企业官网建设流程全解析

网站策划书的意义,找软件开发公司,网站建设案例渠道,wordpress 关联文章AI领域每隔一段时间都有新的概念和技术出来#xff1a;年初DeepSeek火热带动深度推理模型#xff0c;五一前阿里推出的Qwen3就升级为混合推理模型#xff1b;3月份manus展示号称全球首款通用型智能体#xff0c;到现在OpenAI和阿里也都有类似的通用Agent#xff1b;Anthro…AI领域每隔一段时间都有新的概念和技术出来年初DeepSeek火热带动深度推理模型五一前阿里推出的Qwen3就升级为混合推理模型3月份manus展示号称全球首款通用型智能体到现在OpenAI和阿里也都有类似的通用AgentAnthropic去年11月提出MCP标准今年逐渐得到各大厂商的认可以后Google今年4月份又提出A2A协议Google去年底推出的DeepResearch研究报告现在OpenAI和阿里也都有类似产品还有之前的提示词工程7月初大佬Andrej Karpathy提出上下文工程更重要等。这么多层出不穷的新概念和技术我们要怎么学习呢如果我们刚开始入门要进行AI应用场景的落地我们应该掌握哪些技术是否有一套基础技术体系能让我们建立起对AI应用层面的核心认知框架当新的概念和技术出来了我们都能有序应对合理判断在自己的业务场景是否适用。本文以容易理解的信息化视角结合实际项目经验梳理一套AI应用层面的基础技术体系按投入成本和落地难度从小到大分别是LLM基础对话RAGAgentTraining同时将近期出现的一些新技术和新方向都归纳到这个体系层次中去助力读者建立起对AI的核心认知框架。LLM基础模式一些最基础的问答场景中你会要求LLM模仿某种角色来回答用户的提问或者要求LLM根据用户的输入来生成相应的内容同时要求遵守某种结构进行生成答案并做一些限制比如不能随意发挥等。这类LLM的基础使用模式主要就是利用LLM的系统提示词其核心结构非常简单大致如下在LLM这个层面当我们落地部署和使用时经常碰到的基础概念有token、向量、参数、参数量模型尺寸、量化压缩、精度提升等等这部分入门概念和技术有很多文章介绍在此不做赘述只要清楚这些概念都属于LLM层面即可。在LLM基础模式之上我们逐步拓展RAGAI AgentTraining的使用模式和技术体系。RAG检索增强生成模式在以上利用LLM进行对话的基础上当你发现LLM缺少最新知识、或者缺乏某个行业领域内部知识造成大模型产生幻觉时通常就需要采用RAG方案了Retrieval-Augmented Generation 对应检索增强生成也就是要通过检索外挂知识库来增强LLM的生成能力其核心结构演变如下RAG模式里从知识准备到知识检索过程中涉及到一些基础技术概念包括文档解析预处理、文档切片/分段、向量化、知识检索标签筛选、关键词检索、全文检索、语义检索等、检索召回率和准确率等具体可以参考《RAG基础逻辑介绍》这篇文章。上图只是简单场景示意在调用LLM之前先利用RAG检索行业知识或内部知识然后输入给LLM来增强生成。但实际场景中远远比这复杂甚至有可能要依据LLM来动态规划何时需要检索知识库动态决策要检索内容这就是Agentic RAG了。AI Agent智能体模式在以上RAG的基础上如果你还需要进一步调用工具比如要调用工具查询数据库比如要调用查询天气、订票的工具等比如在知识库检索之前需要先进行OCR识别或者先基于ASR进行语音识别得到文本再进行检索比如在大模型和工具调用之后需要将文字转成语音输出利用TTS进行转换等。总之就是为了满足某个业务场景就不仅是简单调用LLM也不仅是进行RAG知识检索还需要进行业务逻辑组合包括工具调用和各种小模型的串联等等这就进入到AI Agent的范畴了其核心结构演变如下AI Agent核心就是根据处理逻辑需要组合串联工具、大模型和小模型甚至包含多次LLM调用。