亮哥666

训练的指令 llamafactory/examples/train_lora/qwen3_lora_sft.yaml 聊天测试命令 llamafactory/examples/inference/qw

一、 核心概念与架构机制（概念篇） 一句话结论：全量微调就像为了给毛坯房换一套窗帘而把整栋大楼地基重挖一遍；而 LoRA 则像是在原有承重墙上挂了一个可随时拆卸或无缝贴合的超轻薄拓展插件。 1. 为什

大模型微调工业级实战全景手册：从数据合成蒸馏、超参显存治理到训练监控、vLLM部署与评测闭环 一、 大模型微调的两大战略场景：“把模型变强” vs “把模型变小” 一句话结论：企业微调只有两大根本诉求

【开篇导航】全景逻辑架构图、技术边界与关键问题脉络（极速查阅指南） 一、大模型进化“四大纵向阶段”与“LoRA 横向手段”全景图 二、全景落地决策逻辑图 三、强化学习（RL）核心名词的“四维魔方”拆解

一、 训练阶段与数据范式：从自监督预训练到指令微调 一句话结论：预训练是“通读群书学通识”（自监督），指令微调是“按考卷题型学作答”（有监督对齐）。 1. 阶段演进：预训练 ➡️ 微调 ➡️ 对齐 阶

一、 向量数据库的本质定义：能存向量就是向量数据库吗？ 一句话结论：普通数据库存向量相当于“仓库里堆了一箱写满数字的纸条”，而向量数据库相当于“给整个高维几何空间装上了毫秒级 GPS 导航仪”。 1.

生产级别的Rag不会完全按照前面Agentic RAG -2的去实现，最常见的升级级别的处理是下面的流程

一、 架构横向全景对比 在进入具体代码与流程之前，先通过下表建立三种架构的全局认知坐标系： 评估维度 方案一：基础检索自纠错 方案二：标准 CRAG 方案三：带回环的 Self-RAG 设计核心理念

一、 为什么 Agent 需要 Guardrails？ 在生产级应用中，单纯依赖 Prompt（系统提示词）来约束大模型是脆弱且不可靠的（极易受越狱、提示词注入、幻觉或复杂上下文漂移影响）。Guard