- 博客(122)
- 收藏
- 关注
RSS订阅原创 Datawhale Obsidian智能体 202603作业1
拒绝过度设计，先构建一个包含“输入-处理-反馈-输出”的最简闭环，验证 AI 协作的可行性。
2026-03-18 23:52:54
480
原创 Datawhale Claude Skills+GLM 教程及实践(5天版)202603 笔记1
如何用cc switch或智谱调用claude code.
2026-03-15 08:32:40
736
原创 Datawhale 大模型算法全栈基础篇 202602第7次笔记
我们训练好的NER模型（能识别“高血压”、“降压药”等）现在要变成一个真正的“服务”，让别人可以通过网络来调用它。在这个页面中，可以查看所有的 API 端点（Endpoints）、参数和返回结构，并直接进行调用和测试。点击右上角的 “Try it out” 按钮，然后再点击蓝色的 “Execute” 按钮，页面下方会立即显示出 API 的执行结果。"text": "患者自述发热、咳嗽，伴有轻微头痛。"text": "发热","text": "咳嗽","text": "头痛","text": "患者",
2026-02-27 18:56:51
860
原创 Datawhale 大模型算法全栈基础篇 202602第6次笔记
想象一下，你读了一句话：“姚明昨天在北京打篮球。普通人一眼就能看出：“姚明”是个人，“北京”是个地方。就是让电脑也学会这种能力——从文字中找出（人名）、（地名）、（公司名）、等关键词语，并给它们贴上正确的标签。：姚明、雷军：北京、故宫：阿里巴巴、英伟达：黑神话：悟空、iPhone：昨天、2025年一个词是不是实体，取决于场景。比如“苹果”：在水果摊前 → 不是实体（普通名词）在手机讨论中 → 是组织机构名（Apple公司）
2026-02-27 13:10:42
562
原创 Datawhale 大模型算法全栈基础篇 202602第5次笔记
LSTM 需要大量数据才能学习到有效的词向量和语义表示，而 BERT 通过预训练弥补了数据不足。Transformer 的自注意力机制比 RNN 更适合捕捉长距离依赖，但在小样本下这个优势不显著，反而容易过拟合。实验结果验证了预训练模型在小样本场景下的实用价值。我们用几行代码就加载了一个强大的中文 BERT 模型。分词器把句子变成数字 ID，并自动添加特殊标记和填充。模型推理后，我们可以拿到每个字的向量（）和句子向量（[CLS]这些向量就是 BERT 对文本的理解，可以用于各种下游任务。
2026-02-26 14:39:55
806
原创 Datawhale 大模型算法全栈基础篇 202602第4次笔记
想象一下，要把一句中文翻译成英文，不能一个词一个词地翻译，因为两种语言的词序和长度可能不一样。比如：中文：“我爱人工智能”（3个词）英文：“I love artificial intelligence”（4个词）怎么办？先完整地读懂中文句子，理解它的意思。然后根据理解的意思，用英文把这句话说出来。这就是Seq2Seq（序列到序列）的核心思想。编码器（Encoder）：负责“阅读”输入序列（如中文），并把整个句子的意思浓缩成一个上下文向量（就像记在心里的“语义概要”）。解码器（Decoder）
2026-02-25 23:35:05
943
原创 Datawhale 大模型算法全栈基础篇 202602第3次笔记
问题的实现正确做法（参考材料）变长序列处理未使用，直接输入填充后的序列使用打包，避免填充干扰最终隐藏状态提取使用使用hidden状态，并根据双向性拼接序列长度传递未传递lengths给模型collate_fn返回lengths，模型接收lengths数据增强无随机 Token 遮盖Dropout 位置仅最后全连接前LSTM 层间 Dropout（时）训练/推理时长度处理未传递长度，未使用pack在训练和推理时均需传递长度并使用pack。
2026-02-23 23:53:58
1043
原创 Datawhale 大模型算法全栈基础篇 202602第2次笔记
