<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sikh_0529的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/sikh_0529</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; sikh_0529]]></copyright><item><title><![CDATA[【LLM】Agent 记忆的四种人格]]></title><link>https://blog.csdn.net/sikh_0529/article/details/168124733</link><guid>https://blog.csdn.net/sikh_0529/article/details/168124733</guid><author>sikh_0529</author><pubDate>Fri, 16 Oct 2026 11:33:52 +0800</pubDate><description><![CDATA[本文剖析了 Agent 记忆设计的核心：不能将记忆视为“大仓库”，而应按认知科学的四类记忆——工作记忆、情节记忆、语义记忆与程序记忆——精准建模。SeptMuse 架构分别对应其特性：工作记忆管理上下文，情节记忆记录带时间戳的事件，语义记忆以三元组存储事实并支持冲突检测，程序记忆则通过反馈闭环优化规则。唯有分清记忆类型，才能避免误用，实现高效、可靠、可演进的智能体记忆系统。]]></description><category></category></item><item><title><![CDATA[【LLM】为什么你的 Agent 得了“金鱼病“？]]></title><link>https://blog.csdn.net/sikh_0529/article/details/168121985</link><guid>https://blog.csdn.net/sikh_0529/article/details/168121985</guid><author>sikh_0529</author><pubDate>Fri, 16 Oct 2026 11:22:51 +0800</pubDate><description><![CDATA[这个专栏会以 SeptMuse 的源代码为解剖样本，逐层拆解 Agent 记忆系统的设计与实现。为什么语义记忆要用三元组而不是纯文本向量？程序记忆的和怎么做规则退化？遗忘曲线在代码里怎么表达？如何让 Agent 自动从对话中提炼经验？下一篇，我们先给 Agent 的四种记忆"人格"验明正身，看看它们各自管什么、存什么、怎么查。]]></description><category></category></item><item><title><![CDATA[记忆系统与持续学习——Agent 的 NL→SQL 记忆循环]]></title><link>https://blog.csdn.net/sikh_0529/article/details/167493781</link><guid>https://blog.csdn.net/sikh_0529/article/details/167493781</guid><author>sikh_0529</author><pubDate>Sat, 10 Oct 2026 16:54:21 +0800</pubDate><description><![CDATA[从"每次从零开始"到"越用越准"：WrenAI 记忆系统的源码级拆解。]]></description><category></category></item><item><title><![CDATA[为什么 Agent 需要一层“上下文“才能碰你的数据库？]]></title><link>https://blog.csdn.net/sikh_0529/article/details/167493636</link><guid>https://blog.csdn.net/sikh_0529/article/details/167493636</guid><author>sikh_0529</author><pubDate>Sat, 10 Oct 2026 16:43:13 +0800</pubDate><description><![CDATA[WrenAI 是一个开源的受治理生成式 BI 引擎，解决 LLM 在操作业务数据时因上下文缺失导致的“自信犯错”问题。它通过四层架构——项目上下文层（MDL YAML 定义数据语义）、规划引擎层（SQL 重写与校验）、执行层（22+ 数据源连接器）和工作流层（Agent 指导），将模糊查询转化为准确、合规的 SQL。核心在于将企业业务知识（如币种、状态码、默认过滤）注入到数据模型中，实现从“无脑生成”到“受控生成”的跃迁。