zangbotao

摘要： 通过调用大模型来了解大模型和智能体的区别 并根据示例代码有了一个更深的理解 md 1、获取大模型 导入 dotenv 库的 load_dotenv 函数，用于加载环境变量文件（.env）中的配置 import dotenv from langchain_openai import ChatOpenA 阅读全文

摘要： 继续根据尚硅谷学习AI 今天了解核心组件 4.3 核心组件的说明 核心组件1：Model I/O 这个模块使⽤最多，也最简单 Model I/O：标准化各个大模型的输入和输出，包含输入模版，模型本身和格式化输出。 以下是使用语言模型从输入到输出的基本流程。 以下是对每一块的总结： Format(格式 阅读全文

摘要： 看尚硅谷的视频，了解langchain和RAG架构和Agent架构 RAG（检索增强生成）架构 核心组件 from langchain_community.vectorstores import Chroma from langchain.embeddings import OpenAIEmbedd 阅读全文

摘要： 下载miniconda，然后使用pycharm导入，但是创建项目时候导入已有虚拟环境的时候有bug，系统不能检索已存在的环境，但是通过pycharm创建的能在项目里面切换。不知道啥bug 阅读全文

摘要： 大模型工作流程 第一阶段：训练 — 让模型“学习知识”—— 此阶段目标是让模型从数据中习得通用的语言规律和世界知识。 数据准备 来源：收集TB乃至PB级别的海量文本数据（网页、书籍、代码、对话等）。 清洗与预处理：去除噪声、重复、有害内容，进行分词（Tokenization，将文本拆分成模型能理解的 阅读全文

摘要： Transformer 架构的了解 、 Transformer 是一种完全基于自注意力机制的深度学习模型架构。它摒弃了传统的循环（RNN）和卷积（CNN）结构，通过并行计算全局依赖关系，在自然语言处理等领域取得了突破性成果。 自注意力机制：模型能够同时关注输入序列中的所有元素，并动态计算它们之间的关 阅读全文

摘要： AI应用场景 自然语言处理（NLP） 自然语言处理是目前最广泛的 AI 应用领域之一，依托大语言模型的能力，实现文本理解、生成、对话、信息提取等多种功能。 核心应用 应用方向 场景 说明 文本生成 内容创作、摘要撰写、对联、写稿 ChatGPT、AI写作 对话系统 智能客服、企业机器人、语音助手 客 阅读全文

摘要： 了解大数据基础 AI 发展历程与核心技术演进 一、AI 总体发展历程 阶段 时间 核心技术 主要特点 早期 AI（符号主义） 1950s–1980s 规则系统、专家系统 人工编写规则，逻辑推理能力强，通用性差 统计机器学习 1980s–2010s SVM、KNN、决策树、朴素贝叶斯 模型从数据中学习 阅读全文

摘要： 今天继续了解nlp的理论部分， 模块二：传统方法篇 - 从规则到统计 第一部分：语言处理流水线 想象你要教计算机读文章，首先要教它识字断句。 文本预处理是清洗和准备数据。包括：去掉HTML标签、特殊符号；分词——把句子切成单词或字（中文更复杂）；去除停用词如“的”、“了”这些高频但信息少的词；词干还 阅读全文

摘要： 今天看了看关于nlp的相关内容，有些深奥看不懂 第一部分：数学与统计基础 这是NLP大厦的地基。你需要掌握： 线性代数是理解神经网络如何工作的钥匙。想象一下，每个词都被表示成一个数字向量，句子就是这些向量的组合。你需要理解向量、矩阵、张量这些概念，就像厨师要了解各种食材一样。重点学习矩阵乘法、特征值 阅读全文