AI大模型技术社

一、ReAct 模式：AI 代理的“思考-行动”循环 ReAct（Reasoning + Action）是一种让大语言模型（LLM）自主完成任务的核心架构。与传统直接生成答案的模式不同，ReAct 要

1. 什么是Prompt（提示词）？在AI大模型语境下，它的核心作用是什么？ 答案：  Prompt是用户提供给大语言模型（LLM）的输入文本或指令，用于引导和激发模型生成符合期望的输出。它的核心作用

智能体在执行长期任务时，上下文窗口（类似计算机的RAM）的容量有限，易导致性能下降、成本飙升或幻觉问题。上下文工程正是为解决这些问题而生。它通过精心筛选、存储和优化上下文信息，确保智能体高效运行。本文

引言：分块——RAG系统的命脉 在RAG架构中，分块是连接原始文档和语义检索的桥梁。它决定了嵌入模型能否精准捕捉文本语义，以及LLM能否生成高质量回答。许多开发者误以为“越大越好”，直接将整篇文档喂给

为了帮助大家从底层更好地理解 RAG 的工作原理，带你撕开技术黑箱，仅用numpy等Python基础库构建RAG系统，从零手撕RAG内核！从文本划分、向量化、相似度检索到生成优化，逐行代码解剖检索增强

一、MCP vs Function Call：本质差异与协议优势 核心能力对比 协议层创新： 关键突破：通过context字段实现跨工具会话状态保持，解决复杂任务中的信息孤岛问题。 二、环境配置：跨平

从理论到实践，全面解析RAG性能瓶颈与高阶优化方案。 一、RAG核心架构全景图 RAG性能瓶颈分析 二、检索阶段深度优化 1. 多路召回架构实现 2. 重排序优化（Cross-Encoder） 优化效

一、Transformer训练过程深度剖析 1.1 训练流程全景图 1.2 关键训练技术 1.2.1 教师强制（Teacher Forcing） 1.3 损失函数与优化策略 损失函数选择： 分类任务：

一、Transformer编码器整体结构 Transformer编码器由N个相同层堆叠而成，单层结构包含： 二、核心技术解析与实现 1. 位置编码（Positional Encoding） 为什么需要

一、自注意力机制：Transformer的核心突破 核心思想：让每个位置都能关注序列中所有位置的信息 1.1 Query-Key-Value 抽象模型 QKV角色解析： Query（查询）：当前关注的

一、自定义神经网络层：释放模型设计潜能 核心原理：继承nn.Module并实现forward方法 1.1 实现带权重归一化的全连接层 1.2 实现可学习参数激活函数 自定义层设计原则： 始终继承nn.

一、RNN：序列建模的基石 核心思想：引入时间维度的循环连接 数学表达： h_t = f(W_{xh}x_t + W_{hh}h_{t-1} + b_h) y_t = g(W_{hy}h_t + b_

本文系统解构卷积神经网络（CNN）核心技术，涵盖三大核心板块。 ​​1.基础原理深度解析 2.四大经典架构复现 3.工业级实战指南 提供16个可运行代码块+6张原理图示，涵盖从基础操作到生产部署全链路

本文是神经网络核心原理的深度技术解析，通过数学推导与完整代码实现相结合的方式，系统拆解从感知机到反向传播的完整知识体系。

一、向量：高维空间的数据载体 物理意义：带方向的量，AI中表示特征/词嵌入 核心操作： 二、矩阵：神经网络的基础结构 核心作用： 全连接层权重：W ∈ ℝ^(m×n) 图像数据：[height, wi

一、机器学习基础：监督vs无监督学习 监督学习通过带标签数据训练预测模型，核心是学习输入到输出的映射关系： 无监督学习发现数据内在结构，无需标签指导： 二、过拟合与欠拟合：模型泛化诊断 模型复杂度与泛