AI大模型应用开发

AI大模型应用开发

AI大模型应用开发

使零基础学员能够熟练掌握从数学基础到模型开发、应用实践、模型微调、Deepseek优化部署的全流程知识和技能。并且独立完成基于大模型的智能应用开发项目，具备进入IT企业从事AI大模型应用开发相关工作的能力。

等 121 人订阅共146篇文章创建于2025-05-07

🌈从实验室到生产线：LLM工程师必须掌握的八大实战技能

很多人一听到 LLM 就只想到“提示词工程”。认为写好prompt就够了，可当你去面试AI产品经理岗位时，你才会发现远不止“写提示词”这么简单。对于企业生产级系统要求工程化、部署、优化与可观测性形成闭

16小时前
30
点赞
评论

🌈从实验室到生产线：LLM工程师必须掌握的八大实战技能

🍇Embedding模型怎么选？一文解决RAG应用中最头疼的难题

Embedding模型是大型语言模型（LLM）的核心，负责将文本转换为高维向量空间中的数值表示，从而使语义关系转化为可计算的数学关系。如果选错Embedding模型，RAG系统可能会检索到不相关或低质

1天前
1.5k
2
评论

🍇Embedding模型怎么选？一文解决RAG应用中最头疼的难题

🌈破解数据瓶颈！看AI Agent如何让人人成为数据分析师

2025年，商业智能（BI）正经历由AI Agent驱动的根本性变革。传统BI工具从被动的数据展示平台，逐渐演变为能够自主感知、推理、规划并执行任务的主动决策伙伴。本次分享的内容面向企业技术决策者（如

3天前
935
1
评论

🌈破解数据瓶颈！看AI Agent如何让人人成为数据分析师

💯vLLM大揭秘：KV Cache传递机制的三大突破点

KV Cache传递是vLLM实现PD（Prefill-Decode）分离的核心技术之一，其性能与稳定性直接关系到整个推理系统的效率。本文将系统探讨KV Cache传递过程中的关键问题。一、KV C

4天前
1.3k
1
评论

💯vLLM大揭秘：KV Cache传递机制的三大突破点

🚀多模态AI的未来已来：一文读懂VLM的工作原理、优化与挑战

随着AI大模型的迅速发展，深入理解视觉语言模型（Vision-Language Model, VLM）的技术内核与发展现状是至关重要的。VLM标志着多模态人工智能的一个重要突破，它使模型能够同时处理图

5天前
2.1k
点赞
评论

🚀多模态AI的未来已来：一文读懂VLM的工作原理、优化与挑战

🖼️解密大模型工作链：从输入处理到输出生成的每一个环节

你有没有想过，当我们向Deepseek提问时，为什么大模型能识别你的内容并找出你想要的答案，这个看似简单的交互背后，实际上经历着从数据预处理到深度学习推理的复杂技术流程。今天我将拆解大模型生成优质内容

6天前
985
2
评论

🖼️解密大模型工作链：从输入处理到输出生成的每一个环节

⭐超越CNN与RNN：为什么Transformer是AI发展的必然选择？

当我们在欣赏交响乐时，我们不会只关注某一种乐器的声音，而是感受整体和谐——小提琴的悠扬、大提琴的深沉、长笛的清脆，这些声音相互呼应，共同编织出动人的旋律。在AI的世界里，Transformer正是深度

8天前
1.8k
1
评论

⭐超越CNN与RNN：为什么Transformer是AI发展的必然选择？

🎉7.6倍训练加速与24倍吞吐提升：两项核心技术背后的大模型推理优化全景图

在大语言模型（LLM）的推理过程中，Attention机制是计算和内存消耗的主要瓶颈。FlashAttention和PagedAttention作为两项革命性优化技术，分别从计算效率和内存管理两个维度

9天前
2.4k
1
评论

🎉7.6倍训练加速与24倍吞吐提升：两项核心技术背后的大模型推理优化全景图

🙋‍♀️Transformer训练与推理全流程：从输入处理到输出生成

在人工智能领域，Transformer架构无疑是大模型发展史上最重要的里程碑之一。它不仅构成了当前大模型处理任务的基础架构，更是深入理解现代大模型系统的关键。今天我将通过结合论文原理与PyTorch源

10天前
1.9k
2
评论

🙋‍♀️Transformer训练与推理全流程：从输入处理到输出生成

🌟大模型为什么产生幻觉？预训练到推理的漏洞全揭秘

随着大模型迅猛发展的浪潮中，幻觉（Hallucination）问题逐渐成为业界和学术界关注的焦点。所谓模型幻觉，指的是模型在生成内容时产生与事实不符、虚构或误导性的信息。因此，如何识别、抑制甚至消除幻

