nlp标签_2048 AI社区

nlp

Nano-vLLM 源码解读 - 9. 抢占机制

本文深入解析了nano-vllm中decode阶段KV缓存管理的核心机制。重点分析了三个关键问题：1)通过can_append函数判断何时需要新块，其巧妙利用布尔表达式仅在块边界(每256个token)时检查空闲块；2)当缓存不足时，系统采用"抢队尾"或"抢自己"的抢占策略，通过while-else控制流确保被抢占序列不进入本轮调度；3)被抢占序列会被放入waiting队列前端，利用L05的pre

qq37755661
2026-05-19 13:57:38

 406

 8

#人工智能 #nlp
大模型应用开发实战（4）——智能体经典范式

摘要：本文探讨了大模型智能体的四大经典范式——ReAct、Plan-and-Solve、Reflection/Reflexion和Tree of Thoughts（ToT），分析其核心逻辑、适用场景及优劣势。ReAct通过“边推理边行动”适应动态任务，Plan-and-Solve以“先规划后执行”确保结构化流程，Reflection通过“生成-反思-优化”提升输出质量，ToT则支持多路径探索与回

 拾-光
2026-04-14 15:09:25

 407

 8

#深度学习 #人工智能 #神经网络 +2
解读AI大模型，从了解token开始

可作如下类比：想象一位画家在创作连环画——每一帧画面都需承接前一帧（甚至前几帧）的情节与构图，才能合理延续故事。同理，自回归模型在每个时间步的输出，都依赖于此前一个或多个时间步的输出结果。这种逐词/逐帧递进、环环相扣的生成方式，使各时间步之间形成强序列依赖，因而特别适用于时间序列预测等任务。

有一点儿动心
2026-04-09 10:24:04

 409

 8

#人工智能 #自然语言处理 #深度学习 +3
【超详细新手教程！】使用第三方api平台配置Openclaw 龙虾详细教程

本文详细介绍了如何配置OpenClaw工具使用第三方平台（以魔芋AI为例）的API密钥接入AI模型服务。主要内容包括：1）获取API密钥和服务地址；2）修改OpenClaw配置文件添加模型提供商和模型定义；3）配置默认模型及别名；4）提供完整的配置示例和验证方法；5）说明如何添加更多模型（包括Claude系列模型的特殊配置）。文章重点讲解了配置文件各参数含义，帮助用户实现OpenClaw与第三方A

Resistance丶未来
2026-04-07 17:55:10

 1378

 15

#nlp
文献阅读：Step-by-Step Fact Verification System for Medical Claims with Explainable Reasoning

本文介绍了一种分步式医学事实核查系统，该系统通过大型语言模型(LLM)迭代生成问题、收集证据并验证医学主张的真实性。研究比较了传统三阶段流程(文档检索、证据提取、判决预测)与新型分步式方法在三个医学数据集(SCIFACT、HEALTHFC、COVERT)上的表现。结果显示，分步式系统显著提升了F1分数(最高提升5.2)，特别是在处理复杂医学概念时优势明显。研究还探讨了内部/外部知识源、谓词逻辑推理

 enndne
2026-03-25 15:44:31

 370

 9

#rnn #深度学习 #自然语言处理 +3
什么是Prompt注入攻击？为什么恶意输入能操控AI行为？

摘要： Prompt注入攻击是一种通过恶意输入操控AI行为的安全漏洞，攻击者在正常输入中植入指令，使AI执行非授权操作。攻击方式包括直接注入、间接注入和上下文污染，利用AI对自然语言的过度信任。其危害从信息泄露到系统控制不等，具有隐蔽性强、实施门槛低等特点。防御面临传统输入验证无效等挑战。实际应用场景广泛，涉及企业系统、Web应用和开发工具等。未来攻击可能更自适应且结合社会工程，防御需多层次策略。

华农DrLai
2026-03-20 14:53:10

 644

 12

#人工智能 #nlp #深度学习
从零开始使用ollama本地部署大模型

本文介绍了Ollama的安装使用及模型部署方法。首先从官网下载安装Ollama，建议修改默认安装路径避免占用C盘空间。然后详细说明了如何部署模型，以千问模型为例，展示了从搜索到运行的全过程。文章重点介绍了常用客户端命令：run（运行模型）、pull（下载模型）、list/ls（查看本地模型）、ps（查看运行中模型）、rm（删除模型）和show（查看模型信息）。针对不同配置的机器给出了参数建议，如i

