博客 / 列表

未聞花名AI - 構建AI智能體：六十八、集成學習：從三個臭皮匠到AI集體智慧的深度解析

一、什麼是集成學習 我們通常説“三個臭皮匠，頂個諸葛亮”，集成學習就是利用這個思想。在機器學習中，我們訓練多個模型，這些模型可以是同一種類的，也可以是不同種類的，然後通過某種方式將它們組合起來，共同完成一個任務，從而獲得比單個模型更好的性能。 通俗的講，好比我們要做一個重要的決策，有多種選擇，首先我們可以問一個投資專家，其次也可以問一羣不同背景的專家，然後綜合他們的意

機器學習 , 集成學習 , yyds乾貨盤點 , 權重 , 人工智能 , 過擬合

未聞花名AI - 構建AI智能體：六十一、信息論完全指南：從基礎概念到在大模型中的實際應用

一、理解信息論 想象一下這樣的場景，我們每天出門都會查看天氣預報，如果預報總是説"今天晴，氣温25度"，久而久之你會覺得這信息索然無味，因為太確定了。但如果預報説"今天有80%概率下雨"，我們就會格外留意，甚至帶傘出門，這種不確定性反而讓信息更有價值。 這正是信息論的精髓所在，就像收拾行李箱時，把所有物品整齊分類（低熵）比胡亂塞進去（高熵）更容易找到想要的東西。在大語

機器學習 , AIGC二三事 , 信息論 , 人工智能 , 信息熵 , 概率分佈

未聞花名AI - 構建AI智能體：六十、特徵工程行業實踐錄：金融、電商、醫療的智能化轉型

一、趁熱打鐵 我們已經瞭解了特徵工程的概念和基礎應用，今天我們圍繞比較廣泛的行業示例繼續加深理解。 特徵工程是數據科學的核心環節，它的本質是用數據的語言，翻譯業務的邏輯，特徵工程將原始數據轉化為機器學習模型能理解的業務語言。在不同行業的應用，就是解決該行業最核心的預測或分類問題，這一過程在三大行業展現出巨大價值： 在金融風控領域，傳統信貸審批依

機器學習 , AIGC二三事 , 數據 , 特徵工程 , 人工智能 , 原始數據

未聞花名AI - 構建AI智能體：五十九、特徵工程：數據預處理到特徵創造的系統性方法

一、何謂特徵工程 特徵工程是數據科學中的關鍵環節，其核心目標是將原始的、雜亂的數據轉化為機器學習模型能夠有效理解和利用的格式。這個過程可以類比於將生鮮食材烹飪成美味佳餚的完整流程。 想象一下，您從市場採購回各種生鮮食材：帶泥的土豆、未處理的豬肉、整根的大葱、未開封的調味料。如果直接將這些東西端給客人，他們根本無法食用。同樣地，原始數據對機器學習模型而言就如同這些未處理

AIGC二三事 , pytorch , 特徵工程 , 人工智能 , 機器學習模型

未聞花名AI - 構建AI智能體：五十七、LangGraph + Gradio：構建可視化AI工作流的趣味指南

一、讓AI觸手可及 相信我們身邊或多或少總是聽到很多人在説大模型大模型，可大模型具體怎麼用還是一道很深的門檻，我們博文也寫了很多，但具體的用法和作用，使我們還面臨着一個有趣的矛盾：大模型的能力越來越強，但真正能讓普通用户直接使用的AI應用卻少之又少。今天，我想分享我們如何用LangGraph和Gradio構建一個可視化、可配置的AI工作流系統，讓非技術用户也能輕鬆組合各種A

AIGC二三事 , 智能工作流 , 流程編排 , pytorch , langgraph , 人工智能

未聞花名AI - 構建AI智能體：五十五、混合式智能投資顧問：融合快速響應與深度推理的自適應架構

一、前情提要 今天我們來探討智能投資顧問系統的終極演進形態——混合式架構。如果説反應式架構是短跑選手，能夠在秒級內給出快速響應；深思式架構是馬拉松選手，能夠進行深度的分析和規劃；那麼混合式架構就是十項全能運動員，它集兩者之長，根據不同的場景需求智能切換工作模式，真正實現了因材施教的個性化投資顧問服務。 在前面幾篇文章的基礎上，今天我們將詳細介紹混合式智能投資顧問系統的

