- 博客(70)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 《ReAct 模式：让 AI 先想再做，边做边想》
它的核心思想很简单：让 AI 不要一上来就瞎答，而是像人一样，边想、边做、边看结果，再继续想，直到把问题解决。简单问题还行，但遇到需要最新信息、复杂计算、查数据库、调用 API 的任务，就容易出问题：可能知识过时，可能算错，也可能一本正经地胡说八道。面对复杂任务时，ReAct 让 AI 不再靠猜，而是靠查、靠算、靠反馈，一步一步把问题解决掉。它更慢，也更贵，但更可靠，过程更可解释，适合复杂任务。ReAct 的本质，是把大模型从“只会说的答题机器”，变成“会使用工具的问题解决者”。最终回答：“建议带伞。
2026-09-15 22:55:40
233
原创 RNN 是个啥？一个“边读边记小本本”的神经网络
比如正确答案是“苹果”，模型给“苹果”的概率只有 0.1，给“飞机”的概率却有 0.6，那损失就很大。重要的“书”“食堂”“吃了”一直留着；但结合前面的“去超市”“买了”，你大概率猜“苹果、香蕉、面包”，不会猜“飞机”。比如它一眼看到“吃了”和“苹果”关系强，“今天”和“苹果”关系弱。它大概率会跳出“苹果”“米饭”“面条”，而不是“飞机”“汽车”“石头”。你看，它不是只看“一个”，而是记得前面有“食堂”“吃了”，所以猜食物。如果只看“两个”，你猜“苹果”可以，“飞机”也可以，“汽车”也可以。
2026-09-15 07:06:08
259
原创 反向传播算法：用如何做好一杯奶茶讲清楚
这就是链式法则：最终误差对某个参数的敏感度，等于误差对输出的敏感度，乘以输出对中间层的敏感度，再乘以中间层对该参数的敏感度。第四步，更新参数，调整配方。但现代网络有百万、十亿级参数，这种做法等于一台收音机有十亿个旋钮，你一个一个试，试到宇宙毁灭也调不完。反向传播，就是神经网络做完题对完答案后，从最终错误倒着追责到每一个参数，算出谁该改、往哪改、改多少，然后一次性调整所有旋钮。前向做一杯，反向追责任，优化调配方，反复迭代，直到出错越来越少。层数很深时，梯度连乘可能导致梯度消失，前面层梯度趋近零，几乎学不动。
2026-09-14 08:49:21
193
原创 一文看懂MoE架构：AI 的专家门诊，又大又省
MoE 不是让一个全能大脑干所有活，而是开一家“超级专家医院”，每次来病人，只叫最相关的几个专家会诊。它可能学会按语言分、按主题分、按句法分，也可能学到一些人类看不懂的规则，比如按位置、标点、高频词分。对应到 MoE：专家数、Top-k、容量因子、辅助损失权重、路由温度等超参特别多，调不好效果差很多。要定：几个专家、每次叫几个、每个专家每天看多少、怎么惩罚偏心、分诊台多大胆、加多少噪声……在相近算力预算下，MoE 可以拥有更大的总参数量、更大的知识容量，可能变得更强。专家一变，路由又可能改主意。
2026-09-14 08:30:38
155
原创 自注意力机制：Q 是纸条，K 是标签，V 是正文
自注意力就是让每个词在句子这个图书馆里，用自己的 Q 去匹配所有词的 K，按匹配度借阅它们的 V，从而读懂上下文。每个词都拿自己的 Q，去全句图书馆里匹配所有词的 K，按匹配度借阅它们的 V，最后更新自己。它想搞清楚自己在这句话里的意思，于是派出一个“找书人”，拿着一张小纸条去图书馆里找相关书。即使“它”和“苹果”隔得很远，也能直接建立联系，不像 RNN 容易忘。我要重点读“吃”这本书，顺便读一点“小明”“门口”，少读“银行”。比如“苹果”问：我该关注“吃”“银行”“小明”还是“门口”？
2026-09-14 07:59:54
166
原创 Deepseek Harness的四种模式
极简模式（重点）：只发一把瓦刀和泥抹子去考试。只留最基础工具（shell+文件编辑）。工具最烂还能干好，才证明师傅底子硬。所以最适合测AI的“裸实力”（基准测试）。日常干活用大工（标准）；一次性复杂活让包工头写流水线（PTC）；扒光高级工具只给瓦刀泥抹子（极简）去裸考，才能测出真本事；最后自己打铁搞发明（创造）。· PTC模式：包工头写死流水线图纸。按个钮，复杂活儿一口气干完，不用盯。· 创造模式：老师傅自己打铁造工具。自己搞发明，升级干活套路。标准模式：全能大工。工具配齐，日常啥都能干。
