- 博客(11)
- 收藏
- 关注
RSS订阅原创 AI专栏 | FunctionCalling,打破边界, 连接世界
摘要： Function Calling是大语言模型实现任务执行的关键机制，允许模型将自然语言转化为结构化API调用。该技术解决了模型无法获取实时数据、执行精确计算等问题，成为构建智能代理的基础。通过预定义工具描述，模型可智能判断是否需要调用外部函数，输出符合JSON Schema的参数。实战案例展示了如何利用该技术实现新闻时间范围控制，包含工具定义、参数计算等核心代码。工程实践中需注意函数描述的清晰性、参数的严格校验以及错误反馈机制，以确保系统稳定性和准确性。完整代码示例可在GitCode仓库获取。
2026-03-10 09:29:41
322
原创 AI专栏 | AI大法则之思维链、自洽性、思维树
本文介绍了三种提升大语言模型推理能力的技术：思维链(CoT)、自洽性(SC)和思维树(ToT)。思维链通过显式展示推理步骤，将复杂任务分解为可验证的子问题；自洽性采用多路径推理投票机制，提高答案可靠性；思维树则扩展为树状搜索结构，支持多路径探索和评估。文章通过实例展示了CoT如何纠正计算错误，SC如何通过投票解决模糊问题，并指出ToT与经典搜索算法的相似性。实践建议包括结构化推理步骤、分层输出、与工具集成等，同时提醒避免过度依赖长推理导致错误放大。这些技术共同提升了AI系统在复杂任务中的表现和可解释性。
2026-03-05 10:15:00
347
原创 AI专栏 | Prompt Engineering实战 [新闻助手实战，这样写Prompt，你的程序能用？]
本文通过新闻助手实战案例，分析了Prompt工程中的常见问题。文章首先回顾了Prompt设计的8条建议，包括单一任务、清晰描述、参考样例等原则。随后展示了一个新闻查询助手的代码示例，通过测试发现结果存在新闻归类错误、时间不准确、公司关联错误等问题。核心问题在于System Prompt违反了单一任务原则，同时承担了新闻查询、分类和格式化三项任务。文章建议将复杂任务拆解为多个步骤，并针对性地优化Prompt设计。该案例为Prompt工程实践提供了有价值的参考。
2026-01-25 13:47:38
795
原创 AI专栏 | Prompt Engineering [附篇: 大模型视角下的单一任务是什么?]
本文探讨了大模型视角下"单一任务"的本质判断标准。文章指出，单一任务不在于操作步骤数量，而在于是否围绕一个统一目标展开。通过"新闻查询+格式化输出"的案例，提出了四个判断维度：目标统一性、子步骤性质、认知模式切换和逻辑收敛性。同时分析了导致任务退化的三种情况，并给出快速判断法则：删除某一步骤后另一部分是否仍有价值。最后强调工程实践中应确保每次推理只解决一个核心业务决策点，通过多个节点串联来实现复杂任务。文章为Prompt Engineering提供了实用的任务拆解方法
2026-01-24 20:02:07
516
原创 AI专栏 | Prompt Engineering [高效指令设计与LLM安全实践]
本文介绍了Prompt Engineering的概念与实践建议。Prompt被视为AI时代的"新编程语言"，强调通过自然语言与AI高效协作。文章提供了7条高能建议：任务单一明确、描述清晰准确、提供参考样例、正向表达、控制长度、切换角色定位、A/B测试优化。同时指出Prompt安全的重要性，包括Prompt越狱和注入攻击的风险，并提出检测违规内容、敏感信息等防范措施。最后预告下章将通过实战演示Prompt Engineering技巧。
2026-01-24 08:25:45
826
原创 AI专栏 | Hello AI World, Hello LLM !
本文介绍了大型语言模型（LLM）的核心概念与应用。LLM通过自然语言交互方式降低了AI使用门槛，具备对话、信息提取、分类等多种能力。文章重点分析了LLM的关键能力维度，包括指令遵循、推理能力等，并提出了"拟人化协作"的使用理念。在选型方面，强调以业务场景驱动的实测表现为核心依据。最后通过Python代码示例演示了如何调用LLM接口，并简要回顾了AI发展历程。文章为开发者提供了LLM的实用指南，突出业务导向和实测验证的重要性。
2026-01-23 14:48:08
906
原创 AI专栏开篇｜现状即未来：我们正站在“AI+”二次繁荣的起点
人工智能正从实验室走向日常生活，2025年将迎来AI+应用的二次繁荣期。未来竞争焦点转向AI与各行业的深度融合，约1/3企业软件将内置AI功能。个人发展需要成为"懂业务+编程+AI"的复合型人才，作为业务与技术的桥梁。专栏将从基础到实战，系统讲解AI应用方法，帮助读者把握这一变革机遇。
2026-01-23 14:17:00
300
原创 微信小程序安全分析及设计
微信小程序应用安全分析及设计针对微信关于小程序安全设计的分析针对微信小程序开发配置及部分配置机制分析微信小程序安全设计：AppSecret管理员生成AppSecret，在与微信后台交互过程中部分接口使用，如 auth.code2Session 获取会话密钥session_key安全分析AppSecret维护必须为小程序管理员维护，默认微信侧管理安全❗ AppSecret在生成后需要后台应用保存维护，存在泄漏风险，AppSecret后台留存安全性需后台应用考虑。❗Tips: AppSec
2021-10-13 14:50:06
4515
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