快速上手只需安装 CLI，配置 wren_project.yml，编译 context]]></description><category></category></item><item><title><![CDATA[【CSDN星图AI实战】Ostrakon-VL部署与使⽤全教程，FSRS场景多模态神器实测]]></title><link>https://blog.csdn.net/sikh_0529/article/details/158698239</link><guid>https://blog.csdn.net/sikh_0529/article/details/158698239</guid><author>sikh_0529</author><pubDate>Tue, 07 Jul 2026 14:31:34 +0800</pubDate><description><![CDATA[Ostrakon‑VL 是 CSDN 星图 AI 面向食品服务与零售领域的开源多模态大模型。基于 Qwen3‑VL‑8B 微调，场景适配精准，性能优于大参数量通用模型，已在淘宝闪购大规模落地。依托星图 AI 镜像可快速部署，支持可视化与代码调用，轻量化、开源免费，是 FSRS 行业智能化的高效解决方案。]]></description><category></category></item><item><title><![CDATA[【CSDN星图AI实战】Kimi-VL-A3B-Thinking 多模态模型实测与部署指南]]></title><link>https://blog.csdn.net/sikh_0529/article/details/159009140</link><guid>https://blog.csdn.net/sikh_0529/article/details/159009140</guid><author>sikh_0529</author><pubDate>Tue, 07 Jul 2026 14:31:13 +0800</pubDate><description><![CDATA[本文介绍了在CSDN星图AI平台体验的多模态模型Kimi-VL-A3B-Thinking，这款开源混合专家（MoE）视觉语言模型仅2.8B激活参数却实现旗舰级性能。文章详细解析了模型的MoE架构、多模态能力矩阵、128K长上下文窗口和MoonViT高分辨率处理等核心特性，并提供了基于CSDN星图AI镜像的两步部署流程。通过可视化界面和代码调用两种交互方式，展示了模型在OCR、视觉理解等方面的优异表现。该模型以极致效率、多模态全能、深度推理等优势，为开发者提供了轻量化高性能的多模态AI解决方案。]]></description><category></category></item><item><title><![CDATA[魔珐星云 SDK 实战教程：从基础代码到 3D 具身 Agent]]></title><link>https://blog.csdn.net/sikh_0529/article/details/162460080</link><guid>https://blog.csdn.net/sikh_0529/article/details/162460080</guid><author>sikh_0529</author><pubDate>Tue, 30 Jun 2026 17:10:42 +0800</pubDate><description><![CDATA[【文章摘要】本文介绍了如何利用魔珐星云SDK快速开发具备具身交互能力的大模型数字人应用。文章首先指出传统文字输出Agent的局限性，强调低延迟、实时反馈和低成本对交互体验的重要性。随后详细展示了通过魔珐星云的AI端渲技术，将大模型输出转化为3D数字人的表情、动作和语音反馈的开发流程，包括SDK初始化、流式文本处理和中断控制等关键技术点。最后提供了一个完整的HTML示例代码，演示如何结合DeepSeek大模型创建具备自然交互能力的3D导游应用，并给出生产环境部署建议。该方案有效解决了传统数字人方案的高延迟、高]]></description><category></category></item><item><title><![CDATA[【AI实战教程】Nanobot实战教程：基于vLLM部署的智能QQ聊天机器人]]></title><link>https://blog.csdn.net/sikh_0529/article/details/157971338</link><guid>https://blog.csdn.net/sikh_0529/article/details/157971338</guid><author>sikh_0529</author><pubDate>Wed, 11 Feb 2026 15:11:39 +0800</pubDate><description><![CDATA[本文详细介绍了如何利用Nanobot和vLLM构建智能QQ聊天机器人。Nanobot作为超轻量级AI智能体（仅4000行代码），结合vLLM的高效推理能力，可实现快速响应和多功能对话。教程涵盖从环境准备（推荐16GB+显存GPU）、星图AI部署Qwen3-4B模型、QQ机器人注册，到Nanobot安装配置的全流程。最终实现的机器人支持本地部署、多轮对话和功能扩展，为个人AI助手提供实用解决方案。文末附有相关GitHub资源链接和问题反馈渠道。]]