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 94 人订阅共128篇文章创建于2025-05-07

👀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

21小时前
35
点赞
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

1天前
1.7k
点赞
评论

💥下一代推理引擎：vLLM如何重塑AI服务架构？

✅5大实战技巧：优化RAG召回质量，避免“召回不足”灾难！

在垂直行业（金融风控）系统的开发中，我们团队曾因RAG召回文档不准确导致合规报告生成错误。这个惨痛教训让我们意识到：把RAG跑通只需要三天，但让召回精准却需要三个月。今天我将分享踩坑经验，聚焦

2天前
1.4k
点赞
评论

✅5大实战技巧：优化RAG召回质量，避免“召回不足”灾难！

🤖告别复杂粘合代码：LangGraph+OceanBase构建智能Agent蓝图

不知道你们有没有遇到过，在我们一些实际落地的AI项目中，虽然前期“Demo 很惊艳，但上线后却无人问津”。你们有没有想过问题究竟在哪？今天我将从企业级 AI 应用的真实场景切入，并通过一个Demo构建

3天前
1.5k
1
评论

🤖告别复杂粘合代码：LangGraph+OceanBase构建智能Agent蓝图

⚡从单机到分布式：双MCP服务器负载架构详解

LangGraph 被广泛认为是构建生产级代理系统的首选。今天我们将通过深度研究助手这个示例，深入探讨 LangGraph 的工作流程和 MCP 的集成模式。如果对你有所帮助，记得告诉身边有需要的朋友

4天前
2.2k
3
评论

⚡从单机到分布式：双MCP服务器负载架构详解

🤯RAG系统升级：微调嵌入模型提升上下文检索质量

我们都知道文本嵌入模型能将文本表示为具有语义意义的向量，广泛应用于检索、分类、检索增强生成（RAG）等场景。然而，通用嵌入模型在特定领域任务上往往表现不佳，语义相似度不足以确保检索结果真正有用。解决这

5天前
827
3
评论

🤯RAG系统升级：微调嵌入模型提升上下文检索质量

💡突破RAG性能瓶颈：揭秘查询转换与智能路由黑科技

大多数团队在构建RAG系统时，会经历多轮实验，依赖多个组件如查询转换、智能路由、索引策略等。每个组件都需要独立的设置和调优，稍有不慎就会影响整体性能。今天我将深度解析从基础架构入手，逐步深入到高级优化

7天前
863
5
评论

💡突破RAG性能瓶颈：揭秘查询转换与智能路由黑科技

💡为什么你的RAG回答总是胡言乱语？致命瓶颈在数据预处理层

不知道大家在RAG项目实践中，有没有遇到这个问题？用LangChain框架自带的PyPDFLoader加载PDF报告时，虽然流程跑通了，但给出的结果回答质量极低，各种回避问题、事实错误。后来我通过深入

8天前
972
1
评论

💡为什么你的RAG回答总是胡言乱语？致命瓶颈在数据预处理层

❗️智能体工作流（Agentic Workflow）：AI应用开发的全面解析

随着基座模型的不断更新成熟，智能体工作流（Agentic Workflow）已成为AI领域的热点，它将AI智能体（AI Agent）的推理能力与结构化工作流结合，实现复杂任务的半自主执行。AI智能体结

9天前
1.1k
3
评论

❗️智能体工作流（Agentic Workflow）：AI应用开发的全面解析

💬深入解析：向量数据库如何为LLMs添加长期记忆

在大语言模型、生成式AI和语义搜索等应用，我们都知道会依赖于向量嵌入（vector embeddings）来捕捉语义信息，实现长期记忆和实时推理。但传统标量数据库无法胜任这一任务，它们难以处理嵌入数据

10天前
395
3
评论

💬深入解析：向量数据库如何为LLMs添加长期记忆

🔥如何选择AI代理协议：MCP、A2A、ACP、ANP实战选型手册

随着Agentic AI协议的演进，AI系统正从单体模型向多代理协作生态转型。今天我将深度解析四大核心协议的技术特性与应用场景，希望能帮助到各位。一、Agentic AI协议的核心价值 Agenti

