AI
刷新
LangChain 学习笔记 07：没有运行轨迹，LLM 应用只能靠猜来排错

博主头像 传统接口报错时，我们至少能看到状态码和堆栈。LLM 应用更麻烦：它可能没有抛出异常，只是悄悄给出一个不完整、跑题或缺少证据的答案。 第 8 章介绍回调处理器。篇幅不算长，却提醒了我一件很重要的事：模型调用、检索和工具执行如果没有留下轨迹，系统上线以后几乎只能靠猜。 一次回答里到底发生了什么 一个 R ...

LangChain 学习笔记 06：Agent 会做选择，但不该拥有无限权限

博主头像 让模型回答问题和让模型“去做一件事”，是两种完全不同的风险级别。前者答错了，通常还能被用户发现；后者如果调用了错误工具，可能真的发出邮件、修改数据，甚至产生费用。 第 7 章介绍 Agent、Tool、Toolkit 和 ReAct。它最吸引人的地方是模型可以自己选择下一步，但我读完后最想记住的反而 ...

基于端侧大模型的嵌入式 Skill 调度引擎实现智能业务生成的尝试

博主头像 前言 近期在研究大模型（LLM） 与Skill（技能） 的结合应用，颇有感触。人类拥有绘画、编程等技能，依靠眼和手来完成；类比到嵌入式设备中，图像采集、数据传输同样是技能，只不过它们依靠板载硬件来完成。 通常，一块开发板的硬件资源是固定的，但上层应用是多变的。同一块板子，既可以在项目 A 中使用，也 ...

LangChain 学习笔记 05：聊天记录很多，不等于模型真的有记忆

博主头像 用户说“还是按上次那个地址寄”，系统怎样知道“上次那个地址”指什么？这是聊天应用开始变得像助手的时刻，也是状态管理真正变麻烦的时刻。 第 6 章集中讨论 Memory。读这一章前，我容易把记忆理解成“把历史对话都塞回 Prompt”；读完以后，最大的变化是开始区分原始记录、当前上下文和长期事实。 版 ...

打造工业版 WorkBuddy，基于 iNeuOS 工业互联网框架体系

博主头像 工业领域正经历从“自动化”、“信息化”到“智能化”的深层转型。传统工业软件往往是“人适应系统”，操作人员需要记住功能路径、系统的操作方式，在数据看板、报表系统、文档库等之间切换。智能化应该是“系统适应人”，用自然语言一句话就能完成数据查询、状态诊断和决策建议，对于产品或是系统设计更趋向于“简单化”。 ...

LangChain 学习笔记 03：RAG 的效果，从文档进入系统时就开始决定

博主头像 做 RAG 时，最容易被关注的是最后那次模型回答。但真正动手以后，我发现很多“模型答不好”的问题，往前追几步就会变成：文档没读全、切块切断了、元数据丢了，或者正确证据根本没有被召回。 第 4 章把加载器、文档转换、Embedding、向量存储和 Retriever 放在“数据增强模块”中。与其把它们 ...

PCB检测算法YOLO-EMAC(1)

博主头像 YOLO-EMAC(YOLO-efficient-multiscale-adaptive-channel)是一种针对PCB检测中目标过小的特点提出的一种算法,基础是YOLOv12. 在卷积神经网络中,存在两个问题：(1)下采样带来的浅层特征损失,特征图越来越小,小目标卷积几次以后特征就没有了;(2) ...

LangChain 学习笔记 02：把模型 I/O 做成可靠的输入输出契约

博主头像 如果模型只负责写一段文案，返回自由文本通常够用；如果下一步要创建工单、查询数据库或调用支付接口，“大概是这个意思”就远远不够了。 第 3 章把模型包装器、提示词模板和输出解析器放进同一个“模型 I/O”模块。这个划分让我意识到，模型调用也应该像普通接口一样有契约：输入有哪些字段，输出是什么结构，失败 ...

奇摩技术说：大模型时代的工作流新范式

博主头像 奇摩技术说：大模型时代的工作流新范式 一、范式转移：从"会用什么工具"到"能用AI做什么" 大语言模型的技术迭代正在重塑企业工作流的底层逻辑。过去，招聘时总会问"你熟悉哪些工具"，而如今更值得关注的是如何让AI参与到每一个工作环节中。这不仅是效率问题，更是一种全新的生产力组织方式。 传统工作流：人→ ...

奇摩来教你：WorkBuddy如何重塑工作效率

博主头像 奇摩来教你：WorkBuddy如何重塑工作效率 一、效率瓶颈：当代知识工作者的时间都去哪儿了 现代职场人的日常工作正在被碎片化蚕食。据相关调研数据显示，知识工作者平均每天在工具切换上消耗超过90分钟，在重复性文档处理和代码查找上又占用约70分钟。邮件回复、会议纪要、报告整理这些"必要但不增值"的事务 ...

LangChain 学习笔记 01：从一次聊天调用看懂组件与组合

博主头像 第一次写聊天程序时，代码很容易给人一种“已经完成了”的错觉：传入一句话，模型返回一段话，终端里也确实打印出了答案。 但只要继续加两个需求，比如“回答必须保持固定格式”和“把每次调用记录下来”，原来那几行代码就会迅速膨胀。第 2 章从第一个聊天机器人讲起，我觉得它真正想建立的不是某个 API 的记忆， ...

用方差阈值过滤掉“惰性特征”

博主头像 在机器学习实战中，我们常常把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？ 刚开始学机器学习那会儿，我特别喜欢堆特征，不管有用没用先一股脑全塞进去，总觉得特征越多模型越聪明。 直到有一次跑练习数据集，X_train.shape 直接干到了 (50000, ...

WorkBuddy：企业级AI编程的落地实践 ｜ 奇摩来教你

博主头像 WorkBuddy：企业级AI编程的落地实践 AI编程工具从个人使用到企业级部署，中间隔着相当大的鸿沟。WorkBuddy 的特殊之处在于，它从一开始就以企业场景为设计出发点，因此在实际落地过程中展现出了显著的优势。 企业级部署的核心挑战 大型企业在引入AI编程工具时，通常会面临几个核心问题：数据安 ...

WorkBuddy：AI编程助手如何改变开发者的日常 | 奇摩讲故事

博主头像 WorkBuddy：AI编程助手如何改变开发者的日常 如今，AI辅助编程已经不再是科幻电影里的桥段，而是真实发生在每个开发者屏幕前的日常。不得不说，在众多AI编程工具中，WorkBuddy 凭借其出色的代码理解和自动化能力，正在悄悄改变着开发者的工作方式。 从写代码到理解业务 传统的编程工具更多是一 ...

LangChain 学习笔记 00：先搭一张 LLM 应用开发地图

博主头像 刚接触 LangChain 时，我有过一个很直接的疑问：调用大模型不就是发一次 HTTP 请求吗，为什么还需要专门学一个框架？ 把 Demo 写到几十行以后，答案就慢慢出现了。提示词要维护，聊天记录要裁剪，模型输出要校验，私有文档要检索，工具调用要鉴权，线上问题还得能追踪。麻烦的从来不是“把请求发出 ...

<123···50>