AI
刷新
Happy-LLM 学习笔记 09：RAG 的关键不是接个向量库，而是把知识流转设计清楚

博主头像 第七章开始进入大模型应用，RAG 是其中最容易被低估的一块。很多教程会把它讲成"文档切块、向量化、相似度检索、塞进 prompt"，流程看起来很顺，但真正落到工程里，问题往往不在能不能跑通，而在检索到的知识是否完整、是否相关、是否能被模型稳定使用。 Happy-LLM 的 Tiny-RAG 实现很适 ...

康奈尔笔记AIGC

博主头像 康奈尔笔记AIGC康奈尔笔记法康奈尔笔记法（Cornell Note System）是由美国康奈尔大学教育学教授沃尔特·鲍克（Walter Pauk）在20世纪50年代发明的一种高效笔记系统。它的核心理念不仅仅是“记录”，而是通过特定的版面设计，强制你在记笔记的过程中完成记录、思考、提炼和复习的完整 ...

Happy-LLM 学习笔记 08：模型每次吐一个 token，解码策略到底在控制什么

博主头像 前面几篇都在讲模型怎么训练出来，这一篇换一个角度：模型推理时每一步只输出一个 token，那"选哪个 token"这件事，其实才是用户直接感受到的产品行为。Happy-LLM 的额外章节把生成方式单独拎出来讲，读完后我最大的感受是：解码策略不是锦上添花的小参数，而是模型能力和使用体验之间的最后一层接 ...

Mem0 源码阅读笔记

博主头像 Mem0 源码阅读笔记 版本：mem0 main 分支，commit dd5f7e39 1. 核心概念与大致架构 1.1 定位与三段式数据流 Mem0 把自己定位为「AI agent 的记忆层（memory layer）」。一条记忆（memory）的写入与检索，本质是三段式流水线： 原始对话/文本 ...

Happy-LLM 学习笔记 07：从预训练到 LoRA，训练流程要先看数据和成本

博主头像 第五章是手写一个小 LLM，第六章的重点则变成：真正做训练时，为什么大家通常不会一直停留在手写训练循环里。答案很现实，模型结构、数据处理、分布式训练、checkpoint 恢复、日志监控和参数高效微调，每一项单独看都不难，合在一起却很容易把实验搞乱。 这一章给我的最大启发是：训练流程不是“模型 fo ...

在 JetBrains IDE 中接入 OpenCode 并配置自定义模型

博主头像 OpenCode 是一款开源 AI 编程代理，目前在 GitHub 上拥有超过 16 万颗 Star，月活开发者超过 750 万。它支持终端、桌面应用和 IDE 扩展等多种使用方式，并且由于隐私优先的设计——不存储你的代码和上下文数据——在对隐私敏感的开发环境中也能放心使用。 OpenCode 的一 ...

15天学会AI应用开发（十六）LangChain实现对话记忆功能

博主头像 ​模型本身是无状态的，也就是不具备记忆功能，单次对话无法留存上下文信息，多轮交互中会遗忘历史对话内容。用户之所以感觉AI工具拥有记忆，是因为AI工具给大模型封装了一层记忆。 LangChain作为主流的大模型应用开发框架，内置完善的记忆模块（Memory模块），能够高效管理对话历史记录，让AI实现逻 ...

中文内容创作者，必装的 10 个 Skill

博主头像 中文内容创作者，必装的 10 个 Skill在 AI 辅助创作的时代，工具的选择决定了内容的上限。与其让 AI 泛泛而谈，不如用专业的 Skill 把它变成你的专属编辑、设计师和研究员。以下为你精选了 10 个能显著提升中文内容创作效率与质量的 Skill，覆盖了从选题、写作、润色到视觉包装的全流程 ...

Happy-LLM 学习笔记 06：动手搭建一个小 LLM，最值得盯住哪些模块

博主头像 这一章最有价值的地方，不是把一个完整的大模型“抄出来”，而是把一个小 LLM 从骨架、入口和训练三层拆开看。以前我总会先盯参数量和显卡，后来才发现，真正决定能不能跑通的，往往是模块之间的接口是否统一。 先把模型骨架搭对 k_model.py 里最先出现的是 ModelConfig。这件事看起来平常， ...

重磅发布 19 个视觉分析模型，涉及厂区消防安全、人员作业合规、工业设备与管线巡检、电子精密质检和农业种植监测等 10 大主流场景

博主头像 iNeuOS_Vision平台模型适配食品加工、电力运维、油气管道、钢铁冶金、矿山煤炭、机械焊接、电子制造、园区安防、农业种植、车载安全十大主流行业，企业也可基于平台自主标注、训练专属行业检测模型，快速搭建轻量化、可落地的机器视觉智能管控系统。 ...

Happy-LLM 学习笔记 04：BERT、T5、GPT 到 LLaMA，预训练模型谱系怎么串起来

博主头像 学完 Transformer 的基本结构后，再看预训练语言模型的发展，会发现很多模型名字并不是彼此割裂的。BERT、T5、GPT、LLaMA 看起来像不同时代的代表，底层其实都在回答同一个问题：我该使用 Transformer 的哪一部分，配什么预训练任务，才能把大量无标注文本转化成可迁移的语言能力 ...

123···50>