摘要：LangChain 应用方向简述 1. RAG（Retrieval Augmented Generation） 基于 LangChain + 检索 实现内容生成 典型应用： RAG Search 企业知识库问答 垂直行业信息咨询 智能聊天机器人（客服） 文档摘要 RAG增强检索 文本embeddin 阅读全文

摘要：LangChain、LangSmith 和 LangGraph的异同 名称 功能定位 类比/关键词 面向对象 LangChain 构建链式 LLM 应用的工具包 “后端框架”，“拼图搭建工具” 开发者 LangGraph 构建多步骤、状态驱动 LLM 流程图 “流程图框架”，“RAG FSM 状态机 阅读全文

摘要：引言 在使用大语言模型（LLM）时，我们通过文本或图片形式的 prompt 输入，指导模型输出目标明确的内容。虽然人人都可以写 prompt，但高效的 prompt 往往较复杂。 LLM 的输出效果受多方面影响，包括：所用模型、训练数据、模型配置、词语选择、语气风格、结构设计、上下文信息。 一个设计 阅读全文

摘要：Transformers 综合解析与总结 Transformers 自 2017 年由 Google 提出以来，已成为处理文本、图像、音频等多模态数据的重要架构。其基本思想是通过自注意力机制（Attention）和前馈神经网络（MLP）对输入信息进行编码，再借助解码或生成机制预测下一个 token， 阅读全文

摘要：🧠 神经网络训练流程（MLP） [1. 输入层] 784个像素点 │ ▼ ╭────────────────────────────╮ │ 1️⃣ Forward Propagation 初始值│ │ 输入 → 加权和 → 激活函数 → 输出预测 ŷ │ （训练或预测步骤） ╰───────── 阅读全文

摘要：机器学习 1. 监督学习 Regression(回归任务) ​ 回归任务的目的是预测一个连续值。常见的包括 scikit-learn、XGBoost、LightGBM 和 CatBoost 回归任务的目的是预测一个连续值。许多机器学习库和框架都提供了回归算法，常见的包括 scikit-learn、X 阅读全文

摘要：1. 传统机器学习的应用场景 聚类：无监督学习，即数据没有标签，模型的目标是根据数据的相似性自动发现数据中的潜在结构或分组。 目标：给定一个输入数据集，模型的任务是将数据集划分为若干组（或簇），每个组内的数据相似度较高，而不同组之间的数据相似度较低。根据数据本身特征进行分组。 应用场景： 客户细分： 阅读全文