其处理逻辑执行范式大概有两种一种是有明确处理流程的workflow模式一种是需要动态决策边执行边修正的ReAct模式详见笔者之前写的这篇文章《从workflow到ReAct提升AI Agent智能化水平》。Training训练模式在以上AI Agent基础上假如你发现增加了知识库RAG增加了各种工具调用后实现效果还是不够理想生成结果还是不够精准的话这个时候你可以考虑对LLM进行一定的微调训练利用你知识库中准备好的行业知识来进行微调得到垂域大模型再应用到AI Agent中去其核心结构演变如下这种模式相当于把外挂知识库内化到通用LLM中去了需要依赖一定的硬件算力来做训练比单纯推理使用时需要的算力更多人员能力上的要求也更高所以这种模式从投入成本和落地难度来说都是最高的。当然本文所说的训练主要不是指预训练因为我们不是大模型厂商我们更多是从落地使用角度出发关注微调和强化学习等后训练技术具体可以参考笔者上一篇文章[《大模型如何“练成”详解训练、微调与强化学习的基础逻辑》]四个层次的技术发展趋势从落地角度看以上四个层次是逐层递进同时回到本文开头提到近期AI领域涌现的这些新技术、新概念其实都是可以归纳到这四个层次笔者简单梳理如下如图LLM层面技术趋势都是围绕着如何让LLM使用代价更小、能力更强两个方向使用代价更小的技术包括各种量化压缩、推理加速框架的创新、模型蒸馏Distill从大模型蒸馏出小尺寸的模型等能力更强方向包括各家厂商都推出自己的多模态大模型Omni、从DeepSeekR1深度推理模型演变到Qwen3的混合推理模型等。RAG层面技术更多是围绕着如何更精准、如何更智能的知识检索等方向包括图中所列KAG、GraphRAG、AgenticRAG等其中KAG是基于图谱结构的知识来进行增强和传统文本分片知识区别在于图谱知识之间的关联性更强详见大神“德哥”的[《论文解读KAG出道RAG已死》]而GraphRAG虽然也是基于知识图谱但其核心是在于社区聚类层层汇总摘要还是详见“德哥”的[《论文解读|一种GraphRAG方法》]AI Agent层面上半年最热闹的话题就是MCP和A2A两个协议规范了一个用于规范Agent调用工具的规范另一个用于规范多个Agent之间协作的规范此外还有DeepResearch以及最近比较热的上下文工程Context Engineering等这些技术都是越来越接近应用层面了。Training后训练层面的微调SFT和强化学习RL其实笔者对发展趋势还没有太多研究现阶段能把微调LORA落地实践一把就很不错了。这篇文章拖延了半个多月主要是之前把框架搭好以后就看到已经有大神有类似主题的总结文章了所以就一直在纠结还有没有必要写再加上最近共工作又很忙就找到理由拖下来了。但最近看到“完成比完美重要”这句话就反复暗示自己哪怕文章主题差不多也许多一种视角来描述也会更有强化作用也许多一个号来讲解就会多一点传播能多帮助到一个正在上下求索的同学也就有价值了。另本文所述更多是AI应用层面的技术体系不涉及LLM的技术原理对于Transformer架构、Attention注意力机制、Q/K/V矩阵等说实话不甚精通虽然也仔细研读过相关文章毕竟不是专业算法人员笔者只是根据工作需要正在从信息化、数字化领域过渡到智能化领域所以更多关注LLM如何落地应用将个人实践和工作中的一些心得和体会总结成文希望对和我一样正在转型的同学有所帮助。大神推荐环节推荐大家关注大神公众号“digoal德哥”本文前面引用KAG和GraphRAG的两篇技术文章皆来自该公号最初我关注时是因为被系统推荐了AI相关的文章受益良多后来持续关注以后发现德哥在数据库领域造诣更深有大量PolarDB、PostgreSQL和DuckDB的研究文章与讲解材料各位看官不要错过哈。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】