複雜度 , 私藏項目實操分享 , pytorch , 用户畫像 , 混合式 , 人工智能

未聞花名AI - 構建AI智能體：五十四、智能投資顧問的兩種實現：反應式與深思式實踐策略對比

一、項目介紹 前面幾篇內容重點討論了智能體的相關知識點，特別對反應式和深思式做了深入的探討，今天結合智能投資顧問的實例，繼續深入探討基於反應式與深思熟慮式兩種架構的實現方式，重點討論兩種架構的設計理念、技術實現和應用場景。 通過詳細的對比分析和實際案例展示，進一步揭示兩種架構在用户體驗、處理深度和商業價值方面的差異化優勢，同時為金融機構構建新一代智能投顧系統提供了全面

規則引擎 , 智能體 , 私藏項目實操分享 , pytorch , 響應時間 , 人工智能 , Json

未聞花名AI - 構建AI智能體：五十二、反應式智能體：AI世界的條件反射，真的可以又快又穩

一、初識反應式智能體 前一篇我們詳細瞭解了深思熟慮智能體，今天我們討論智能體的另一種類型，反應式智能體，想象一下，當我們的手不小心觸碰到一個滾燙的杯子時，我們會瞬間縮回。這個過程中，我們的大腦甚至還沒有意識到燙這個概念，手已經完成了動作。這種不經過深思熟慮、直接由刺激引發的快速反應，就是反應式智能體的核心思想。 反應式智能體是一種基於“感知-行動”模式的智能系統。它不

最高優先級 , yyds乾貨盤點 , 優先級 , 智能體 , pytorch , 人工智能 , 高優先級

未聞花名AI - 構建AI智能體：五十一、深思熟慮智能體：從BDI架構到認知推理的完整流程體系

一、什麼是深思熟慮的智能體 當我們談論一個決策是深思熟的，我們指的是這個決策經歷了深度的思考過程,不僅僅是快速的反應，而是包含了分析、推理、權衡和規劃的複雜認知活動。同樣，在人工智能領域，深思熟慮的智能體（Deliberative Agent） 是指能夠進行復雜推理、規劃未來行動、並基於內部狀態和外部環境做出決策的智能系統。與簡單的反應式智能體不同，深思熟慮的智能體具備：

AIGC二三事 , List , 優先級 , 數據 , pytorch , 人工智能

未聞花名AI - 構建AI智能體：四十八、從單體智能到羣體智能：A2A協議如何重塑人機協作新範式

一、開篇導語 我們對A2A已經有了初步的瞭解，但對具體使用可能還充滿了很多疑問，今天我們結合具體的實例來加深對A2A實際應用的理解，想象這樣一個場景：我們要組織一場户外籃球賽，需要同時考慮天氣狀況、場地預約、參與人員時間安排等多個因素。在傳統模式下，這需要我們分別查看天氣預報、聯繫場地管理員、逐個確認參與者時間——一個典型的多系統、多步驟的繁瑣過程

天氣查詢 , yyds乾貨盤點 , API , pytorch , 人工智能 , A2A , Json

未聞花名AI - 構建AI智能體：四十六、Codebuddy MCP 實踐：用高德地圖搭建旅遊攻略系統

一、前情概要 前面有兩篇文章分別講了高德API的使用和MCP的詳細説明，今天正好基於此做一個智能的旅遊攻略助手，旅遊是生活中習以為常的事情了，短期近程、長期遠程，規劃是個很重要的事情，我們或多或少的經歷過旅遊過程中的各種不好的體驗，當前旅遊信息市場也存在嚴重的碎片化問題，一般我們在規劃行程時，需要同時查閲攜程、美團、馬蜂窩、小紅書等多個平台，每個平

AIGC二三事 , 高德地圖 , 數據 , API , pytorch , mcp , 人工智能

未聞花名AI - 構建AI智能體：四十四、線性迴歸遇見大模型：從數學原理到智能實戰

一、什麼是線性迴歸 結合我們生活中例子，如果你是一個水果店老闆，你想知道“草莓的重量”和“它的價格”之間有什麼關係。憑經驗你知道，越重的草莓肯定越貴。線性迴歸就是幫你把這種模糊的經驗，變成一個精確的數學公式。 核心思想：找到一個線性方程（一條直線），來最好地描述自變量 (X)（比如：重量）和因變量 (Y)（比如：價格）之間的關係。 公式：Y = wX +