11天前
2.2k
点赞
评论

🌟大模型为什么产生幻觉？预训练到推理的漏洞全揭秘

🚫万能Agent兜底：当规划缺失工具时，AI如何自救

在多智能体协作调度场景中，尽管存在诸如层级指挥、嵌套模式、转交模式和群聊模式等多种实现方式，但层级指挥模式仍是生产环境中最常用的方式。该模式通常由主代理生成任务拆分，调度工具或子智能体分别执行，类似

12天前
2.4k
2
1

🚫万能Agent兜底：当规划缺失工具时，AI如何自救

🍬传统工程师转型：智能体架构师的技能图谱

随着大语言模型（LLM）的 AI 智能体正在快速发展，逐渐超越传统对话式 LLM 的能力边界。这些智能体的强大功能依赖于多个组件的协同工作。今天我将带大家深入探索 AI 智能体的架构设计、关键技术及核

13天前
2.3k
点赞
评论

🍬传统工程师转型：智能体架构师的技能图谱

⚠️Embedding选型指南：五步搞定数据规模、延迟与精度平衡！

在实际应用项目开发中，如何高效、精准地处理文本检索和相似性匹配已成为关键问题。不同的嵌入（Embedding）技术有各自的优缺点和适用场景，正确选型能够显著提升系统性能与效果。今天我将系统解析七种主

15天前
1.8k
点赞
评论

⚠️Embedding选型指南：五步搞定数据规模、延迟与精度平衡！

🚀从零构建AI智能体：九大核心技术拆解与落地建议

今天我们来系统梳理AI智能体架构设计的九大核心技术，这些技术构成了现代AI应用开发的核心框架，涵盖从基础推理到多智能体协作、从数据处理到人机交互的关键层面。欢迎各位指正交流。一、AI 智能体（AI

16天前
5.1k
23
2

🚀从零构建AI智能体：九大核心技术拆解与落地建议

🌈多感官AI革命：解密多模态对齐与融合的底层逻辑

多模态学习模拟人类认知过程——例如描述电影时，我们不会孤立地评价画面或音乐，而是综合视觉、听觉和剧情信息形成整体感受。但是，这要求模型从单模态处理（如仅分析图像或文本）进化到多模态协同，能同时理解和关

17天前
2.0k
1
评论

🌈多感官AI革命：解密多模态对齐与融合的底层逻辑

🌸万字解析：大规模语言模型（LLM）推理中的Prefill与Decode分离方案

在LLM推理计算中Prefill和Decode两个阶段的计算/显存/带宽需求不一样，通常Prefill是算力密集，Decode是访存密集。一些场景中P和D两者分开计算可提升性能。vLLM是一种主流的推

18天前
715
1
评论

🌸万字解析：大规模语言模型（LLM）推理中的Prefill与Decode分离方案

⭐精准率暴跌50%？RAG开发者必避的十大认知误区

在RAG（检索增强生成）系统开发中，技术选型与场景适配的合理性直接决定系统性能。今天我将基于企业级实践经验，系统化拆解开发全流程的十大关键误区，并提供四维优化框架，助力开发者构建高精度、高可用的R

19天前
2.0k
1
评论

⭐精准率暴跌50%？RAG开发者必避的十大认知误区

🙈AI Agent的未来：工具调用将如何重塑智能应用？

我们都知道，AI Agent的核心价值在于其与外部世界交互的能力，而这通过工具调用实现。传统LLM仅作为“大脑”处理文本生成和推理，而Agent则通过工具充当“感官”和“四肢”，执行实际任务（如查询天

20天前
2.5k
7
评论

🙈AI Agent的未来：工具调用将如何重塑智能应用？

👀10分钟搞懂RAG架构：离线索引+在线检索的闭环秘密

RAG的检索增强生成（Retrieval-Augmented Generation, RAG）技术，一直是不少人研究和优化的方向，RAG通过整合外部知识库来增强模型能力，特别适用于实时性、准确性和专业

22天前
2.5k
6
评论

👀10分钟搞懂RAG架构：离线索引+在线检索的闭环秘密

💥下一代推理引擎：vLLM如何重塑AI服务架构？

作为分布式大模型推理引擎，vLLM通过分页注意力、连续批处理等核心技术实现高吞吐与低延迟。今天我将深度解析其架构设计。如果对你有所帮助，记得告诉身边有需要的朋友。一、核心引擎架构 1.1

23天前
2.1k
点赞
评论

💥下一代推理引擎：vLLM如何重塑AI服务架构？