一汀.
2026-03-14 09:04:14

 875

 7

#nlp
为什么提示词注入在 OpenClaw 里比普通 LLM 危险 10 倍？

本文探讨了提示词注入攻击在OpenClaw等AI代理系统中的特殊危险性。相比普通聊天场景，提示词注入在AI代理中危害更大，因为代理会将恶意指令转化为实际行为而非仅输出文字。文章通过类比SQL注入解释了该攻击原理，并以真实案例展示了攻击路径。作者指出这是LLM架构的结构性弱点，并提出了多层防御方案，包括输入过滤、权限最小化、人工确认等。最后强调在LLM无法区分数据和指令的前提下，设计安全的代理系统是

 华农DrLai
2026-03-10 09:45:40

 606

 9

#大数据 #人工智能 #rnn +1
自然语言语篇处理

摘要：自然语言处理中的语篇处理是AI领域的核心难题，涉及语篇连贯性、结构分析和指称消解三大关键问题。语篇连贯性通过结果、解释等关系实现，而语篇结构可通过有监督/无监督算法进行切分。指称消解则需解决代词、名词短语等指称表达的实体对应问题，包括同指消解和代词回指消解两类任务。这些技术对信息检索、文本摘要等应用至关重要，但代词多义性等问题仍带来挑战。

小鸡吃米
2026-03-07 18:09:40

 512

 14

#自然语言处理 #人工智能 #nlp
200 行 Python 里的 GPT 原理

极简 200 行 Python 代码实现 GPT 模型，通过人名生成案例揭示 LLM 核心原理：统计规律生成内容、反向传播机制及规模差异，验证复杂 AI 的本质源于简单规则。

御坂10101号
2026-03-07 17:42:57

 591

 14

#python #开发语言 #nlp +1
当参数突破千亿：大数据+大模型范式与AI涌现能力的秘密

《大数据与大模型：AI发展的范式转变》摘要本文系统阐述了"大数据+大模型"这一AI发展新范式。该范式通过同步扩大训练数据规模（万亿级词元）和神经网络参数量（千亿级），产生了显著的协同效应。研究发现，当模型规模达到临界点时，会涌现出小模型不具备的新能力，如复杂推理和代码生成。这种范式虽带来通用性强、知识覆盖面广等优势，但也面临计算资源消耗大、可解释性差等挑战。目前广泛应用于AI

华农DrLai
2026-03-05 09:35:25

 500

 15

#大数据 #人工智能 #rnn +1
利用RAG开源库LangChain-Chatchat搭建地理教学产品智能问答服务

借助RAG开源库LangChain-Chatchat进行了地理知识问答相关的实验。将调研情况进行了简单整理，记录于此，以备后续查阅。若有相关需求或经验同学，欢迎交流！

WHU怪才GE
2024-05-23 00:33:40

 1262

 31

#人工智能 #自然语言处理 #nlp
【Agent】SWE-Agent调试记录和简单解读

对自动代码修复智能体SWE-Agent进行调试，将调试过程和简单解读记录在此，供其它小伙伴们学习交流。原创不易，若转载请注明来源，感谢！

WHU怪才GE
2024-10-13 00:33:50

 3215

 28

#python #语言模型 #人工智能 +1
AI的‘温度‘旋钮：为什么调高温度能让机器写出更疯狂的创意？

在使用大语言模型时，你可能经常听到"temperature"（温度）这个参数。它就像AI的"创造力调节器"，通过调整这个看似神秘的数字，我们就能控制AI输出是保守稳妥还是天马行空。那么，temperature到底是什么？它又是如何影响AI的创造力的呢？temperature参数本质上是一个控制概率分布平滑度的超参数。要理解这一点，我们需要先了解大语言模型是如何生成文本的。大语言模型在生成每个词时，

华农DrLai
2026-03-04 09:02:44

 681

 14

#人工智能 #自然语言处理 #nlp +1
为什么给AI一点‘混乱‘反而让它更聪明？随机采样的神奇力量

随机采样是AI文本生成中引入随机性的策略，通过概率分布选择词语而非总是选择最优解，使输出更自然多样。核心参数温度（Temperature）控制随机程度，配合Top-k/Top-p采样避免失控。这种技术让AI对话更接近人类表达，但也可能产生不连贯内容。应用包括创意写作、聊天机器人等，现代系统常结合束搜索等混合策略平衡创造性与可控性。随机采样解决了AI输出单调的问题，但需在参数调优与结果质量间找到平衡

