分类： AIGC

参考资料：Qwen3-8B-LoRA 及 SwanLab 可视化记录 需要下载资料：https://github.com/datawhalechina/self-llm/blob/master/dataset/huanhuan.json 环境配置 # 换清华镜像源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/s…

一份面向实战的 Claude 提示工程学习笔记。涵盖基础结构、角色设定、变量模板、输出格式化、思维链、Few-shot、降低幻觉、复杂提示编排，以及提示链、工具调用与检索增强等进阶主题。 0. 教程使用指南 使用 Messages API（推荐）进行对话，基本参数：model、max_tokens、messages，可选：system、temperature。 建议设置 temperature=0…

你是否也遇到了这样的困境：满怀信心地搭建了一个基于ChromaDB的向量数据库，将宝贵的企业内部知识文档灌入其中，期望它能成为一个智能的“企业大脑”。然而，当你真正开始查询时，却发现结果牛头不对马嘴，检索效果一塌糊涂。 别灰心，你不是一个人在战斗。这几乎是所有团队在初探RAG（检索增强生成）和向量搜索时都会踩的“坑”。问题通常不在于向量数据库本身，而在于我们喂给它的“原料”和指挥它工作的“大脑”出…

在人工智能（AI）的世界里，机器需要一种方式来“理解”我们人类的语言、图片甚至声音。但计算机本质上只懂数字，它们如何理解“热情”与“冷漠”之间的情感差异，或是“苹果公司”与“苹果水果”之间的天壤之别？ 答案就藏在一个神奇的概念里——Embedding。 你可以把Embedding模型想象成一个“宇宙翻译器”，它不只是做字面翻译，更是将世间万物（文本、图片、音频等）都转换成一种通用的数学语言——向量…

在处理机器学习问题时，我们接触到的数据多种多样，不仅有数值型的连续数据，还有类别丰富的离散数据，比如性别、年级、城市等。然而，大多数机器学习模型都偏爱“吃”数值型数据，对于文本类别的特征常常感到“消化不良”。为了让模型能理解这些类别信息，我们需要对它们进行预处理，而独热编码（One-Hot Encoding）就是其中最常用、最重要的一种技术。 为什么需要独热编码？ 想象一下，我们有这样一个关于学生…

在人工智能和机器学习的奇妙世界里，我们每天都在处理各种各样的数据：文字、图片、声音、视频……但机器并不能像人类一样直接“理解”这些信息。它们需要一个共同的语言——数值。 这就是我们今天要探讨的两个核心概念：向量化 (Vectorization) 和 嵌入 (Embedding)。它们是数据从“人类语言”翻译成“机器语言”的关键步骤，是构建任何智能系统的基石。 💡 为什么要将数据变成向量？ 想象一下…

译者序 本文翻译自 2024 年 Google 团队的一份 Agents 白皮书， 作者 Julia Wiesinger, Patrick Marlow, Vladimir Vuskovic。 Agent 可以理解为是一个扩展了大模型出厂能力的应用程序。 工具的使用，是人类区别于动物的标志 —— 也是 Agent 区别于大模型的标志。 本文转载自：https://arthurchiao.…

这是一篇关于 AI Agent 的学习笔记，内容总结自一个从零打造简化版 Claude Code 的视频教程。本文将整理和归纳教程中的核心概念，包括 Agent 是什么、最主流的 ReAct 构建模式，以及一种更高级的 Plan-and-Execute 模式。 一、 什么是 AI Agent？ 1. 从大模型 (LLM) 的局限性说起 我们熟悉的大语言模型（如 GPT-4o）虽然逻辑和回答能力很强…

你是否感觉当下的AI Agent技术听起来很厉害，但实际使用时却常常“掉链子”，尤其是在处理复杂任务时容易半途而废？你可能会认为这是模型能力不足。然而，业内的共识是：多数AI Agent的失败，并非模型能力的失败，而是上下文工程（Context Engineering）的失败。 那么，这个听起来高大上的“上下文工程”究竟是什么？它和我们熟悉的提示词工程（Prompt Engineering）、检索…

在人工智能领域，我们经常将大语言模型（LLM）比作一个功能强大的“黑箱”函数：你给它输入，它给你输出。但决定这个“黑箱”输出质量的关键，不仅仅是模型本身，更在于我们如何精心设计它的输入。 最近，一个名为 Context Engineering（上下文工程） 的概念在AI领域迅速升温。它到底是什么？它解决了哪些核心问题？我们又该如何实践？这篇教程将为你一一解答。 一、 核心概念：Context 与 …