- 博客(8)
- 收藏
- 关注
RSS订阅原创 Agent 为什么跑着跑着就失控了？从工具调用到 Harness 的工程实践
从企业周报助手的长任务场景出发，拆解 Agent Harness 的执行闭环、任务状态机、工具异常兜底、上下文管理与成本控制，并结合架构图、对照表和伪代码说明如何提升可靠性。
2026-10-30 07:51:00
99
原创 RAG深度解析：融合知识与生成的下一代语言模型框架
本文深入探讨了检索增强生成(RAG)技术框架，该架构通过结合信息检索与文本生成能力，有效解决了传统语言模型的知识固化、幻觉生成等问题。RAG系统包含检索器与生成器两大组件，支持序列级(RAG-Sequence)和词元级(RAG-Token)两种生成范式，实现端到端的联合训练与知识热更新。实验显示，RAG在开放域问答、抽象生成等任务中表现卓越，其评估指标包括上下文相关性、召回率、忠实度等。研究展望指出，RAG开创了参数化与非参数化知识融合的新路径，未来将在模型预训练、应用扩展等方面持续发展。
2025-11-15 22:00:56
670
原创 关于模型训练前数据选择及处理的深度探讨
本文探讨了AI模型训练中数据选择与处理的关键环节。在数据选择阶段，强调通过系统化的"数据健康检查"来评估标注错误、数据不一致、不均衡、重复、缺失和噪声等问题，具体方法包括自动化初筛、模型辅助分析和人工复核。数据处理阶段则针对已发现问题，通过清洗、增强、标准化等手段将原始数据转化为适合模型学习的优质数据。文章指出，严谨的数据评估和处理直接决定了模型性能的上限，是AI项目成功的基础。
2025-10-31 21:01:47
1017
原创 AI领域经典论文《Attention is all you need》深度解析
本文介绍了谷歌2017年发表的《Attention Is All You Need》论文，该论文提出的Transformer模型彻底改变了传统神经网络架构。Transformer完全摒弃了循环和卷积结构，仅依靠注意力机制连接编码器和解码器，在机器翻译任务中表现优于传统方法。其核心优势包括：更高的并行性、更短的训练时间、更低的计算成本。该模型通过自注意力机制建立全局依赖关系，克服了序列计算复杂度问题。文章详细解析了Transformer的架构组成：输入层（含词嵌入和位置编码）、编码器层、解码器层和输出层。这篇
2025-10-23 23:19:40
2453
原创 机器学习基础：集成学习
本文系统介绍了集成学习的概念、分类及典型算法。集成学习通过组合多个弱学习器提升模型性能，主要分为Bagging（如随机森林）和Boosting（如Adaboost、GBDT、XGBoost）两类。详细解析了随机森林的Bootstrap抽样机制、Adaboost的权重调整策略、GBDT的残差拟合方法，以及XGBoost的正则化改进和二阶泰勒展开优化。通过房价预测案例直观展示了GBDT的迭代过程，并提供了XGBoost的安装和使用指导
2025-09-09 21:24:58
1202
原创 机器学习基础：决策树
本文介绍了机器学习中的决策树。决策树是一种基于规则分类和回归的树形模型，主要包括ID3、C4.5和CART三种类型。ID3使用信息增益分支，但偏向多值特征且无法处理连续值；C4.5引入信息增益率加以改进，减少对多值特征的偏好，并能处理连续型和缺失值；CART可处理分类（基尼指数）和回归（平方误差）任务，均支持离散与连续特征，且始终生成二叉树。为防过拟合，可采用预剪枝或后剪枝提升泛化能力。
2025-09-05 15:01:06
883
原创 机器学习基础：线性回归与房价预测案例
本文介绍了机器学习中的线性回归方法，以波士顿房价预测为例展开分析。首先解释了机器学习的基本概念，区分了回归与分类问题。重点阐述了线性回归的两种类型（一元和多元），并以多元线性回归为例进行实战演示。通过sklearn库加载波士顿房价数据集，详细讲解了数据预处理、特征工程（标准化/归一化）、模型训练与预测的全流程。文章提供了完整的Python代码实现，包括数据分割、特征处理、模型训练和结果输出等关键步骤，并解释了随机种子、损失函数等概念对模型结果的影响。
2025-09-02 16:33:05
1137
1
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