擬合 , yyds乾貨盤點 , 數據 , 最小二乘法 , 人工智能 , 數據結構與算法

未聞花名AI - 構建AI智能體：四十二、使用 Qwen-Agent Assistant 調用高德 API 實現天氣查詢

一、系統概述 隨着大模型技術的發展，智能助手（Agent）已成為連接用户需求與外部服務的核心載體。Qwen-Agent作為基於通義千問大模型的智能框架，支持通過工具調用擴展能力，而高德天氣API則提供了穩定、實時的氣象數據服務。本文旨在實現Qwen-Agent的Assistant助手與高德天氣API的無縫集成，構建一個能響應用户自然語言查詢、返回精

AIGC二三事 , 天氣查詢 , API , pytorch , 人工智能 , ci

未聞花名AI - 構建AI智能體：四十一、大模型思維鏈提示工程：技術原理與行業應用案例分析

一、前言 隨着模型在自然語言理解、文本生成等基礎任務上的性能持續突破，其在複雜問題解決場景中的推理能力不足逐漸成為技術落地的關鍵瓶頸。儘管主流模型在單一任務中展現出接近甚至超越人類的表現，但在需要多步驟邏輯推演、數學運算或因果關係分析的複雜任務中，往往因缺乏明確的推理路徑而產生錯誤結論或表面化回答。這種推理能力的侷限性，本質上反映了大模型在處理非線性、多約束問題時對中間推理

思維鏈提示 , 推理過程 , API , pytorch , 人工智能 , Json

未聞花名AI - 構建AI智能體：四十、K-Means++與RAG的融合創新：智能聚類與檢索增強生成的深度應用

一、前言 前面的文章我們詳細講過，大型語言模型雖在自然語言處理領域展現卓越能力，但仍面臨幻覺問題、知識時效性不足及領域專業性缺失的問題，結合RAG通過“檢索外部知識+增強模型生成”的範式，作為大模型的“外置知識庫”有效緩解上述痛點，無需重新訓練即可動態整合最新領域知識，顯著提升回答準確性與可信度。 然而，傳統 RAG 系統在處理大規模知識庫時存在顯著侷限：全局檢索模式

AIGC二三事 , 聚類 , 人工智能 , 深度學習 , RAG , K-Means++

未聞花名AI - 構建AI智能體：三十四、LangChain SQLDatabaseToolkit終極指南：架構、優勢與最佳實踐

一、初識SQLDatabaseToolkit SQLDatabaseToolkit 是 LangChain 框架中的一個核心組件，它不屬於一個獨立的軟件，而是一個工具箱或工具集。它的核心目的是為大語言模型提供與 SQL 數據庫進行交互的能力，將大模型的自然語言理解能力與數據庫的精準數據存儲和檢索能力結合起來。 二、什麼是SQLDatabaseToolkit

SQLDataToolkit , yyds乾貨盤點 , 大模型應用 , NLP , langchain , 人工智能

未聞花名AI - 構建AI智能體：三十、精雕細琢：駕馭關鍵詞的細微差別，解鎖高質量提示詞編排與視覺表徵

一、似是而非 隨着人工智能圖像生成模型的迅猛發展，我們彷彿一夜之間踏入了"人人都是創作者"的新紀元。只需輸入一段文字描述，AI就能在數十秒內將其轉化為令人驚歎的視覺圖像。然而，在這個過程中，許多人發現了一個關鍵問題：為什麼別人生成的圖像精緻如藝術品，而自己生成的卻總是似是而非？ 這個問題的答案在於提示詞（Prompt）——這門與AI模型溝通的"神秘語言"。提示

yyds乾貨盤點 , 提示詞工程 , 思維鏈提示詞 , aigc , prompt , AI作畫

未聞花名AI - 構建AI智能體：二十八、大語言模型BERT：原理、應用結合日常場景實踐全面解析

一、BERT是什麼 BERT（Bidirectional Encoder Representations from Transformers）是谷歌在2018年發佈的自然語言處理模型，它徹底改變了NLP領域的發展軌跡。在BERT出現之前，主流模型如Word2Vec只能提供靜態的詞向量表示，這些方法雖然解決了詞彙的分佈式表示問題，但無法處理一詞多義和複雜的上下文信息。例如，"

