文章列表-AI魔法学院

文章列表

LangChain Agent 原理解析

ReAct 的目标是探索如何使用 LLM 以交错的方式生成推理痕迹和特定任务的行动，从而在两者之间实现更大的协同作用。

大模型

SD入门教程二：文生图基础用法（提示词）

提示词之间是可以换行，但换行时也是要记得在结尾加上逗号来进行区分； · 每个提示词自身权重默认值都是1，越靠前的提示词权重越高； · 控制在75个单词以内； · 小括号()代表：增加权重

SD prompt 文生图提示词

一位芯片投资人的十年复盘：谁是中国的英伟达｜AI光年

“华为的系统能力强，华为有自研的CPU鲲鹏

AI光年芯片投资

数据分析思路系列-如何建立指标体系

某家教育公司想建设活跃侧的指标体系，因为该报表是专门服务于活跃业务，所以不牵涉成本和收益，我们只需要考虑活跃和留存即可，所以我们可以将活跃用户、活跃时长和留存率作为一级指标，另外根据他们的业务逻辑，新增的用户数据也包含在活跃体系中

数据分析指标体系

小学生都能看懂的 Prompt 高级技巧： Few-Shots 、 COT 、 SC、 TOT 、 Step-Back

Zero-shot 只是使用CRISPE，不增加示例样本，就是 zero-shot 。

Prompt 大模型

字节，悄咪咪做了个 Liblib

在这个阶段几乎不会有流量支持，靠产品自身的形态吸引自然用户；进入第二阶段的产品，开始可以拿到一部分初始预算进行外部推广，由专门负责增长的团队负责拉新留存，进行产品排名，数据表现好结合内部分析，从创新产品中心进入到具体的产品组

Lumi 大模型

基于中文金融知识的 LLaMA 系微调模型的智能问答系统：LLaMA大模型训练微调推理等详细教学

此外，老年人可以通过投资股票、基金等金融产品来增加财富。

LLaMA

AI数字人：重构人货场的新力量

因此我们应该积极探索和研究AI数字人的应用和发展趋势为企业创造更多的商业机会和价值。

数字人 AI 商业

大模型微调应用实践，没那么简单，看看曾经踩过的坑

样本量规模增大，训练出现OOM错：模型训练的样本数量从10万，增大300万，训练任务直接报OOM了。

大模型

角色，背景，任务，产出内容与形式：如何写出优雅的prompt？ - 通用的万能框架

但是在NLP领域里，prompt好像并没有特别权威的官方定义，可以理解为提示，也可以是线索、指令。

提示词 prompt

SDXL模型lora训练参数详细设置，显存占用22G，不用修脸原图直出

参数设置看这一篇就够用了这里讲过DAdaptation，而Prodigy是DAdaptation的升级版，它会随着步数增加寻找最优的学习率。

SDXL 训练

大模型高效微调：🤗 PEFT 使用案例

import notebook_login notebook_login() model.push_to_hub("my_awesome_peft_model") 这只保存了已经训练的增量

大模型

模拟ChatGPT流式数据——SSE最佳实践（附可运行案例）

例如可以在服务端将每次发送的事件ID值自动加 1，当浏览器接收到该事件ID后，下次与服务端建立连接后再请求的 Header 中将同时提交该事件ID，服务端检查该事件ID是否为上次发送的事件

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）

step_output = agent.run_step(task.task_id) #单步输出 step_output.is_last #检查是否完成

Agent QueryPipeline 大模型

Prompt逆向工程：轻松复刻OpenAI“神级”提示词

应用上面这几个步骤，就可以直接跑通复杂提示词的逆向了，不过除了这三个大结构之外，针对第一步还可以增加更多细节，比如： 1.

大模型

<...71 72 73 747576 77 78 79 80 ...>

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