文章列表-AI魔法学院

文章列表

ChatGPT提示工程 - 总结

Prompt 5 使用提取代替总结示例一简要的从以下内容中提取信息： <请把待总结的内容放到这里> 有些时候，如果总结的效果不太理想，可以尝试使用提取的方式，

GPT

RAG 修炼手册｜一文讲透 RAG 背后的技术

比如下面这几个例子的 bank 就不全是同样一个意思。

RAG Embedding

AI的百亿套壳：做船不做柱子

这个榜单看着有些复杂，简化一下其实就是下面这个表格。

AI 创业

来自Microsoft Build 2023：大语言模型是如何被训练出来的

本场汇报共40多分钟，包含2个方面，一个是如何训练出GPT这样的大语言模型，里面包含了大语言模型的训练过程以及相关的技术，虽然是一种high-level的讲解，但是对于理解ChatGPT的训练十分有用。

大模型

AI+智能客服：大模型可落地的最成熟场景之一

（当然，这并不意味着所有的问题都已经得到解决，也不意味着人工客服可以完全被替代）就我目前所在公司的业务情况，智能客服（下图所示的1和2，一个面向内部员工，一个面向外部客户）也是我认为有落地场景和价值的一个方向

ai 客服

回望做大模型一年后的感悟

写在前面过去一年应该是AI圈最万千瞩目的一年了，大家对大模型、OpenAI、ChatGPT、AI Native、Agent这些词投入了太多的关注，以至于有一年的时间好像经历原本应该两三年才有的科技进步的感觉

大模型感悟

AI Agent / 智能体观察笔记（下）

· 自动发twitter 我首先尝试了它的自动发twitter功能，虽然不完美（内容不完整，遗漏了一大段内容

大模型

模拟ChatGPT流式数据——SSE最佳实践（附可运行案例）

对于这种对话场景，ChagtGPT 将先计算出的数据“推送”给用户，采用 SSE 技术边计算边返回，避免用户因为等待时间过长关闭页面。。

GPT

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

在前面文章《应用编排的未来是Pipeline，LlamaIndex开发预览版推出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

Agent QueryPipeline 大模型

微软对 Sora 进行了逆向工程分析，揭秘 Sora 的秘密

在本节剩余部分，我们尝试解析 Sora 的架构设计，并探讨为实现这一杰出功能所采用的相关技术。

Sora 微软

Stable Diffusion

AI绘画Stable Diffusion进阶使用

: 最后点击上面的「Apply settings」，在点「Reload UI」就会重新刷新页面，即可看到头部的 VAE 区域: 可以去C站和huggingface

Stable Diffusion 文生图

点评：六大向量数据库

无论您是初学者还是专业人士，这些向量数据库都值得您的关注和尝试。

向量数据库

对于大模型RAG技术的一些思考

并且在尝试了几个通用的文档后，觉得效果也不错。

RAG 大模型

RAG 与 Finetuning，谁是提升 LLM 的最佳工具？

以前，我经常建议组织在进行微调之前尝试使用 RAG。

训练

忘掉 RAG，未来是 RAG-Fusion！搜索的下一个前沿：检索增强生成遇上倒数排名融合和生成查询

在我的搜索项目中，我尝试使用RAG，这让我开始思考其潜在的改进方式；我相信RAG目前还不能完全满足用户的需求，需要进一步升级。

RAG-Fusion 检索增强

<...63 64 65 666768 69 70 71 72 ...>

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