文章列表-AI魔法学院

文章列表

世界顶级七大管理工具：SWOT、PDCA、6W2H、SMART、WBS、时间管理、二八原则、波特五力分析

例如，市场需求增长、技术进步、政策支持、竞争对手弱势等。

管理工具

最详细的文本分块(Chunking)方法——可以直接影响基于LLM应用效果

根据经验，如果文本块尽量是语义独立的，也就是没有对上下文很强的依赖，这样子对语言模型来说是最易于理解的。

RAG 大模型

AI Agent / 智能体观察笔记（上）

工业自动化最大的挑战就是当某个环节发生意外时，总部的工程师就要电话指导生产一线共同解决问题。

大模型

手把手！做Llama3的MoE专家混合模型！底层原理怎样的？做自己的MoE模型？需要多少算力？

与激活整个网络的密集模型不同，MoE 仅根据输入激活相对应的专家！

MoE 专家混合模型

一个产品经理的大模型观察、反思与预测

参数 · 预训练时要处理的数量级：上下文长度通常是 2000、4000 甚至是 100,000（决定

工作

大模型狂飙两年后，“六小龙”开始做减法

今年9月，月之暗面决定停止两款出海产品 Ohai 和 Noisee的尝试，专注Kimi的开发，此后两个月随即发布Kimi探索版和新模型。

AI 大模型

Learn Prompting-基础篇

这些算法可以写论文、解决数学问题，并创造艺术。

prompt

使用这个工具后，我将 RAG 的准确性和召回率都提高了两倍！

技术的主要组成包括数据提取—embedding—创建索引—检索—排序（Rerank）—LLM 归纳生成，不过实际落地过程来看，将用户查询转换为嵌入向量直接检索，很多时候的结果在相关度方面没有那么理想，本篇分享一种对用户查询进行重写再去检索从而提高准确性和召回率的方案

RAG 大语言模型

SD入门教程四：图生图基础用法

，大多数教程正向提示词都是和原图是有关系的，会让人误解为是对于原图的解释，图生图中无论是正向还是反向提示词都是对于结果图的引导和规范。

SD 入门图生图

Prompt工程如此强大，我们还需要模型训练吗？

对于这两种方法各自有各自使用的应用场景，提示工程解决的问题，往往不会用微调（如小语义空间内的推理问题），微调通常用于解决那些无法通过特征工程解决的问题。

大模型

收藏！万字长文聊聊LLM Agents的现状，问题与未来

这类似于人类的神经信号传输，决定了一些Agent可表征的信息范围、信息损失和计算效率问题。

LLM Agents

“实时”语音翻译！AI语音具有“情绪”！最强开源AI大模型来了

如果你有这样的困扰，那么你一定会对meta的开源AI模型seamless-communication感兴趣。

大模型开源模型语音

LlamaIndex的QueryPipeline在实现RAG应用后，Agent应用也可以实现了（附开发示例）

Query Pipeline，提升应用开发的灵活性》里，我们提到了llamaindex出了一个新的实验feature，支持通过声明式的方式定义QueryPipeline从而形成个性化的应用流程，并且给出了对于

Agent QueryPipeline 大模型

还在手写Prompt？这几大网站让你秒找大模型提示词！

对于一些不太常见、低频的场景，如果我们每次都从零开始去写提示词，不仅效率低下，反而还浪费时间。

prompt 提示词

9个范例带你入门langchain

7，API交互(Interacting with APIs): 通过对API文档的阅读，理解API文档并向真实世界调用API获取真实数据。

大模型

<...28 29 30 313233 34 35 36 37 ...>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1