完整地运行了一个基于 TF-IDF 和全连接网络的文本分类项目，从数据加载到训练、评估、推理全部走通。
2026-02-23 21:31:52
352
1
原创 Datawhale Easy-Vibe 202602 第5次笔记
我想做这个经典的儿童记忆卡牌游戏，最常见的英文名称是 Memory Game（记忆配对游戏），也常被叫做 Concentration 或 Match Match，中文里一般直接叫 “记忆配对牌”“翻牌记忆游戏” 或 “对对碰”。实现 JavaScript 游戏逻辑（翻牌、配对、胜利判断） & 添加计时器和步数统计功能 & 添加难度选择功能（简单/中等/困难）实现 JavaScript 烟花动画逻辑 & 实现 emoji 雨动画 & 实现配对成功的粒子爆发效果 & 添加连击系统和特效。
2026-02-22 09:17:00
1304
原创 Datawhale Easy-Vibe 202602 第4次笔记
现在我们要增加一个新的功能，千问AI图像生成工具，请放在首页，和AI识图等一个等级，请你基于下面 API，帮我实现这个工程中，电商业务的常见功能（生成模式有：海报生成、抖音电商首图生成，场景替换，场景合成，节日海报，自定议等等），也有选择风格的选项：春节、中秋、国庆、圣诞、新年，情人节。使用提示是：1、上传清晰的商品图片，建议使用白底图。2、选择合适的生成模式和风格。参考这个调用方法，在商品生成网页，帮我生成支持文案生成功能，在生图完成以后，可以基于商品信息，点击后生成对应抖音电商文案，多种风格。
2026-02-22 05:08:52
738
原创 Datawhale Easy-Vibe 202602 第3次笔记
测试数据生成时，SVG到PNG的转换是异步的，而占位符图片是同步创建的，这可能导致占位符覆盖了实际的鞋子图片。创建一个单页面应用，帮助电商运营人员自动生成商品的主图和文案。看到的是 Vite 的默认欢迎页面 ，这不是我要做的电商工具，只是项目初始化后的模板页面。点击“使用此模板”以后，就会回到商品任务这一栏，并且默认填入了上面的模板块中的信息。在模板库里，点击照片以后，会显示这个商品的各种详细信息，并且可有使用该模板这个键。请生成完整的项目代码，包括所有必要的文件和依赖配置，确保项目可以正常启动和运行。
2026-02-21 16:44:15
631
原创 Datawhale 硅基生物进化论 202602第3次笔记
定义：将人类编写的高级语言源代码翻译为机器可执行的机器码目标程序的软件工具，不仅完成翻译，还会做错误检查和程序优化。核心作用（为何需要编译器）硬件适配：CPU 仅能识别机器码，高级语言必须经编译器转为指令序列才能运行；提前检错：在程序运行前发现类型不匹配、变量未定义等语法 / 语义错误；性能优化：通过循环优化、内联、寄存器分配等让程序运行更快；跨平台特性：同一份源码可针对不同 CPU / 系统编译出对应的可执行文件 / 库。高级表示（源代码 / 汇编）向低级表示（机器码）的转化工具。
2026-02-16 05:31:56
1050
原创 Datawhale 大模型算法全栈基础篇 202602第1次笔记
核心区别：你配置的是 conda 的清华镜像（只对 conda 命令生效），而 pip 默认用了教育网镜像（失效），二者互不关联；临时镜像源成功的原因-i参数临时让 pip 改用清华 pip 镜像，该镜像包全、同步及时，能找到适配的包；后续建议：按之前的方法配置 pip 的永久清华镜像，这样后续用就不用每次加-i参数了。简单来说，你之前只给 “conda 这个工具” 配了清华镜像，而 “pip 这个工具” 还在用坏的镜像；临时指定-i就是让 pip 也用清华镜像，所以就成功了。核心结论。
2026-02-15 15:33:34
666
原创 Datawhale 硅基生物进化论 202602第2次笔记
