AI
文章平均质量分 96
学习实践
scl、
回首往昔 更进一步 ---工作1年的快乐风男♂
展开
-
AI实践与学习7_AI解场景Agent应用预研demo
Agent智能体(Agent)是指在特定环境中能够自主感知、决策和行动的计算机系统或软件实体。自主性(Autonomy):Agent智能体能够独立运行,不需要持续的人工干预。它们可以根据自身的感知和内部状态做出决策。感知能力(Perception):Agent智能体能够感知其环境,通过传感器或数据输入获取外部信息。这些信息可以是物理环境中的数据,也可以是其他系统或Agent智能体提供的信息。决策能力(Decision-Making):Agent智能体能够基于感知到的信息和内部状态进行分析和决策。原创 2024-07-05 09:46:23 · 802 阅读 · 0 评论 -
AI实践与学习6-RAG流程优化学习
RAG流程很多细节优化点,助力AIGC。原创 2024-06-15 11:19:38 · 1064 阅读 · 0 评论 -
AI实践与学习5-AI解题场景RAG应用预研demo
AI解题场景现状,教研测评文档:xxx下面预研使用langchain4j构建题库已经生产的试题到Milvus本地知识库,搭建RAG检索增强链,测试选用高中英语单选、小学翻译 BAD CASE 进行测评,随机选取100高中英语单选进行RAG(Solr)、RAG(Milvus)测试,得出测评结论。结论:召回的内容对RAG的效果起决定作用,关于召回的内容使用不同的检索方式效果也不同,测评过程关于召回方式的一些思考测试的100测试集初步表示RAG(Solr)效果要好于直接LLM解答试题。测试的100测试集初步表原创 2024-06-15 10:34:12 · 1147 阅读 · 0 评论 -
AI实践与学习4_大模型之检索增强生成RAG实践
论文Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (知识密集型 NLP 任务的检索增强生成)作者们探讨了如何通过结合预训练的语言模型和非参数记忆(即检索机制)来提高自然语言处理(NLP)任务的性能,特别是在需要大量知识密集型任务中。预训练的神经语言模型已经显示出从数据中学习大量深入知识的能力,但这些模型无法轻松扩展或修改它们的记忆,也不能直接提供对其预测的洞察,有时还可能产生“幻觉”。原创 2024-04-14 19:40:07 · 1043 阅读 · 0 评论 -
AI实践于学习3_大模型之AI解题提示词优化实践
提示词只是让LLM具有一定的推理能力,并不能直接提高模型能力,可以借助CoT思维链、提示词规则一定程度微调模型。尽量使用新模型,通用性能更好,支持提示词规则更多。原创 2024-02-02 09:24:18 · 790 阅读 · 0 评论 -
AI实践与学习2_大模型之AI解题提示词设计实践分享(LLM基本原理通俗理解)
想要GPT模型回答的更好,更好的应用在业务场景中,需要考虑Prompt的写法规则、模型参数、渲染方式(流式响应)等下面主要结合开源文档梳理一些写Prompt的一些技巧。原创 2023-11-19 21:49:39 · 1932 阅读 · 0 评论 -
AI实践与学习1_NLP文本特征提取以及Milvus向量数据库实践
随着NLP预训练模型(大模型)以及多模态研究领域的发展,向量数据库被使用的越来越多。在XOP亿级题库业务背景下,对于试题召回搜索单单靠着ES集群已经出现性能瓶颈,因此需要预研其他技术方案提高试题搜索召回率。现一个方案就是使用Bert等模型提取试题题干特征,然后存储到向量数据库,检索试题先走向量数据库,拿到具体的试题ID等信息在走ES进行相似题召回,从而提高搜索的性能。需要考虑的就是特征提取的效率,Milvus的性能(比较吃服务器资源),然后进行评估。原创 2023-11-19 21:38:11 · 1900 阅读 · 2 评论