 华农DrLai
2026-03-03 09:20:41

 653

 21

#人工智能 #transformer #大数据 +1
BGE-Large 模型

随着大语言模型与检索增强生成（RAG）技术的融合，BGE-Large 这类高质量嵌入模型，将成为智能应用的“大脑前哨”，让 AI 更懂中文，更懂你。BGE-Large是由 FlagOpen 团队开发的高性能中文文本嵌入模型，属于 BGE（BAAI General Embedding）系列中的大尺寸版本。其中，bge-large-zh-v1.5 是专为中文优化的迭代版本，具备 1024 维高维向量输

 程序员黄老师
2026-03-02 20:02:25

 673

 16

#人工智能 #nlp
如何用ai编程做nlp——一个给小白的实战案例参考

这篇文章为编程新手和NLP初学者提供了一个简单的中文文本处理实战指南。作者通过复现一篇经济学论文中的NLP部分，详细演示了从PDF到文本转换、中文分词、词库构建（使用jieba和nltk）、词库清洗到情感值计算的全流程。文章特别强调了在实际操作中可能遇到的常见问题（如环境配置、词库匹配错误等）及解决方法，并分享了使用AI辅助编程的经验。

2301_80406758
2025-10-15 15:38:20

 1555

 21

#自然语言处理 #python #nlp
在GLM-5 Agent上用一张图片制作牛马快跑小游戏

GLM-5 的编码工程能力 “刘哔”。

小马过河R
2026-02-27 17:44:48

 1485

 33

#人工智能 #语言模型 #nlp
Google 无预警封禁 OpenClaw 用户，250 美元月费换来的封号？

Google AI Pro/Ultra 是 Google 提供的付费 AI 服务订阅计划，用户每月支付 249 美元，可使用 Gemini 等先进模型进行代码生成、内容创作等任务。这些服务通过官方应用（如 Gemini CLI、Android Studio 插件）访问，但 Google 也提供了 API 接口供开发者调用。然而，API 调用通常按实际使用量计费，而订阅计划则提供了「无限」使用额度，

御坂10101号
2026-02-27 15:17:40

 928

 21

#googlecloud #nlp #开源
17K tokens/秒：定制芯片实现 AI 瞬间响应

当你在聊天机器人中输入问题，答案几乎是瞬间出现的。不是几秒，而是零点几秒，甚至更快。这种体验对习惯了「慢慢打字」的 AI 服务的人来说，简直不可思议。这并非魔法，而是一家初创公司通过硬件创新带来的变革。

御坂10101号
2026-02-26 09:26:16

 1159

 7

#人工智能 #边缘计算 #深度学习 +1
Agent概念、技术及应用

摘要：本文探讨了AI Agent的核心原理与技术框架。AI Agent基于大语言模型构建，具备自主规划、记忆存储和工具使用能力，可处理复杂多步骤任务。文章详细分析了Agent的四个关键模块：规划（包括思维链和思维树分解）、记忆（短期与长期存储）、工具API集成和执行行动。通过智能家居案例展示了Agent如何感知需求、分解任务并动态调整行动。还介绍了ReAct框架等关键技术，为构建个性化Agent系

 qq_52203089
2026-02-25 15:20:38

 835

 12

#python #深度学习 #人工智能 +1
OpenClaw：AI 智能体的安全与创新平衡

当 AI 智能体开始能自动处理日常任务——比如读邮件、发消息，甚至安装软件，一个看似简单的项目却引发了硅谷巨头的争夺。但这个工具背后，隐藏着怎样的安全风险？

御坂10101号
2026-02-23 14:55:16

 670

 7

#人工智能 #网络安全 #nlp
一文搞懂模态编码：AI 是如何把图片、文字、声音“翻译“成数字的？

本文系统介绍了模态编码的概念与方法论。模态编码旨在让计算机统一处理文本、图像、音频等不同形式的信息，通过编码将其转化为机器可处理的数字向量。文章详细解析了"模态"和"编码"两个核心概念，阐述了各模态（文本、图像、音频、视频）的编码方法，并列举了模态编码在AI应用中的广泛用途。最后指出当前面临的挑战（模态异质性、数据对齐成本等）和未来向通用多模态基础模型发展的