2026-09-13 22:12:21
236
原创 文本检索与答案检索
语义检索可以做语义相似度的计算，可以处理一词多义，要先做文本嵌入，然后在做相似度计算，可以结合在一起；结合BM2.5和相似度计算；用结巴对输入的问题和内容进行分词，fit可以提取单词的词典大小和IDF的大小。编码完成之后，做归一化，便于后面相似度计算，将相似度转为同一个空间内。有了相似度之后，进行一个排序，就可以通过提问找到比较相似的页面。对分词完的内容提取TFIDF，对提问和每一页的内容进行编码。2.对包含查询内容的文档去进行打分，2.5是打分算法。不仅仅考了的TF和IDF，也考虑 了文本的长度。
2024-07-18 07:55:33
500
原创 Chatgpt和GLM api的使用
2.functions：判断用户1和用户2的关系，function，要调用哪个函数，非常有用的功能，可以对文本进行理解，而且可以将文本转为函数的调用。1.embedding模型，gpt和glm不一样。
2024-07-18 07:26:31
377
原创 动手学RAG：Part1 什么是RAG？
2、大模型的结构和参数数量导致对其修改、微调和重新训练变得很困难。1、大模型的幻觉问题、时效性问题、数据安全问题。3、基于知识的问答，依赖于信息抽取。
2024-07-17 13:08:28
373
原创 知识的向量表示
9、一对多、多对一如何捕捉？知识逻辑复杂，训练代价和语料不充分？7、onehot很难计算出词的隐藏关系，所以从词嵌入过渡到知识图谱嵌入。4、CBow，通过前面几个词和后面几个词，预测中间几个词。3、词的语义由什么决定？词由他的上下文决定？5、skip-gram，通过中间几个词，预测后面几个词。6、本质都是上下问贡献的来决定词的意义，词的分布式语义。8、知识图谱嵌入模型，TransE\DisMult。2、bag词袋模型，无法表示词的语义。1、one-hot表示，空间太大。10、知识表示是传统AI的核心。
2024-07-08 08:00:19
442
原创 知识图谱的符号表示
7、属性图、RDF\三元组、关系图。3、属性图表示方法的优点和去点。1、基于图的表示建模。5、OWL，本体语言。6、OWL有很多家族。
2024-07-08 07:45:45
305
原创 【百问大模型02】一文讲透RAG实战全解析
11、向量检索：query和知识可以通过相似度向量比较检索，搜索一些top的结果，可以加一下文本规则的限制，提升精准度，得到召回来的知识；对找回来的知识进行排序，把用户的问题，召回来的知识，给他下个模型，输出0和1，0表示不相关，1表示相关强烈，然后对输出的结果进行排序，输出检索的结果；知识图谱，召回一个知识，也把另外一个知识给召回，知识构建、维护成本很高，好用但是慎用；14、对用户的问题，进行优化，比如用大模型来扩展问题HyDE，利用大模型来做假答案，取向量平均值；：推理能力，聪明，知识；
2024-06-23 23:55:41
555
原创 【百问大模型01】GPT4o最新特性介绍
3）调用工具的能力，发布了多模态模型，如阅读理解；不但理解公式、还知道公式是干吗用的；======================PPT素材==================端到端能力300ms；之前是语音转成文字，再来理解分析；4）网页解析的能力，换一个网页转成html文件；今年开始专向小模型发挥极致，尤其显卡不好买的情况下；1) RAG最需要的就是大模型的长文本能力，2)强调了智能体，发力智能体，很不错的；2）理解语音内外的内容。3）发出非语音的声音。4）自然而及时的互动。
2024-06-22 22:52:20
600
原创 从0开始搭建清华ChatGLM3 6b大模型（Windows RTX4090版）
本文基于RTX4090 从0开始搭建清华chatglm3，相当基础
2024-01-02 23:59:59
4893
1
原创 【AI】Windows配置GPU Cuda驱动和Pytorch框架
在进行AI项目开发的时候，经常要在GPU环境中运行代码，对于没有配置过的新人来说，还是有点复杂的，本文简单总结在Winddows环境种配置的全过程，适合新手入门，仅供大家参考。
