人工智能技术

LLM 从接收输入到输出响应，本质上是将离散的文字符号转化为连续的数学向量，再通过 Transformer 架构逐层处理，最终转回文字的过程。理解这条链路，有助于解释 LLM 的很多行为。

命令行这种交互方式在 GUI 时代从来没有消失，只是退到了某个特定用户群体的工作流里。说"万物皆可 CLI"，或许有些夸张。但说 CLI 正在成为 AI 时代最重要的人机接口之一，这个判断应该不算错。

LLM本质上是无状态的，无法利用历史信息优化后续决策，因此需要引入记忆模块（Memory）。记忆让人工智能系统能够留存历史交互信息、存储上下文数据，并基于历史记忆优化未来行为。

RAG 的优化点很多，但精力和时间总是有限的。具体从哪个环节进行改进，需要依赖对自己业务数据和用户行为的深度理解。本文提供的是方向和方法，具体参数和策略的选择，还需要在真实数据上反复实验和评估。

人工智能新手入门，本篇跟着大佬的博客浅浅记录下~由于篇幅原因，记录得不太完全，大家可以移步大佬的博客（在文首）~

本篇记录的是李航老师《统计学习方法》中第十章 HMM隐马尔科夫模型（Hiden Maekov Model)。如有错处，请多多指教 ~

传统RAG解决了大模型“用外部知识”的基础问题，是轻量化检索增强的最优解；GraphRAG则解决了大模型“理解知识关联”的进阶问题，是复杂场景下的升级方向。

AI入门！本篇记录了图像识别流程、不同分类器之间的区别，以及常见的损失函数、常见的优化器和正则化方法，算是浅浅地入个门叭~