一、必不可少 回憶我們日常的場景中，有時候我們使用百度或Google，要得到一個問題的答案，似乎來來回回換了很多次問法，才得到了我們期望的答案，或者到最後都沒有獲取預期的結果，這是為什麼呢? 這裏存在一個核心矛盾，我們的“問法”和知識庫的“存法”有着極大的差異，我們在提問過程中（Query）靈活、多變、口語化、不完整且沒有標明依賴背景，比如會問“電腦卡死了咋辦
一、循序漸進 今天按計劃是想講一些RAG的高階屬性的，但連着幾天的燒腦模式，着實腦袋也有點疲憊，經常長篇大論的理論學説，看着可能也覺得枯燥了，今天計劃結合前面的幾篇文章，做個綜合性的演示，温故而知新，同時也讓大腦短暫的放鬆放鬆，事緩則圓，多幾分從容！ 考慮良久，決定搭建一個基於 Gradio 與 DashScope Qwen-Image 模型的文生圖演示應用！此應用通
前面幾篇文章已經深入討論過LangChain、RAG架構的細節，對RAG有了基礎的瞭解，今天重點梳理一下RAG的切片策略； 一、什麼是RAG切片 給定一個場景，我們有一本非常厚的百科全書（就像公司的員工手冊文檔或公司知識庫）。同時，我們有一個超級聰明的AI助手，他知識淵博，但有個弊端，他一次只能看一頁紙，而且給他哪一頁，他才能看哪一頁。他做不到直接從整本厚厚的書裏去尋
一、相得益彰 在人工智能領域，我們常常遇到兩個核心挑戰：如何讓模型獲取最新知識，以及如何讓模型基於特定信息生成準確答案。RAG（Retrieval-Augmented Generation：檢索增強生成） 提供了一種解決這些挑戰的範式，而 LangChain 則提供了實現這一範式的完整工具箱。二者的結合，就像RAG給了建築師既有了設計藍圖，而LangChain又有了全套現代
一、拋磚引玉 經過一段時間的接觸，大型語言模型（LLM），展現出了令人驚歎的文本生成、對話和推理能力。它們飽讀詩書、才華橫溢，能夠就幾乎任何話題進行流暢的對話。然而，這個天才有一個致命的弱點：它的知識完全來源於其訓練數據，存在截止日期，並且它有時會為了保持對話的流暢性而“捏造”事實。這種現象在AI領域被稱為“幻覺”或“胡説八道”。想象一下，你結合實際問了一個問題，最新的員工
將文本轉換為向量（文本嵌入）是自然語言處理中的核心任務，有許多大模型可以完成這項工作。上一篇文章《構建AI智能體：十五、超越關鍵詞搜索：向量數據庫如何解鎖語義理解新紀元》我們是通過阿里雲的api調用的text-embedding-v4模型，同樣還有很多其他輕量級的模型可以很好的完成這個任務，我們今天找兩個結合前期講到的本地化部署來嘗試一下。 一、核心組件回顧
一、我需要學習“時間序列”嗎 今天主題是“時間序列模型”，在開始之前我們先討論一下學習大模型需要了解時間序列嗎，首先要看我們的目標，學習大模型也必須也要有自己的目標。 應用型工程師： 如果想成為一名應用大模型的專業工程師，比如構建一個智能聊天客服機器人、開發一個文檔總結工具、創建一個代碼生成助手，那麼，不需要深入研究時間序列模型，此時你的核心技能應該是：
一、什麼是 N-gram 核心定義：N-gram 是來自給定文本或語音序列的N 個連續項（如單詞、字符）的序列。它是一種通過查看一個項目的前後文來建模序列的概率模型。 N：代表連續項的數量。 項（Item）：通常是單詞（Word），也可以是字符（Character）或音節。 核心思想：N-gram 模型基於一個簡化的假設：一個詞的出現概
我們理解“蘋果”這個詞，能聯想到一種水果、一個公司、或者牛頓的故事。但對計算機而言，“蘋果”最初只是一個冰冷的符號或一串二進制代碼。傳統的“One-Hot”編碼方式（如“蘋果”是[1,0,0,...]，“香蕉”是是[0,1,0,...]）無法表達任何語義，所有詞之間的關係都是相等且無關的。 如何讓機器真正“理解”含義？這就需要一種新的表示方法——Embedding。它就像一
一、Gensim是什麼？ 想象一下你面對成千上萬篇中文文章，想要快速瞭解這些文章主要討論什麼話題，或者找到相似的文檔，甚至讓計算機理解詞語之間的語義關係，並發現文本中的相似模式和語義結構，這就是Gensim的主要用途。Gensim非常高效，即使處理百萬級的文檔也能遊刃有餘。 Gensim是一個專門用於自然語言處理的Python庫，它的核心功能是： 從大