編碼器 , yyds乾貨盤點 , API , NLP , 人工智能 , 情感分析

未聞花名AI - 構建AI智能體：二十七、大模型如何“考出好成績”：詳解內在評測與外在評測方法

一、先知其然 語言模型評測的重要性可以用一個簡單的比喻來理解：就像我們不能僅憑汽車的外觀和參數來判斷其性能一樣，我們也不能僅憑語言模型的參數數量和訓練數據量來評估其實際能力。我們需要通過系統的"路試"，即各種評測方法來全面瞭解模型的真實表現。 同樣的，在我們工作中，如果我們需要為公司購買一台新的服務器，我們首先不會僅僅因為銷售員説“它很快”就下單，而是要求看性能測試報

yyds乾貨盤點 , API , NLP , 語言模型 , 人工智能 , 條件概率

未聞花名AI - 構建AI智能體：二十六、語言模型的“解碼策略”：一文讀懂AI文本生成的採樣方法

一、開篇導語 不知道大家有沒有刷到過一個趣味玩法，在輸入法的文本框以一個什麼字開頭，一直按下一個下一個，可以生成一句看似完整且有趣的話，這是最早期的通過鍵盤記憶形成的詞組文本。再看看近期豆包和deepseek大火，大家有沒有嘗試過給他們輸入一個簡短的文本或情節，讓他們進行續寫，生成一段內容，經歷過這些，不知道你是否曾好奇，這些功能強大的AI工具，是如何從“今天天氣真好”這樣

yyds乾貨盤點 , API , 搜索 , NLP , 人工智能 , 概率分佈

未聞花名AI - 構建AI智能體：二十五、智能時代的知識庫全鏈路優化：從構建、檢索到生命週期健康管理

一、投石問路 相信大家有沒有過這樣的經歷，急需某個操作流程，比如要找“給客户開發票”的相關信息，結果發現自己要在電腦裏翻箱倒櫃，從一堆命名混亂的Word、Excel裏尋找那份不知道有沒有存檔、也不知道更新沒更新的“開票説明.docx”。找到了，還得像做閲讀理解一樣，從十幾頁的文字裏摳出自己需要的那幾條信息。這個我們習以為常、普通的不能再普通的過程，

yyds乾貨盤點 , BM25檢索算法 , NLP , 知識庫構建 , 人工智能

未聞花名AI - 構建AI智能體：二十四、RAG的高效召回方法論：提升RAG系統召回率的三大策略實踐

一、直入主題 檢索增強生成（RAG）已成為將大型語言模型的專業知識、實時性與事實準確性相結合的經典架構。其核心思想直白而有力：當用户提問時，首先從一個龐大的知識庫（如公司文檔、技術手冊、最新新聞等）中檢索出最相關的信息片段，然後將這些片段與用户問題一同交給大模型，指令其基於所提供的上下文進行回答。這完美解決了大模型的幻覺問題、知識陳舊和無法溯源等痛點。 然而，一個RA

RAG應用 , RAG的高效召回 , yyds乾貨盤點 , NLP , 人工智能

未聞花名AI - 構建AI智能體：二十三、RAG超越語義搜索：如何用Rerank模型實現檢索精度的大幅提升

一、發軔之始 在工作和生活中，我們可能經常會遇到一些場景，我們在搜索引擎中輸入問題尋求解決方案，返回的卻是大量重複的、基礎性的、甚至是商業推廣的內容。無奈的反覆修正我們的檢索內容，就是找不到答案，這確實是一大困擾，由於算法的侷限性和商業干擾，導致搜索引擎算法傾向於流行度而非質量，商業利益常常凌駕於信息價值之上。我們得到的往往是最多人點擊的，而不是最正確的。

RAG應用 , Rerank , 數據挖掘 , yyds乾貨盤點 , 重排序 , 人工智能

未聞花名AI - 構建AI智能體：二十二、雙劍合璧：Qwen系列雙模型在文生文、文生圖中的搭配應用

一、温故知新 回顧前面幾篇文章，我們分別對文生圖的案例演示和RAG Query改寫做了詳細介紹，今天我們再趣味性的強化一下兩者的應用途徑，結合兩個模型Qwen-Turbo和Qwen-Image同時使用，將自然語言處理與計算機視覺完美結合，發現兩者的奧妙之處。 二、系統介紹 先看看展示界面： 示例關鍵詞：北極光, 日出

Qwen-Turbo , yyds乾貨盤點 , aigc , 人工智能 , 文生圖 , Qwen-Image模型使用 , AI作畫