首页
沸点
课程
数据标注
HOT
AI Coding
更多
直播
活动
APP
插件
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
ChatGPT与大模型研究
数据智能老司机
创建于2023-05-22
订阅专栏
生成式AI探索和研究,场景落地。
等 151 人订阅
共879篇文章
创建于2023-05-22
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
PyTorch 深度学习——使用张量表示真实世界数据
本章涵盖以下内容 将真实世界数据表示为 PyTorch 张量 处理多种数据类型 从文件中加载数据 将数据转换为张量 调整张量形状,使其能够作为神经网络模型的输入 在上一章中,我们已经学到,张量是 Py
PyTorch 深度学习——它始于一个张量
本章涵盖以下内容 理解张量——PyTorch 中的基础数据结构 对张量进行索引与运算 与 NumPy 多维数组进行互操作 将计算迁移到 GPU 上以提升速度 在上一章中,我们概览了深度学习所能实现的众
PyTorch 深度学习——预训练网络
本章涵盖以下内容 运行预训练的图像识别模型 使用预训练的 Transformer 和扩散模型 通过 Hugging Face 访问模型 使用预训练模型为图像生成说明文字 在第一章中,我们已经提到过深度
PyTorch 深度学习——深度学习与 PyTorch 库导论
本章涵盖以下内容 深度学习如何改变我们处理机器学习问题的方式 理解为什么 PyTorch 非常适合深度学习 考察一个典型的深度学习项目 学习跟随本书示例所需的硬件配置 PyTorch 是一个用于构建深
构建自然语言与大语言模型(LLM)流水线——部署基于 Haystack 的应用
在上一章中,我们使用 Haystack 的 RAG 工具构建了一条稳健的问答(Q&A)Pipeline。我们重点关注的是如何打造一个可复现且可扩展的系统,并将评估指标与反馈回路整合进来,以持续提升模型
构建自然语言与大语言模型(LLM)流水线——构建可复现、生产就绪的 RAG 系统
在前几章中,我们踏上了一段以实践为导向的旅程,来掌握 Haystack 框架。在第 4 章中,我们将 Haystack 的预定义组件组装成了强大的端到端 Pipeline,分别构建了一个朴素 RAG
构建自然语言与大语言模型(LLM)流水线——使用自定义组件进行 Haystack Pipeline 开发
在前几章中,我们的重点一直是:把预定义组件组装进 Pipeline,以实现特定目标——从数据摄取,到结合 Agent 的高级 RAG。本章标志着能力层级上的一次关键跃迁:从 Haystack 框架的使
构建自然语言与大语言模型(LLM)流水线——将组件整合起来:面向不同使用场景的 Haystack Pipeline
在上一章中,我们介绍了 deepset 的 Haystack——一个用于管理 LLM 相关项目端到端生命周期的健壮框架。这其中涵盖了 OpenAI 的 GPT、Hugging Face 的 Trans
构建自然语言与大语言模型(LLM)流水线——deepset 出品的 Haystack 入门介绍
在上一章中,我们概览了 LLM 领域中的前沿模式:从提示工程(prompt engineering)到上下文工程(context engineering),从 LLM 向小模型(SLM)与推理模型(r
构建自然语言与大语言模型(LLM)流水线——深入理解大语言模型
上一章帮助我们建立了一个概念基础,使我们能够通过流水线和生成式 AI 项目生命周期来解决与 LLM 相关的问题。 在本章中,我们将进一步深化对 LLM 的理解,追踪它们从 2023 年基础基线演化到
构建自然语言与大语言模型(LLM)流水线——自然语言处理流水线导论
在传统数据科学中,设计并实现数据流水线至关重要,因为这能确保企业和公众可以从数据中获得可靠洞察。数据流水线使我们能够系统化地提取信息,并对其进行处理,以供后续使用。 随着自然语言处理(NLP)的发展以
GPT-5.4发布,AI的最强之争已经结束了!
GPT-5.4发布了。 但看完GPT-5.4的数据之后,我还是决定写。不是因为它有多强,而是因为我发现了一个更有意思的事。我打开了三个网页:OpenAI的博客、Anthropic的定价页、Google
呕心沥血肝出来的,奉献给你们的龙虾了:OpenClaw Agent System Prompt 架构详解(9层)
整体架构图 快速导航(TL;DR) 新手必读: Layer 7(Workspace Files)- 你能直接编辑的配置文件 Layer 8(Bootstrap Hook)- 你能写脚本动态注入内容 其
OpenClaw System Prompt 的"九层塔":一个 AI Agent 的完整人格是怎么组装出来的?
如果你以为 AI Agent 的"人格"是一个简单的文本文件,那就太天真了。 实际上,OpenClaw 的每个 Agent 在回答你之前,都会先"吃下"一个 几十KB 的超级说明书——这就是传说中的龙
亲测!Openclaw高级Skills分享,内含最全Skills教程
最近朋友圈和各大社群是不是都被Openclaw刷屏了,熬了几个大夜部署完,以为小龙虾已经变成了全能AI管家,结果~~ 发现它只会陪聊 !!! 别急,问题根本不是出在各家大模型智商上,而是——Skill
用 Claude Code 抓取数据的九种方式
把 Claude Code 用在“抓取数据(scraping)”上,是最简单、也最有用的任务之一。 不过,要让 Claude Code 抓取数据的效果达到最优,取决于你是否给了它正确的“提示(nudg
使用 MCP 与 A2A 设计多智能体 AI 系统——高级主题与未来方向
我们在本书中已经覆盖了大量内容:从多智能体系统的基础概念,到实际实现与部署策略。现在正适合把目光投向即将到来的变化。我们非常“幸运”地生活在所谓的奇点时期——历史上技术进步速度快到一种程度,以至于人类
使用 MCP 与 A2A 设计多智能体 AI 系统——部署多智能体系统
在上一章中,我们讨论了多智能体系统的测试、调试与故障排查。我们探索了诸如幻觉(hallucination)与工具误用(tool misuse)等常见失效模式、监控与可观测性(instrumentati
使用 MCP 与 A2A 设计多智能体 AI 系统——多智能体系统的测试、调试与故障排查
在上一章中,我们构建了 MAKDO——一个用于 Kubernetes DevOps 的完整多智能体系统。我们看到 Coordinator、Analyzer、Fixer 和 Slack_Bot 智能体如
使用 MCP 与 A2A 设计多智能体 AI 系统——使用 A2A 实现多智能体系统
DevOps 实践通过打破组织孤岛、实现持续集成、持续部署与持续监控,彻底改变了软件开发与运维方式。然而,随着系统愈发复杂与分布式,传统 DevOps 方法在可扩展性上开始面临挑战。多智能体 AI 系
下一页