拼好的简易 ALU 特别简单，给它两个数字（输入），再告诉它 “你要干啥”（比如算加法、判断大小、移位），它就会吐出结果，还会附带一些 “小提醒”（比如加法算大了的进位、是不是全 0）。课文还特意说：不用一开始就抠每个零件的电路细节，先把 ALU 当成一个 “黑盒子”，知道它能干嘛、给它啥、它出啥结果就行，先懂整体，再抠细节。ALU 是 CPU 的计算器 + 裁判，由 12 个干具体小事的简单零件拼成，能做所有算数运算（本质都是加法）和逻辑判断 / 移位，电脑的所有计算和基础判断，都是这个小模块干的。
2026-02-14 22:51:22
638
原创 Datawhale Easy-Vibe 202602 第2次笔记
例如：请先说一下，按照你改好的代码，正常情况下我打开网页应该看到什么内容。只要你按照这套流程来和 AI 交互，大部分“代码不工作”的情况，都可以在几轮来回中解决掉。同时，你也会逐渐熟悉常见的问题类型，下次再遇到类似情况就能直接解决。
2026-02-14 00:40:21
854
原创 Datawhale Easy-Vibe 202602 第1次笔记
不自己写代码，用自然语言和 AI 对话完成编程。AI 开发最大变化：难点从「怎么写代码」变成「你要做什么。
2026-02-10 09:25:54
268
原创 Datawhale 硅基生物进化论 202602第1次笔记
计算机定义：接收输入、自动处理数据、输出信号的电子设备，核心能力是按预设程序高速、精准、重复处理信号（数据）。核心组成CPU：负责计算与逻辑处理（类比大脑）；RAM：临时存储数据（短期记忆）；硬盘 / 闪存：长期保存数据与程序（长期记忆）；输入 / 输出设备：实现人机交互；程序：指挥计算机工作的指令集合。工作原理：本质是高速控制晶体管开关（0/1 两种状态），半导体实现超高频运算，速度远优于人工操作。计算机网络：多设备通过传输介质（网线等）传递指令，实现高速通信与协同工作。
2026-02-09 22:43:52
476
原创 不要将包含API密钥的 .env 文件提交到版本控制系统中
永远不要将包含API密钥的 .env 文件提交到版本控制系统中- 如果您计划使用Git，建议创建一个 .gitignore 文件并添加 .env 条目。
2025-12-16 14:45:36
562
原创 Datawhale人工智能的数学基础 202510第5次作业
text可交换性二维旋转：可交换（R(θ)R(φ) = R(φ)R(θ)）三维及以上：一般不可交换应用领域机器人学：关节控制计算机图形学：物体变换数据处理：坐标变换抽象→几何：把代数概念可视化有限维→无限维：向量→函数数据理解：投影=信息提取，旋转=视角变换。
2025-10-24 17:19:40
1143
原创 Datawhale人工智能的数学基础 202510第4次作业
text💡对比发现同一个向量在不同内积下长度不同！这就像用不同单位的尺子测量同一物体公式💡几何意义两点之间的距离 = 连接它们向量的长度核心公式💡几何意义夹角余弦值 = 两向量的"相似度"指标值越接近1，方向越相似；越接近-1，方向越相反数学保证在[0, π]范围内，角度与余弦值一一对应正交〈x, y〉 = 0⇔x ⊥ y单位正交：正交 + 两个都是单位向量 (text💡关键发现同一个向量对在不同内积下可能正交，也可能不正交！
2025-10-23 23:46:44
854
原创 Datawhale OpenAI官方智能体框架202510 作业5
并行执行机制：通过asyncio.gather等Python原生方式并行运行多个智能体，适用于无依赖关系的批量任务加速。构建处理链：将任务分解为串联的智能体流水线，比如博客写作可拆分为研究->大纲->撰写->润色->改进等环节。使用结构化输出：生成规范数据供代码逻辑判断，例如先让智能体对任务分类，再根据类别选择后续智能体。实现评估循环：在while循环中，执行智能体与评估智能体持续交互，直到输出满足预设标准。输出护栏：在最终智能体输出时运行。护栏对用户输入进行检查和验证。输入护栏：在初始用户输入时运行。
2025-10-22 12:45:58
255
原创 Datawhale OpenAI官方智能体框架202510 作业4
代码2可以自定义handoff工具的名称和描述代码1使用系统默认的工具名称和描述。