2023-01-20 21:45:10
3235
1
翻译 【AI】反向传播的基本原理(06)
反向传播，也叫误差反传，用误差修正网络中的参数，修正的是权重参数、偏置参数。神经网络就是看你权重和偏置准不准，如果准，预测结果就好些。神经网络的中心任务，就是找到权重、偏置的值，那我们应该怎么找呢
2022-05-30 00:08:21
2597
原创 【AI】梯度下降的数学原理(05)
函数在某一点出沿着不同的方向运动，函数值的变化率是不同的，梯度可以定义为一个函数的全部偏导数构成的向量。梯度向量的方向是函数值变化率最大的方向。也就是对函数的某个特定点，函数值变化最迅猛的地方。
2022-05-30 00:01:37
1698
原创 【AI】神经网络算法的本质(04)
神经网络的输入数据，都有他自己的特征，如何提取出这些特征，并将它用好这个特征，是我们需要关注的。其实AI最核心的，也是怎么利用这些特征，来求得权重参数。是通过调大、还是调小，调试的结果对结果有什么影响，这个是我们要学习的
2022-05-29 23:57:59
1591
原创 【AI】当传统算法碰到计算机视觉(03)
计算机视觉的任务，其实是个哲学问题：我是谁？而你！又是谁？这是个分类问题。尽管深度学习的内部过程中，提取特征是个黑盒子，但是，我们学习过程中还是要了解里面发生了什么才行，要清楚深度学习做分类任务的原理
2022-05-29 23:53:10
474
原创 【AI】人工智能学习之神经网络(02)
神经网络不是算法，而是一种特征提取的方法，现在建模拼的不是算法，而是数据；传统的机器学习（范畴：AI>机器学习>深度学习）的基本步骤如下，这些环节里面最难的是特征工程。
2022-05-29 23:45:53
613
原创 1、软考项目管理考情分析
目录一、学习思路二、上午题考情分析1、非项目管理知识2、项目管理知识三、案例题考情分析四、论文题考情分析五、学习计划1、第三版教程做预习，精读教材2、做最近2年的真题3、论文要准备素材，多写一、学习思路1、有些想法可以复制，有些经验是不可以复制的，主要还是积累自己的学习过程。2、书山有路勤为径，学习课程有80个小时3、打好基本功，一定要利...
2019-07-03 10:04:41
357
原创 资料|云计算之PaaS经典案例-上篇+中篇
由梅峰谷云计算小组整理的PaaS相关资料，目前已经上传到百度云盘和群里，有需要的朋友请入群下，信息爆炸的时代，PaaS资料多但是优质的却有限，云小组从中选取了一些经典有用的汇编成册，仅供参考。
2017-10-16 09:32:23
5002
2
原创 【spark你妈喊你回家吃饭-05】RDD编程之旅基础篇-01
RDD是spark特有的数据模型，谈到RDD就会提到什么弹性分布式数据集，什么有向无环图，本文暂时不去展开这些高深概念，在阅读本文时候，大家可以就把RDD当作一个数组，这样的理解对我们学习RDD的API是非常有帮助的。本文所有示例代码都是使用scala语言编写的
2017-06-16 17:54:50
989
原创 【Spark你妈喊你回家吃饭-04】再说Spark底层运行机制
Spark通过RDD对分布式的数据进行管理，RDD记录了转换成“spark格式”后的数据分区（记录数据的存储位置）和数据分区对应的操作 · 应用提交后，形成RDD Graph，并且在后台创建DAG对象(spark不仅仅用DAG建模，而且还会执行它，并且里面不是用对象表示，而是用RDD对象之间的关系)
2017-02-14 23:58:11
1653
原创 【Spark你妈喊你回家吃饭-03】Spark RDD的蛮荒世界
RDD真的是一个很晦涩的词汇，他就是伯克利大学的博士们在论文中提出的一个概念，很抽象，很难懂；但是这是spark的核心概念，因此有必要spark rdd的知识点，用最简单、浅显易懂的词汇描述。不想用学术话的语言来阐述RDD是什么，用简单、容易理解的方式来描述。
2017-02-14 23:45:23
1007
原创 【Spark你妈喊你回家吃饭-02】-我是一个凶残的spark