></description><category></category></item><item><title><![CDATA[【LLM】RAG架构如何重塑大模型]]></title><link>https://blog.csdn.net/sikh_0529/article/details/151721594</link><guid>https://blog.csdn.net/sikh_0529/article/details/151721594</guid><author>sikh_0529</author><pubDate>Thu, 18 Sep 2025 19:15:00 +0800</pubDate><description><![CDATA[RAG（检索增强生成）架构通过结合参数化存储（LLM内部知识）和非参数化存储（外部数据库）解决了大语言模型的局限性，如信息时效性差、幻觉问题等。该架构利用语义搜索从向量数据库中实时检索最新数据，增强LLM生成答案的准确性和时效性。研究显示，RAG能显著降低错误率，在医疗、法律等领域应用广泛，并支持动态更新而无需重新训练模型。随着技术进步，RAG正成为生成式AI系统的标配，为企业提供更可靠、合规的AI解决方案。]]></description><category></category></item><item><title><![CDATA[【LLM】FastMCP v2 ：让模型交互更智能]]></title><link>https://blog.csdn.net/sikh_0529/article/details/151184820</link><guid>https://blog.csdn.net/sikh_0529/article/details/151184820</guid><author>sikh_0529</author><pubDate>Thu, 04 Sep 2025 19:15:00 +0800</pubDate><description><![CDATA[FastMCPv2：为大型语言模型打造的高效连接框架 FastMCPv2是一个创新的Python库，为大型语言模型(LLM)提供了标准化的外部连接方案。该框架通过&quot;模型上下文协议&quot;(MCP)实现，被形象地称为&quot;AI的USB-C接口&quot;，使LLM能够安全便捷地访问各类公共资源、工具和提示服务器。 核心特性包括： 快速开发：通过简洁的API实现工具、资源和提示的快速部署 上下文感知：支持日志记录、进度报告和用户引导等交互功能 高级功能：包含LLM抽样、多服务器管理及完善的安]]></description><category></category></item><item><title><![CDATA[【LLM】深入解析Transformer位置编码机制]]></title><link>https://blog.csdn.net/sikh_0529/article/details/151148604</link><guid>https://blog.csdn.net/sikh_0529/article/details/151148604</guid><author>sikh_0529</author><pubDate>Wed, 03 Sep 2025 19:15:00 +0800</pubDate><description><![CDATA[本文系统解析了Transformer模型中的两种关键位置编码技术：正弦绝对位置编码和旋转位置嵌入(RoPE)。正弦编码通过多维正弦波组合为每个位置生成独特向量，利用波形频率差异实现位置区分，同时保留相对位置关系。RoPE则创新性地采用旋转矩阵对嵌入向量进行变换，将位置信息融入向量角度变化中。两种方法都实现了位置与语义信息的有效平衡，前者通过简单相加，后者通过几何变换。可视化分析表明，这两种编码方案都呈现位置信息集中在前维、语义信息保留在后维的特征分布模式。Rotary方法因其高效性已被Gemma、LLaMA]]></description><category></category></item><item><title><![CDATA[【LLM】使用 LoRA 对 Qwen/Qwen3-Embedding-0.6B 进行微调]]></title><link>https://blog.csdn.net/sikh_0529/article/details/151077784</link><guid>https://blog.csdn.net/sikh_0529/article/details/151077784</guid><author>sikh_0529</author><pubDate>Mon, 01 Sep 2025 22:30:00 +0800</pubDate><description><![CDATA[本文介绍了如何使用LoRA和PEFT技术对Qwen3-Embedding-0.6B模型进行微调，以提升语义相似度检测能力。主要内容包括：1）安装必要依赖库；2）准备包含200组中文句对的训练数据集；3）加载基础模型并配置LoRA参数；4）定义嵌入提取和训练策略；5）实施微调过程；6）保存模型并对比测试。实验结果显示，微调后模型对相似句子的余弦相似度从0.83提升至0.96，验证了该方法的有效性。该方法特别适用于需要精准语义理解的应用场景。]]