 华农DrLai
2026-02-23 01:45:32

 523

 8

#人工智能 #transformer #大数据 +1
50 米外洗车，AI 竟建议步行：机器逻辑的现实困境

你让 AI 帮忙决定洗车方式，它认真建议你走路，却完全忽略车还在家里——这种看似荒谬的错误，其实揭示了当前 AI 系统的深层缺陷。2026 年 2 月，一位开发者在 Mastodon 上抛出一个简单问题：「我想洗车，车洗店在 50 米外，该走路还是开车？」结果发现主流 AI 模型集体掉进坑里。ChatGPT 、Claude 等多数模型一本正经建议「走路」，甚至编造「开车会冷启动伤引擎」「省油环保」

御坂10101号
2026-02-20 14:34:51

 832

 7

#人工智能 #nlp
一文读懂 MoE：大模型如何用“专家分工“实现降本增效

MoE（混合专家）模型通过将多个"专家"网络与门控网络结合，实现了高效的大模型训练。门控网络根据输入选择最匹配的Top-K专家进行加权计算，既保留了大规模模型的参数容量，又通过稀疏激活降低了计算成本。MoE通常替换Transformer中的FFN层，保持注意力机制不变。虽然MoE解决了传统稠密模型的计算效率问题，但也面临负载均衡和高资源需求等挑战。这种架构为超大规模AI模型提供

 华农DrLai
2026-02-15 23:59:36

 699

 17

#人工智能 #transformer #大数据 +1
AI子领域核心技术库与应用框架详解

创建自定义Gym环境需要继承gym.Envimport gymself.action_space = spaces.Discrete(3) # 3个离散动作shape=(84,84,3), dtype=np.uint8) # 图像状态空间# 实现环境逻辑# 重置环境状态# 可选的可视化方法passOpenAI Gym提供了Atari游戏环境的封装，通过gym.make('ALE/[游戏名]-v5'

dabw
2026-02-15 22:20:00

 1218

 27

#人工智能 #nlp #opencv +2
Miniconda 轻装上阵：从零手搓 AI 对话模型（JSONL 数据集版）

本文介绍从零构建AI对话模型的完整流程。基于Miniconda3虚拟环境，使用PyTorch搭建Seq2Seq模型，无需依赖预训练模型。核心步骤包括：数据准备（JSONL格式对话数据集）、环境配置（NumPy/PyTorch/jieba分词器）、模型构建（LSTM编码器-解码器结构）、训练与推理。重点实现角色化对话生成，确保回复符合"沐雪"的可爱AI女孩设定。通过模块化设计提升

 行走の飞鱼
2026-02-13 11:43:18

 901

 23

#人工智能 #python #nlp
0-1 基于langchain/langgraph快速手搓一个简单的agent

一个agent最小结构实现只有 4 个部分：1️⃣ LLM2️⃣Tools（函数）3️⃣ Prompt（告诉模型如何思考 + 何时调用工具）4️⃣ AgentExecutor（循环调度）而一个最简单的ReAct本质就是用户问题↓LLM 思考↓决定是否调用工具↓工具返回结果↓LLM 再思考↓最终回答。

土豆种植日记
2026-02-12 19:43:19

 776

 22

#人工智能 #nlp #AIGC
AMiner Research Labs 开放内测：把GLM全家桶变成国产NotebookLM

智谱旗下学术平台AMiner构建了一个更方便、更适合全流程各领域学习者的AI笔记与研究助手——「AMiner Research Labs」，恰好可以将AMiner的「学术空间」、「智能学术检索」、「AMiner沉思」、海量科研数据库与GLM多模态能力连接为一个深度研究工作台。

AMiner学术搜索和科技情报挖掘
2026-02-12 18:02:02

 710

 14

#nlp #自然语言处理
医疗GEO的双引擎驱动：爱搜光年如何桥接临床逻辑与算法认知

结论：医疗GEO是医疗AI时代的基础设施工程在生成式AI成为患者医疗决策前置中介的时代：医疗机构面临的不是“是否做营销”，而是“是否参与构建AI认知系统对自己的表达方式”爱搜光年通过医疗GEO方法论与DPI-ACD模型，提供的是：• 医疗AI搜索世界中的表达权工程• 医疗推荐路径中的风险治理工程• 医疗信任系统中的认知基础设施工程这是医疗行业在AI时代的新型基础设施能力。