学一门新鲜的技术，其实过程都是相似的，先学基本的原理和概念，再学怎么使用，最后深究这技术是怎么实现的，所以本章节就带你认识认识spark长什么样的，帅不帅，时髦不时髦（这货的基本概念和原理），接着了解spark有什么必杀技（spark的各种大招），我们如何使用它的必杀技，最后看看spark如何更加高效的组合它的必杀技，以及spark是如何练就这一身必杀技的。
2017-02-14 23:38:05
1101
原创 【Spark你妈喊你回家吃饭-01】 Spark是什么鬼？
经过一段时间的学习和测试，是时候给spark的学习经历做一个总结了，对于spark的了解相对晚了写。本博准备推出20篇左右spark系列原创文章（先把牛吹出去再说） ，尽量将枯燥无味的技术讲的通俗易懂- r.kelly
2017-02-12 09:50:34
3301
2
原创 分享一个Java和Android学习视频
和许多网友交流，大家都在感慨学了很多时间的java，但是总感觉java是如此的神秘，能够感觉到他的存在，但却不能体会到他的真正要意，能够看明白代码，却不能写出自己的代码！！！其实说白了，大家都还木有入门，一旦入门了，这些问题都不是问题，学习java有些东西是必须掌握的，有些东西是知道他存在即可的，有些东西是过一遍就可以的，有些东西是完全没有必要去看的，碰到了百度就可以.java不难学，有些东西一定
2016-05-04 15:22:03
799
原创 Hbase课程02- Hbase shell命令总结
1、前言 对hbase的操作使用最多的两种查询方式一个是shell命令，在项目开发中临时查询经常使用，还一个是Hbase Java API的使用，代码开发过程中常用。重用shell命令名称命令表达式创建表create '表名称', '列名称1','列名称2','列名称N'添加记录
2016-03-29 21:56:17
589
原创 本周总结
本周主要工作还是集团DPI与DDR比对工作、工信部日志留存及拨测工作、流量查询系统工作、运维工作，工作很忙，被很多杂事束缚住了手脚，没有时间学习，很郁闷。 目前团队管理和开发都存在很多问题 （1）管理方面，大家都很累，工作无效率，办事无规章，尤其是很多临时取数的需求，很恶心，都是一些无效率的取数 数据分析人员思维比较固定，不学习新东西
2016-03-25 18:14:30
435
原创 Hbase课程01- 和Anmy学习大数据
1、初识Hbase · 稀疏、分布式、持久化 ，KV存储，随机访问随机存储的平台 · 无关系性数据库那样的模式，无sql，无跨行事务，不强调数据之间的关系 · 集群运行，也可以单台机器，横向扩展能力强，存储、缓存、计算能力多台机器提供2、说说传统数据库 不可否认，传统关系型数据库在数据存储、服务和处理上的巨大成功，sql ser
2016-03-25 16:22:54
600
原创 Hive基础知识
1.hive特别适合数据仓库程序，对于数据仓库程序不需要实时响应查询，不需要记录级别的插入、更新和删除2.hive实现word count程序
2014-08-22 14:52:25
792
原创 hbase Web UI中的一些零碎
hbase master默认端口：60000，http://jxdream1:60010/master-statusregion服务器的默认端口：6000
2014-07-23 17:34:57
10979
转载 15个构建交互式图表的最佳jQuery插件
发表于 2013-06-23 22:40 来源：开源中国社区 阅读： 1250次在这篇文章中，我们向你推荐 15 个图表库，包含从简单图表实现到高度复杂的交互式图表，希望你会喜欢。1. Chart.js : Charting Library with HTML5 Canvas 使用HTML5 Canvas元素的Javascript图形库,支持6种统计图形,不依赖其他库.
2013-07-31 17:38:07
1601
贪吃蛇源代码JAVA
2011-07-15
resource.xml
2011-11-01
javabijiben
2011-10-05
struts资源需要的包
2011-10-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