></description><category></category></item><item><title><![CDATA[【LLM】利用强化学习来构建自我进化的RAG系统]]></title><link>https://blog.csdn.net/sikh_0529/article/details/150983792</link><guid>https://blog.csdn.net/sikh_0529/article/details/150983792</guid><author>sikh_0529</author><pubDate>Fri, 29 Aug 2025 19:30:00 +0800</pubDate><description><![CDATA[本文介绍了融合检索增强生成(RAG)与强化学习(RL)的智能系统。传统RAG仅基于相似度检索文档，存在冗余和答案质量差的问题。通过引入RL，系统能根据答案质量和多样性反馈优化检索策略，实现以下提升：1)选择更相关的文档；2)提高信息多样性；3)动态调整排名策略。文中详细展示了系统构建过程，包括环境设置、策略网络设计和训练流程。虽然在小规模合成数据上效果有限，但在大规模多样化数据中，这种RL-RAG系统能显著超越传统方法，实现越用越智能的检索效果。]]></description><category></category></item><item><title><![CDATA[【LLM】Transformer模型中的MoE层详解]]></title><link>https://blog.csdn.net/sikh_0529/article/details/150952350</link><guid>https://blog.csdn.net/sikh_0529/article/details/150952350</guid><author>sikh_0529</author><pubDate>Thu, 28 Aug 2025 19:30:00 +0800</pubDate><description><![CDATA[本文介绍了Transformer中的混合专家（MoE）模型，重点分析了代码实现。MoE层通过门控网络将输入分配给多个专家网络（如128个FFN），每个token仅激活少量专家（如8个）。代码解析包括四个步骤： 1）输入通过门控层获得专家分数； 2）通过top-k和softmax选择活跃专家； 3）并行计算各专家输出； 4）加权汇总专家结果。这种稀疏激活机制能提升计算效率（如Mixtral8x7B模型仅激活部分参数），但需更多内存存储所有专家参数。]]></description><category></category></item><item><title><![CDATA[【LLM】OpenAI开源GPT级模型，120B及20B参数GPT-OSS]]></title><link>https://blog.csdn.net/sikh_0529/article/details/150219119</link><guid>https://blog.csdn.net/sikh_0529/article/details/150219119</guid><author>sikh_0529</author><pubDate>Mon, 11 Aug 2025 21:15:00 +0800</pubDate><description><![CDATA[OpenAI开源了GPT-OSS系列大语言模型，包含120B和20B参数两个版本，采用混合专家(MoE)架构，支持128k上下文长度和工具调用功能。模型在数学推理、编程、多语言理解等基准测试中表现优异，可本地部署运行：120B版需80GB显存，20B版需16GB显存。OpenAI提供了完整的软件工具链支持，包括Hugging Face集成、vLLM服务器和Ollama支持，并允许用户进行微调。这一开源举措使开发者能构建离线AI应用，同时保持GPT级性能和企业级安全性。]]></description><category></category></item><item><title><![CDATA[【LLM】扩散模型与自回归模型：文本生成的未来对决]]></title><link>https://blog.csdn.net/sikh_0529/article/details/150016698</link><guid>https://blog.csdn.net/sikh_0529/article/details/150016698</guid><author>sikh_0529</author><pubDate>Thu, 07 Aug 2025 21:00:00 +0800</pubDate><description><![CDATA[本文对比分析了自回归(AR)和扩散(DLM)两种语言模型。AR模型通过顺序预测下一个token实现文本生成，具有流畅性优势但存在错误传播问题；扩散模型则通过多步去噪过程并行生成文本，支持全局纠错但计算成本较高。文章详细阐述了两者的数学原理、架构设计和训练推理流程，并指出混合模型可能成为未来趋势，结合AR的流畅性和扩散的全局一致性优势。当前AR模型仍占主导地位，但扩散模型在多样性生成和细粒度控制方面展现出潜力，两者的融合或将催生更强大的下一代语言模型。]]