11天前
1.2k
6
评论

🔥如何选择AI代理协议：MCP、A2A、ACP、ANP实战选型手册

📈超越Prompt Engineering：揭秘高并发AI系统的上下文工程实践

随着AI应用从单次交互转向复杂智能体系统，传统Prompt Engineering（提示工程）的局限性日益凸显。今天我将系统阐述AI工程范式的演进路径，深入剖析Context Engineering（

12天前
692
4
评论

📈超越Prompt Engineering：揭秘高并发AI系统的上下文工程实践

📚LangChain框架下的检索增强：5步构建高效智能体系统

检索增强智能体技术正在重塑AI应用的开发范式，它巧妙地将大语言模型的推理能力与结构化知识检索相结合，解决了传统智能体在处理动态信息时的局限性。今天我将根据实际开发中的痛点：如何设计高效、灵活的智能体系

14天前
1.6k
2
评论

📚LangChain框架下的检索增强：5步构建高效智能体系统

🧠深度解析模型压缩革命：减枝、量化、知识蒸馏

本文系统拆解深度学习中模型剪枝、量化、知识蒸馏三大核心压缩技术，帮助各位实现16倍模型压缩与4倍推理加速。如果对你有所帮助，记得点个小红心。一、模型压缩的核心挑战深度学习模型规模激增带来四

15天前
1.0k
2
评论

🧠深度解析模型压缩革命：减枝、量化、知识蒸馏

🧩万亿级Token训练！解密大模型预训练算力黑洞与RLHF对齐革命

人工智能大模型（如GPT、LLaMA等）已成为推动AI产业变革的核心引擎。其价值在于通过海量数据预训练提取通用知识，大幅提升模型泛化能力，降低微调成本。然而，大模型的开发涉及复杂的训练流程、高效的推理

16天前
667
2
评论

🧩万亿级Token训练！解密大模型预训练算力黑洞与RLHF对齐革命

📝工程级开源：PyTorch手搓LLaMA4-MoE全栈指南

近年来，大语言模型在自然语言处理领域不断演进，从GPT系列到LLaMA，持续推动模型规模与推理性能的提升。其中，专家混合（Mixture of Experts, MoE）技术因能够在控制推理成本的同时

17天前
825
1
评论

📝工程级开源：PyTorch手搓LLaMA4-MoE全栈指南

✅响应时间从8秒到3秒：AI知识库性能优化避坑指南

在各行业中，AI知识库已成为提升效率的核心工具。今天我将通过企业实际落地案例，详解从架构设计到性能优化的全流程技术方案，助你避开共性陷阱。希望对你有所帮助，记得点个小红心，你的鼓励就是我更新的动力。

18天前
1.1k
3
评论

✅响应时间从8秒到3秒：AI知识库性能优化避坑指南

🔷告别天价算力！2025性价比最高的LLM私有化训练路径

在对大语言模型（LLM）进行微调时，有多种技术可选。今天我们分享一下最值得关注的 4 款工具 —— 从单卡到支持万亿参数的分布式集群，它们几乎覆盖了所有 LLM 微调场景，让我们看看该在什么时候用哪

19天前
1.6k
3
评论

🔷告别天价算力！2025性价比最高的LLM私有化训练路径

🎯2025架构革命：图解MCP工具链×MoE推理优化×多智能体协同

最近看到很多人对MCP/RAG/Agent/Cache/Fine-tuning/Prompt/GraphRAG 都分不清楚，今天我将通过图文，为你讲解其核心技术与实践原理，希望对你们有所帮助。一、大

21天前
1.6k
4
评论

🎯2025架构革命：图解MCP工具链×MoE推理优化×多智能体协同

🚀碾压传统方案！vLLM与TGI/TensorRT-LLM性能实测对比

随着大语言模型（LLM）在生成式AI产业中广泛应用，如何高效、经济地部署和推理这些庞大的模型，成为每一位开发者和企业面临的核心挑战。尤其是在构建真实的在线AI应用时，性能瓶颈、资源浪费、高昂费用等问题

22天前
79
1
评论

🚀碾压传统方案！vLLM与TGI/TensorRT-LLM性能实测对比