更广阔的发展空间。二、大模型对各个行业的改变大模型的应用已经渗透到各个行业，改变着我们的工作和生活方式。例如：金融行业：大模型可以用来预测股市走势，帮助投资者做出更明智的决策；