大模型教程

《Happy-LLM》项目是一个系统性的 LLM 学习教程的开源项目，旨在帮助学习者深入理解大语言模型的核心原理和训练过程，并能够亲手搭建和训练一个 LLM。

在本文中，我将一步步拆解微调流程：从数据集准备到训练执行，并分享实际操作中的结果。剧透一下：第一次尝试并没有“喷火”般的惊艳效果，但这正是实验最有意思的地方。

一旦我们训练好了 LLM，它就会有一些用于文本生成的模型权重。向量数据库在这里扮演什么角色呢？让我解释一下矢量数据库如何帮助 LLM 生成更准确、更可靠的结果。

传统RAG（检索增强生成）依赖向量化检索，流程复杂且资源消耗大。而Agentic RAG提供了一种更轻量的替代方案——无需向量化，仅需结构化内存数据库即可实现高效检索+生成。

作为一名AI从业者，亲测后发现它不仅是一个可落地的项目，更是入门大模型训练的绝佳教程。今天就带大家手把手体验这个“大道至简”的实战过程。

作为一个对 LLM 工作原理很感兴趣，但又常常被各种零散教程绕晕的人，我读完 Sebastian Raschka 的《从零构建大模型》之后，其实挺松一口气的。

最近乱七八糟的事太多，今天来点偏技术实战的，带大家用LangChain & LangGraph快速入门用编程创建智能体，用LangSmith进行追踪，Agent-Chat构建Agent UI。

LangChain-AI的核心开源库包括三个，此外还有一个商业化平台。开源库是免费的，任何应用都可以集成这三个库来开发智能体和工作流，并自行实现部署和监控等功能。

Qwen3-Coder 作为强大的编码 Agent，其本地部署和使用非常简单，搭配适配的命令行工具，能快速融入日常开发流程。以下是详细的安装配置步骤，以及常用命令与技巧。