AI与机器学习

前面我们介绍了很多大模型的理论知识，今天来实践一下。 我们要做的功能是图片整理，在生活中我们会不断的拍照，直到几百上千张后，我们已经很难找到前面的某张图片，这时候就需要对图片进行分类整理

我们前面讲了很多大模型应用的功能模块，也讲了很多范式。但是在生产环境中，我们到底要如何来做一个完整的，通用的，能够不断优化迭代的，全局视角的架构设计。

最近遇到好多人和我交流RAG相关的技术，同事在说，面试在说，甚至我多年未联系的挚爱亲朋都突然来问我RAG是个啥？要怎么搞？ 那让我们一文了解RAG相关技术。

agent是模型面向应用的中间层，通常理解为是一个类人的智能体，为了让agent更像一个人，我们可以引导模型像人一样思考。 思维链(CoT)通常作为一种引导模型思考的方法被广泛使用。

我们说了这么多期大模型应用的事情，都是讲怎样提供开放能力，支持各种各样的应用，我们可以用这些能力制作一个nb的应用，那它应该如何上线，如何迭代优化？ 这就是评测要做的事情。 评测是什么？重要性如何？

前言 我在刚接触的pytorch的时候，只有一台破笔记本，学到CNN的时候，需要用显卡训练模型，那时的我，兜比脸干净，此生头一次感觉到贫穷限制了我对知识的追求。 再回首恍然如梦，尝试垃圾卡一样可以训模

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。

如果单纯的将大模型用来聊天，那就太low了。 多模态赋予了大模型更多的现实价值，大模型则助力多模态变得更强大。本文重场景，并分类理解多模态是如何让大模型和现实接轨的。

promp是智能体的四个基本要素之一，没有一个好的prompt，就绝对不可能有一个好的agent。本文从理论到实战讲述如何做好一个prompt。

记忆力是大模型应用的最重要的事情之一，本文将从三个方向（1:短期的，明确的记忆，2:长期的，模糊的记忆，3:长期的，明确的记忆），从零用代码实现一个memory。

上篇博文中，说了copilot和agent的原理，这篇博文重点是代码实现。 基于gpt+rust的方式，实现一个通用agent能力的底座。并从零实现single agent和multi agent。

如何让你的大模型具有记忆力，能够基于每个人的画像给出不同的结果？本文主要从工程和实践的角度，看看有哪些增强记忆力的方法和实践效果。

不管你承不承认，ai的时代已经到来了。个人看来，`chatgpt`具有划时代的意义，更甚于蒸汽机的发明。 chatgpt发布仅仅一年的时间，已经充斥在了互联网的方方面面。国内大厂也是纷纷跟

前言 现在绝大多数的推荐系统，采用的都是双塔模型，本质上是求解用户向量和item向量，在推荐的过程中进行相似度匹配。 如果你的系统保存有大量的用户信息和item信息，可以使用一些比较成熟的算法来进行特

楔子 开始之前，先谈一嘴安全问题。 不爱看套话 请直接看前言。 老话说，没有边界就没有安全，互联网上的所有安全措施，都几乎建立在网络边界上。 原来我们的服务分布,部署方式还很简单。服务部署在内网，统一