AI智能体从入门到实践

本文深入探讨了大模型中的Encoder-only和Decoder-only两种主流架构。Encoder-only（如BERT）采用双向注意力机制，擅长文本理解任务，如分类、问答和情感分析，能同时分析整

大模型编辑技术为解决传统语言模型知识固化问题提供了创新方案。该技术通过局部修改、内存增强和外部知识库三种方法实现精准知识更新：局部修改直接调整模型权重；内存增强添加外部记忆模块；外部知识库则结合检索机

摘要： 大模型训练中，如何在有限计算预算（C≈6ND）下最优分配模型参数量（N）与训练数据量（D）是关键挑战。KM扩展法则主张“模型优先”，认为增大N的收益高于D（α=0.076＜β=0.103），推

本文探讨了大模型从知识储备到实用助手的进化过程。首先分析了原始预训练模型存在的问题：擅长文本补全但缺乏指令理解能力，可能生成有害或无关内容。然后详细介绍了指令微调技术，通过高质量(指令-输出)数据集教

摘要：数据预处理是大语言模型训练的关键环节，通过质量过滤、敏感内容过滤和数据去重三重机制显著提升模型性能。质量过滤确保文本规范性和信息密度，敏感内容过滤阻断有害信息，数据去重优化知识分布。实验表明，预

大模型涌现能力的出现标志着人工智能发展的一个重要转折点。这些能力不是通过专门编程获得的，而是模型规模达到临界点时自然产生的质变。这种现象不仅证明了规模在人工智能发展中的关键作用，也为我们理解智能的本质

你训练了一个很聪明的AI助手，但它会像人一样变老，刚开始时它很懂你，但时间久了，它的知识就过时了，这就是模型衰老。因为世界在变！用户行为、市场环境、产品功能都在变化，导致输入数据的样子和含义都变了，这

隐因子是我们为了理解复杂世界而构建的思维脚手架。它们是从嘈杂、稀疏的用户行为数据中提炼出的本质特征，SVD将难以理解的协同过滤转化为基于隐因子的可解释模型，通过多层次知识提取，微观层面理解单个用户偏好

本文探讨了SVD（奇异值分解）在深度学习模型压缩中的应用。随着模型规模不断扩大，面临的存储、计算和能耗问题日益突出。SVD通过将大型矩阵分解为三个特殊矩阵（U、Σ、Vᵀ），并根据奇异值大小进行截断，实

本文探讨了SVD（奇异值分解）在知识整理与降维中的应用。针对文本数据的高维稀疏性问题，SVD通过矩阵分解自动识别潜在主题和语义关系，实现从词袋到语义理解的转变。核心优势包括：1）自动发现无标签数据中的

本文系统介绍了奇异值分解(SVD)的核心原理及其在大模型微调中的应用。文章首先通过水果沙拉制作、员工评选等生活化案例，形象解释了SVD将复杂矩阵分解为三个简单矩阵乘积的过程。随后详细阐述了SVD公式A

本文详细记录了通过LoRA技术优化唐诗生成模型的过程。初始阶段模型表现欠佳，出现内容重复和格律混乱等问题，损失值高达1.7467。通过系统性参数调整（包括将LoRA秩从4提升至16、优化学习率和训练轮

本文介绍了基于LoRA微调技术实现AI创作唐诗的方法。通过使用Qwen1.5-0.5B-Chat作为基础模型，仅调整0.34%的参数（157万），在CPU上39分钟即可完成训练。文章详细展示了从模型选

LoRA（低秩自适应）是一种高效的大模型微调技术，通过冻结原始模型参数并引入低秩矩阵来捕捉任务特定特征，从而显著降低计算和存储成本。相比传统全参数微调，LoRA只需训练极少量参数（通常不到原模型的1%

本文介绍了在扣子平台创建工作流的完整流程。工作流通过可视化节点连接实现复杂任务自动化，具有低代码优势。以"多功能助手"智能体为例，详细演示了如何创建意图识别工作流：包括设置主节点、

扣子平台通过低代码可视化方式大幅降低AI应用开发门槛，让用户无需编码即可创建个性化智能体。本文以构建"新闻问答助手"为例，演示了从创建智能体、配置新闻搜索插件到优化提示词的全过程。

本文系统介绍了损失函数在机器学习中的核心作用。首先通过类比教学场景，阐释损失函数作为模型导师的重要性。随后详细解析了回归任务中的均方误差(MSE)和平均绝对误差(MAE)，通过房价预测案例展示了它们对

交叉验证是机器学习中评估模型性能的核心方法，通过轮换数据划分实现稳健评估。文章系统解析了k折交叉验证的原理与实现，展示其在模型比较和超参数优化中的关键作用。随着大模型时代的到来，传统交叉验证面临计算成

本文系统介绍了机器学习模型评估的核心指标与方法。首先阐述了混淆矩阵的构成（TP/FP/FN/TN），并基于此详细讲解了准确率、精确率、召回率和F1分数的计算原理和适用场景。特别指出准确率在不平衡数据中

随机森林是一种基于决策树的集成学习算法，通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性：Bootstrap采样（每棵树使用不同的训练子集）和特征随机选择（每棵树分