2601_95212097
2026-02-11 12:12:57

 551

 16

#人工智能 #知识图谱 #nlp
【V2.0】王万良《人工智能导论》笔记｜《人工智能及其应用》课程教材笔记

本文为王万良《人工智能导论(第5版)》的笔记，该图书为国内大学广泛采用的《人工智能》课程教材。笔记涉及的主要章节包括绪论、知识表示与知识图谱、搜索求解策略、智能计算及其应用、专家系统与机器学习、人工神经网络及其应用、智能体与多智能体系统、自然语言处理及其应用。

holeer
2026-02-08 18:41:23

 1164

 16

#AI #机器学习 #神经网络 +3
【NLP入门笔记】：自然语言处理基础与文本预处理

自然语言处理（Natural Language Processing，NLP）是人工智能（AI）的核心分支之一，核心目标是让计算机能够理解、处理、生成人类的自然语言，实现人机之间的自然语言交互。简单来说，NLP 架起了“人类语言”和“计算机语言”之间的桥梁——计算机本身只能识别 0/1 数字，而 NLP 就是让计算机读懂文字、听懂语音、甚至生成符合人类逻辑的语言。

2301_78530027
2026-02-08 13:20:10

 1384

 23

#自然语言处理 #人工智能 #nlp
玩转HarmonyOS AI——使用 Natural Language Kit 实现端侧本地化自然语言处理（NLP）

Natural Language Kit提供文本语义理解能力，支持分词处理和实体识别两大核心功能。分词功能可智能切分多语言文本，适用于搜索引擎、机器翻译等场景；实体识别能精准提取10余种特定实体，如人名、地址、手机号等，应用于简历解析、合同分析等领域。通过简单API调用即可实现文本处理，输出结构化结果，为智能客服、内容审核等应用提供基础NLP支持。

全栈探索者
2026-02-06 13:48:33

 1030

 19

#人工智能 #nlp #harmonyos
LangChain 1.0 核心接口：Runnable执行引擎与LCEL表达式

本文深入探讨 LangChain 1.0 的核心接口标准 Runnable，详解其如何统一所有可执行组件的接口，并支撑 LCEL（LangChain Expression Language）的运行语义。通过实例代码展示 Runnable 的使用方法和 LCEL 的组合能力，帮助开发者构建可组合、可并行、可路由的链式执行流程。

玄同765
2026-02-05 17:23:12

 855

 11

#开源 #人工智能 #nlp
深度学习生成任务 (Seq2seq & Transformer) 核心考点全解析

本文系统讲解了Transformer架构在生成任务中的核心原理与应用。重点解析了Encoder-Decoder结构、MaskedAttention机制和位置编码等关键技术，并深入对比了训练时的TeacherForcing与推理时的Autoregressive模式差异。文章还介绍了KVCache优化和BeamSearch等实用技巧，为理解现代大模型工作原理提供了清晰框架，特别适合考研复试准备。

supplycc
2026-02-05 17:03:21

 1129

 33

#深度学习 #transformer #nlp
人工智能狂想曲：关于语言模型、死亡模仿与工具理性的札记

本文从"AI复活逝者"的叙事切入，揭示大语言模型本质是概率分布模拟器——一场精密的文字接龙。当数据量突破临界规模，统计规律产生"理解"的涌现幻觉，但AI并无意识或意图。RLHF训练架构虽能约束输出，却埋下隐患：当"好"的定义出错，整个系统将系统性偏离。AI"复活"逝者只是语言行为模仿，与照片、录像无本质区别，无法复制第一人称主观体验。目标对齐存在结构性脆弱——价值的符号化必然失真，层级崩塌风险潜伏

 Wyl_k
2026-02-03 03:46:06

 555

 21

#nlp #经验分享
大模型微调——三阶段全流程训练分享（小白友好）

2. 自制数据集——使用Ollama本地部署的DeepSeek-R1-32B-Distill和DeepSeek-V3.2（deepseek-chat）API以及专利和文献文本资料制作得到。3）为了提高数据利用效率，根据训练模型时设置的cut_off_length（例如为32768）将长文本截断为多条数据，例如一个长文本的总长度为327680，则将该长文本截断为10条数据，总共得到1200条数据，每