2025-10-21 13:58:47
1169
原创 Datawhale OpenAI官方智能体框架202510 作业3
在某些情况下，您可能希望在将工具代理的输出返回给中央代理之前对其进行修改。如果您想： 从子代理的聊天历史中提取特定信息（例如JSON payload）。转换或重新格式化代理的最终答案（例如，将Markdown转换为纯文本或CSV）。当代理的响应缺失或格式错误时，验证输出或提供回退值。import os# 加载环境变量# 从环境变量中读取api_keyname="信息抽取",instructions="抽取name和position信息为json格式",model=llm,
2025-10-20 00:07:06
1065
原创 Datawhale人工智能的数学基础 202510第1次作业
如果他只是背下了所有题目的答案（记忆训练数据），但没理解背后的知识点，遇到新题型就会考砸。这意味着我们不是一条一条地写死规则（比如“如果天气是晴天，且温度高于25度，则推荐冰淇淋”），而是设计一个通用的方法，让电脑自己从大量数据里找出规律。比如，我们认为“房价”和“面积”是线性关系，那么就可以选择一个“线性模型”：房价 = a × 面积 + b。比如：把描述一个人喜好的100个指标，压缩成“动漫迷”、“运动达人”等2-3个标签。比如：根据用户的消费数据，判断他属于“高消费群体”的概率有多大。
2025-10-14 22:05:09
806
原创 Datawhale OpenAI官方智能体框架202510作业1
import os# 1. 加载环境变量和初始化客户端raise ValueError("❌ 请在 .env 文件中设置 DASHSCOPE_API_KEY")# 2. 定义所有 PromptSYS_PROMPT = """你是一个聪明的客服。您将能够根据用户的问题将不同的任务分配给不同的人。您有以下业务线：1. 用户注册。如果用户想要执行这样的操作，您应该发送一个带有"registered workers"的特殊令牌。并告诉用户您正在调用它。2. 用户数据查询。
2025-10-13 23:18:25
917
原创 datawhale RAG技术全栈指南 202509 第6次作业
将结构化知识图谱融入RAG流程的新范式——KG-RAG应运而生。通过利用知识图谱的显式语义关系和图结构优势，KG-RAG能够提供更精准的上下文检索和更强的推理能力，在多跳查询和事实性要求较高的场景中表现尤为出色。大多数KG-RAG框架遵循一个通用的三阶段流程：知识图谱构建、图谱检索与增强生成。
2025-10-04 23:49:57
932
原创 datawhale RAG技术全栈指南 202509 第5次作业
2025-10-03 12:38:46,361 - rag_modules.index_construction - INFO - 正在初始化嵌入模型: E:/Datawhale/All in rag 202509/code/all-in-rag-main/models/bge-small-zh-v1___5。如果直接用整个文档分块，就失去了检索的精确性优势。菜品分类: ['水产', '早餐', '调料', '饮品', '荤菜', '其他', '汤品', '主食', '素菜', '甜品']
2025-10-03 12:43:15
1000
原创 datawhale RAG技术全栈指南 202509 第4次作业
简单说，就是数据的"身份证信息"：视频：标题、作者、时长、观看次数文档：来源、日期、类别、作者商品：价格、品牌、评分、库存。
2025-10-01 00:45:33
1163
原创 Datawhale Happy-LLM 202509 第8次作业
