印象里大模型参数动辄千亿万亿，训练成本更是天文数字，感觉像是普通人遥不可及的“屠龙之术”。但今天想跟你们聊个有意思的反例，一个叫 MiniMind 的开源项目，它反其道而行之，主打一个“大道至简”。

今天，我将为大家详细介绍如何使用LLaMA-Factory这一开源框架，从环境搭建到模型训练，再到实际应用，手把手教你打造属于自己的AI助手！

本章我们开始学习大模型算法理论、网络结构及其工作原理，正式开始之前我们先关注几个问题，宏观上理解大模型的概貌。

本文重点介绍点积计算如何应用在transformer注意力机制中。你肯定好奇到底点积运算发挥了什么作用，这篇文章篇幅较长，比较烧脑，纰漏之处欢迎指出讨论，本文重点结合理论与代码实践回答下面几个问题。

LangChain、AI SDK、Agent、LangSmith这么多名词你知道是什么吗？文章实现了一个的 Agent 可以回答某地区的天气情况，助你搞明白这些东西是什么！

本文将用通俗易懂的语言，为你拆解大语言模型(LLM)背后的核心工作流程。大模型处理问题主要包含五个关键环节，分别是：分词 、词嵌入、位置编码、自注意力机制和自回归生成。

本文全面解析微软开源的 GraphRAG 项目，从它是什么、怎么用、如何优化运行性能、生成哪些关键文件，到如何集成到你自己的业务中。

今天，我们将通过五个关键步骤，带您从零开始掌握Dify与LangChain v1.0的集成技术，构建属于自己的企业级RAG应用。

文章介绍了一种解决传统RAG系统局限性的"深度思考RAG"架构，通过Agent驱动的多步骤处理（规划、检索、反思、批评和合成）处理复杂查询。系统包含工具感知计划器、多阶段检索漏斗、自我批评机制和流程控

上一篇我们梳理了大模型的基本脉络，并制定了学习计划：阶段一提到数学知识是理解大模型原理的必备内功，因此本章主要回顾下大学和研究生期间线性代数、概率论、微积分、信息论相关的数学知识。

该系列将从工程师视角，一步步去学习并理解大模型相关概念，再到会用，深入理解，掌握原理，动手实践，解决实际问题。

引言：今天我们分为两大部分讲AI大模型的知识点，第一个部分是注意力机制，第二个部分是自注意力机制。 一、注意力机制 01 一句话秒懂 注意力机制=让AI学会"抓重点"的魔法! 可以简单理解为"学霸划重

在上一章中，我们使用 MCP 构建了一个多智能体系统（Multi-Agent System，MAS）。这个系统可以工作，但有一个很大的局限：它的“知识”都是模拟出来的。对于学习来说这没问题，但也意味着

上一篇解释完点积和矩阵乘法，矩阵乘法是一种转换，这一篇看 Transformer 中如何运用的。 LLM 的本质是预测下一个 token，阶段二中，使用大量的互联网内容，给模型做训练，使用自监督学习，

作为一个对 LLM 工作原理很感兴趣，但又常常被各种零散教程绕晕的人，我读完 Sebastian Raschka 的《从零构建大模型》之后，其实挺松一口气的。

目前大模型的发展日新月异，模型架构快速迭代、各类 AI 工具与概念层出不穷——Cursor、Codex、Augement、Trae、Qoder 等等等等，面对这些海量信息，真是让人头大。

传统RAG（检索增强生成）依赖向量化检索，流程复杂且资源消耗大。而Agentic RAG提供了一种更轻量的替代方案——无需向量化，仅需结构化内存数据库即可实现高效检索+生成。

这篇文章从程序员视角，类比理解 LLM 的底层原理。 阶段一：设计蓝图 LLM 现在都用 Transformer 架构，最开始也要设置一些额外的参数。 d_modle 比如 4096，是 2 的 n

《Happy-LLM》项目是一个系统性的 LLM 学习教程的开源项目，旨在帮助学习者深入理解大语言模型的核心原理和训练过程，并能够亲手搭建和训练一个 LLM。