AI智能体从入门到实践

本文探讨了AI文本生成中的采样方法，这些方法决定了AI如何选择候选词来生成文本。文章介绍了两种主要方法：确定性方法（贪心算法和束搜索）和随机采样方法（基础随机采样、温度采样、Top-k采样和Top-p

《智能时代的知识库构建与优化》摘要： 本文系统阐述了AI时代企业知识库的智能化转型路径。传统知识库存在检索效率低、更新滞后等痛点，而融合大语言模型与向量数据库的新一代知识库能实现语义理解、智能问答

本文探讨了检索增强生成（RAG）系统中的高效召回技术。RAG系统通过检索相关文档增强大语言模型的回答质量，但性能受制于"垃圾进，垃圾出"原则。

本文介绍了重排序(Rerank)技术在检索增强生成(RAG)系统中的应用。Rerank作为初始检索和最终生成之间的关键环节，通过交叉编码器对初步检索结果进行精细化排序，筛选出最相关的少量文档提供给大语

使用Gradio构建的一个演示界面，该界面将展示如何使用Qwen-Turbo生成提示词，然后使用Qwen-Image生成图像。 我们将按照之前的设计，将流程分为两个主要步骤：先生成提示词，然后生成图像

因为用户的自然提问方式与知识库的客观组织方式天生存在不可调和的差异。如果不进行改写，直接将原始查询用于检索，就如同让一个不懂检索的人自己去漫无目的地查字典，结果往往是找不到、找错了或找到的没法用。

本文介绍了一个基于Gradio和阿里云通义千问Qwen-Image模型的文生图应用。该应用通过简洁的Web界面实现文本生成图像功能，支持多种风格（3D卡通、动漫、油画等）和尺寸选择，并包含负面提示词功

本文详细介绍了RAG（检索增强生成）系统中的文本切片策略。RAG切片是将长文档分割为语义完整的小块，以便AI模型高效检索和使用知识。

本文深入探讨了如何利用LangChain框架实现RAG（检索增强生成）架构，构建智能问答系统。文章首先介绍了RAG技术解决大模型知识更新和准确性问题的原理，以及LangChain作为开发框架提供的模块

RAG（检索增强生成）是一种结合信息检索与大型语言模型的技术，旨在解决LLM的幻觉问题。其核心流程包括：离线处理阶段（知识库构建）和在线处理阶段（用户查询应答）

本文介绍了如何利用本地化部署的轻量级文本嵌入模型实现语义搜索。重点讲解了两种高效模型paraphrase-MiniLM-L6-v2和all-MiniLM-L6-v2的特点

向量数据库是专为处理非结构化数据（如文本、图像、音频）设计的新型数据库，通过将数据转换为高维向量并建立索引，实现高效的语义相似性搜索。

本文系统介绍了时间序列分析的核心内容。首先探讨了学习必要性，指出时间序列对应用型工程师是进阶技能，对算法研究者则是必备知识。其次解析了时间序列的定义与核心概念，包括趋势、季节性和残差三大成分。

N-gram是一种基于马尔可夫假设的概率语言模型，通过计算文本中连续N个词（或字符）的出现概率来建模语言序列。

本文介绍了Embedding技术如何将高维稀疏数据转换为低维稠密向量，使计算机能够理解语义信息。文章从One-Hot编码的局限性入手，解释了Embedding的核心原理和优势

Gensim是一个用于自然语言处理的Python库，主要用于从大量文本中发现隐藏主题、训练词向量和计算文档相似度。其核心功能包括：1）主题建模（如LDA），可自动识别文本主题；2）词向量训练

Gradio是一个快速构建机器学习演示界面的Python库，能够将需要数天开发工作的模型展示缩短为几分钟的脚本编写。它通过简单的Python代码即可生成完整的Web应用界面，支持文本、图像、音频等多种

​ NumPy（Numerical Python）是 Python 科学计算生态系统的核心库，提供了高性能的多维数组对象和用于处理这些数组的工具。如：矩阵数据类型、矢量处理，以及精密的运算库。

ModelScope是由阿里巴巴达摩院推出的AI模型托管与服务平台，被称作AI模型的Github。它汇集了自然语言处理、计算机视觉、语音识别等领域的数千个高质量预训练模型，大幅降低了AI应用开发门槛。

本文介绍了大语言模型(LLM)的Function Calling功能，它解决了LLM只能说不能做的局限性。Function Calling允许LLM通过结构化JSON请求调用外部函数实现实际业务操作.