></description><category></category></item><item><title><![CDATA[【LLM】揭秘AI黑箱，现代大模型的架构真相]]></title><link>https://blog.csdn.net/sikh_0529/article/details/149900480</link><guid>https://blog.csdn.net/sikh_0529/article/details/149900480</guid><author>sikh_0529</author><pubDate>Mon, 04 Aug 2025 19:00:00 +0800</pubDate><description><![CDATA[文章深入剖析了现代大语言模型(LLM)的架构演进，以DeepseekV3为例，揭示了前沿AI模型的核心机制。虽然基础仍是矩阵运算，但现代LLM已发展出复杂架构：1）采用BPE分词和7168维嵌入空间处理文本；2）使用带因果掩码的多头注意力机制和旋转位置编码(RoPE)捕捉上下文关系；3）通过混合专家系统(MoE)实现条件计算，在保持推理效率的同时扩展模型容量；4）堆叠61层Transformer模块构建深层网络。现代LLM的成功不仅依赖架构创新，还需海量数据(14.8万亿词条)、强化学习和强大基础设施支持。]]></description><category></category></item><item><title><![CDATA[【NLP】使用 LangGraph 构建 RAG 的Research Multi-Agent]]></title><link>https://blog.csdn.net/sikh_0529/article/details/148927583</link><guid>https://blog.csdn.net/sikh_0529/article/details/148927583</guid><author>sikh_0529</author><pubDate>Thu, 26 Jun 2025 21:00:00 +0800</pubDate><description><![CDATA[本文介绍了一个基于LangGraph开发的多智能体RAG研究工具，旨在解决复杂查询处理问题。系统采用混合搜索和重新排序技术检索文档，并引入自我纠正机制（包括人工参与的幻觉检查）来提高响应可靠性。项目构建了包含主图和子图的工作流程，主图负责路由查询、生成研究计划和验证响应，子图专注于多查询生成和文档检索。实验表明，该系统在复杂查询处理上优于传统RAG方法，能够准确提取表格数据并避免幻觉。文章还讨论了Agentic RAG面临的技术挑战（如延迟和评估问题），并指出其在企业应用中的潜力。]]></description><category></category></item><item><title><![CDATA[【NLP】将 LangChain 与模型上下文协议 (MCP) 结合使用]]></title><link>https://blog.csdn.net/sikh_0529/article/details/148287232</link><guid>https://blog.csdn.net/sikh_0529/article/details/148287232</guid><author>sikh_0529</author><pubDate>Wed, 28 May 2025 22:00:00 +0800</pubDate><description><![CDATA[MCP（模型上下文协议）是一种开源协议，旨在解决大型语言模型(LLM)与外部数据源的隔离问题。它采用客户端-服务器架构，标准化了AI代理与外部系统的连接方式，支持开发者构建可复用的模块化连接器。通过提供通用接口和预构建服务器，MCP实现了LLM与工具/数据源的安全、可扩展交互，使AI应用从孤立系统转变为深度集成的智能代理。示例展示了如何利用MCP连接数学计算工具与LangGraph代理，验证了其在实际应用中的可行性，为AI工具链提供了统一的数据交互范式。]]></description><category></category></item><item><title><![CDATA[【LLM】什么是 MCP&ACP&ACA]]></title><link>https://blog.csdn.net/sikh_0529/article/details/147730713</link><guid>https://blog.csdn.net/sikh_0529/article/details/147730713</guid><author>sikh_0529</author><pubDate>Tue, 06 May 2025 19:00:00 +0800</pubDate><description><![CDATA[想象一个统一的代理平台，其中 A2A 处理代理之间的交互，MCP 管理工具和数据的访问，ACP 风格的运行时插件可用于边缘或离线场景。然后是 ACP，它采用了完全不同的方法。不同的供应商推出各自风格的 A2A 或 MCP，最终导致一片混乱——就像早期的 Web 服务一样，如果没有大量的粘合代码，任何事物都无法与其他事物进行通信。与面向云的协议（例如 A2A）或上下文路由协议（例如 MCP）不同，ACP 旨在实现本地优先、实时代理编排，具有最小的网络开销以及在共享运行时内部署的代理之间的紧密集成。]]></description><category></category></item></channel></rss>