大模型的多轮问答难点就是在于如何精确识别用户最新的提问的真实意图，而在常见的使用大模型进行多轮对话方式中，我接触到的只有两种方式。

我们前面几篇博文中出现的大模型，都是通用的大模型。但在更专业的领域，需要更专业的模型，这就需要模型的微调能力。

今天分享一篇技术文章，你可能听说过很多大模型的知识，但却从未亲自使用或微调过大模型。 今天这篇文章，就手把手带你从零微调一个大模型。 大模型微调本身是一件非常复杂且技术难度很高的任务，因此本篇文章仅从

知识图谱（KG）和大语言模型（LLM）都是知识的表示形式。将LLM和KG协同使用，同时利用它们的优势，是一种互补的做法。

本文将揭示 Graph-RAG 的神秘面纱，这是一种突破传统的技术，它将知识图谱的严谨结构与 RAG 的动态生成能力相结合，为我们提供了一种全新的理解和推理复杂数据的方法。

@[TOC] 一、背景 公司想对一些不经常变动的数据做一些本地缓存，我们使用AOP+Caffeine来实现 二、实现 1、定义注解 2、切面 3、缓存工具类 三、测试

线程池是 Java 中用于提升程序执行效率的主要手段，也是并发编程中的核心实现技术，并且它也被广泛的应用在日常项目的开发之中。那问题来了，如果把线程池中的核心线程数设置为 0 时，线程池是如何执行的？

在电商系统或任何涉及订单操作的场景中，用户多次点击“提交订单”按钮可能会导致重复订单提交，造成数据冗余和业务逻辑错误，导致库存问题、用户体验下降或财务上的错误。因此，防止订单重复提交是一个常见需求。

最近想重温下接口幂等的相关知识，正所谓温故而知新，太久不CV的东西要是哪天CV起来都生疏了，哈哈哈 先从字面意思来温习下吧，幂等的官方概念来源于数学上幂等概念的衍生，如幂等函数，即使用相同的参数重复执