架构就像一位专业的"作家"，它不需要深度理解输入，而是专注于如何流畅地生成文本。正是这种专注，让它成为了当今大语言模型的基石。想象一下，如果AI模型不是"全才"，而是专攻"创作"的"作家"，会是什么样子？让GPT掌握了语言的生成规律，成为真正的"文本创作专家"。——当今所有大语言模型（如ChatGPT）的核心架构！模型通过看例子就能学会判断，不再需要大量训练数据。当GPT系列闭源发展时，Meta公司推出了开源的。实现"涌现能力"，开启大模型时代。，让更多人能够接触和使用大模型。让AI的使用变得极其简单。
2025-09-27 13:08:53
609
原创 Datawhale 理工科-大模型入门实训课程 202509 第4次作业
因此，当我们进行 LLM SFT 以提升 LLM 在指定下游任务的表现时，我们需要将训练数据构造成上述格式，并对数据集进行处理来支持模型微调。接下来，我们以角色扮演任务（要求 LLM 扮演甄嬛，以甄嬛的语气、风格与用户对话）为例，演示如何进行微调数据集构造。请大家选择一个 NLP 经典任务（例如情感分类、命名实体识别等），收集该任务的经典训练数据对 Qwen3-4B 进行微调，并评估微调后模型在该任务上的效果。小姐，别的秀女都在求中选，唯有咱们小姐想被撂牌子，菩萨一定记得真真儿的——<|im_end|>
2025-09-27 02:43:16
637
原创 Datawhale Happy-LLM 202509 第7次作业
这就像给AI的思维过程加上了一个"稳定器"，确保它在处理信息时不会"想歪了"。T5模型告诉我们：有时候，最复杂的问题往往有最简单的解决方案——把一切都看作是"从A到B"的转换。想象一下，如果有一个AI模型，既能做翻译，又能写摘要，还能回答问题，就像一位精通所有语言任务的"万能翻译官"。结构让T5既能深度理解输入内容，又能流畅地生成输出结果，就像既有专业的"听力理解员"，又有优秀的"口语表达员"。这种训练让T5掌握了语言的深层规律，为它的"万能"能力打下了基础。T5的模型设计非常巧妙，就像一套。
2025-09-27 00:47:03
1463
原创 datawhale RAG技术全栈指南 202509 第3次作业
下载安装时勾选：✅（推荐）✅安装完成后重启电脑💡 需要 Windows 10/11 64位，且启用 WSL2（Docker Desktop 会自动配置）。
2025-09-25 23:54:53
573
1
原创 datawhale玩转通义四大新模型 202509 第6次作业
探索Qwen3-30B-A22B的玩法作业：帮我用 HTML/CSS 设计一个响应式的作品集网站prompt:帮我用 HTML/CSS 设计一个响应式的作品集网站当然可以！下面是一个简洁、现代且的个人作品集网站（Portfolio Website）的完整 HTML/CSS 代码。
2025-09-24 20:59:23
206
原创 Datawhale Happy-LLM 202509 第6次作业
白话搞笑版本笔记：嘿，同学们！还记得我们上次聊到的那个叫Transformer的“AI超级大脑”吗？它就像一家超级厉害的“语言公司”，里面有两个核心部门：一个是专门负责深度理解的Encoder（理解部），另一个是专门负责流畅创作的Decoder（创作部）。最初，这个“超级大脑”两个部门配合得天衣无缝。但后来，AI江湖里的高手们发现：“咦？如果让它们各自专精一项，会不会更厉害？”于是，一场精彩的“AI武林大会”拉开了序幕，演化出了三大名震江湖的门派！江湖绰号： “完形填空”学霸独家秘籍： 只用理解部（Enc
2025-09-24 11:40:59
778
原创 Datawhale 理工科-大模型入门实训课程 202509 第3次作业
写好一条提示词，本质上是把人类意图翻译成模型可执行的“程序”。当你熟练运用“任务—主体—细节—形式”这一最小公式后，再复杂的场景也能被拆解成四个可填空的位置，像搭积木一样快速拼装。最后再根据任务的特性，使用一些提示词技巧来让提示词更有效。下一次打开对话框时，不妨先写下四行字：“ 做什么？对谁做？要做到哪一步？要以什么形态交？” 当这四问都有答案，模型便不再是黑箱，而是你手中最听话的笔。
2025-09-23 23:43:04
437
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人