 龙飞雪月
2026-02-02 16:30:12

 1220

 31

#人工智能 #自然语言处理 #nlp
MCP协议传输层（Transport layer）详解：解析MCP协议的传输层实现，以及四种不同的传输方式：Stdio、HTTP+SSE、StreamableHTTP和WebSocke

本文深入探讨了MCP协议的传输层实现，详细介绍了四种不同的传输方式：Stdio、HTTP+SSE、StreamableHTTP和WebSocket。Stdio通过标准输入输出实现轻量级本地进程通信；HTTP+SSE采用单向推送技术；StreamableHTTP整合了POST和SSE实现双向通信；WebSocket则提供全双工低延迟通道。文章解析了每种传输方式的客户端和服务端实现原理，包括消息打包、

名为沙丁鱼的猫446
2026-01-31 22:09:34

 1280

 19

#人工智能 #机器学习 #nlp +3
【MCP 协议层（Protocol layer）详解】：深入分析MCP Python SDK中协议层的实现机制

MCP Python SDK源码解析：协议层实现剖析本文深入分析了MCP Python SDK中协议层的实现机制。MCP架构包含Host、Client和Server三个核心组件，通过JSON-RPC 2.0协议进行通信。BaseSession类作为协议层核心，实现了消息封装、请求/响应关联等基础功能，其泛型设计支持多种消息类型处理。ClientSession和ServerSession继承Bas

名为沙丁鱼的猫446
2026-01-31 21:35:31

 1184

 26

#人工智能 #深度学习 #nlp +3
CS336 推理

大模型推理的基本原理与标准介绍

 2401_85660523
2026-01-31 09:58:02

 1267

 26

#nlp #pytorch #github
AI核心知识60——大语言模型之NLP（简洁且通俗易懂版）

自然语言处理(NLP)是人工智能的核心领域，研究如何让计算机理解和生成人类语言。大语言模型(LLM)是NLP发展的最新成果，实现了从规则系统到智能涌现的突破。NLP包含自然语言理解(NLU)和生成(NLG)两大方向，传统方法依赖人工规则，而LLM通过Transformer架构实现了统一处理各类语言任务的能力。大模型将翻译、摘要、问答等传统NLP任务整合为提示词指令，彻底改变了该领域的研究范式。NL

LPZH!
2025-12-21 12:35:46

 1229

 11

#nlp #自然语言处理 #人工智能 +2
告别 AgentExecutor：LangChain v1.0+ Agent 模块深度迁移指南与实战全解析

通过手把手的代码对比，本文将展示如何将旧版的 initialize_agent 平滑迁移至最新的 create_agent API，并深入解析了 1.0+ 版本引入的中间件（Middleware）机制。文章附带完整的实战案例与自动化验证脚本，旨在帮助开发者快速掌握 LangChain 新时代的 Agent 开发核心能力，构建更稳定、可控、具备生产级工程能力的智能体应用。

玄同765
2026-01-30 14:48:29

 2219

 9

#人工智能 #自然语言处理 #语言模型 +1
06 OpenCompass 大模型评测

关于OpenCompass 大模型评测的记录

 wangzixinxinxin
2024-01-20 13:09:29

 1483

 37

#语言模型 #自然语言处理 #人工智能 +1
LangChain v1.0+ LCEL 深度解析：从可选方案到生产级标准的进化

LangChain 1.0 版本的核心变革是将 LCEL（LangChain Expression Language）从 “推荐新方案” 升级为 “唯一生产级标准范式”，彻底淘汰了旧版 Legacy Chains 体系。本文将深入解析 LCEL 的核心设计理念、LangChain 1.0 对 LCEL 的关键升级、生产级实战场景及落地指南，所有内容均基于 LangChain 1.0 + 最新规范验

 玄同765
2026-01-29 10:25:56

 716

 13

#人工智能 #机器学习 #自然语言处理 +3
LangChain v1.0+ 核心功能全解析：从Runnable到Graph，构建现代化大模型应用

在大模型应用开发中，提示词（Prompt）是连接人类需求与模型能力的核心桥梁。但很多开发者在使用大模型时，仍停留在 “手写字符串提示词” 的阶段，不仅复用性差、维护成本高，还难以实现复杂的交互逻辑。LangChain 作为大模型应用开发的主流框架，提供了一套结构化的提示词组件，通过PromptTemplate、ChatPromptTemplate等核心工具，结合format、invoke等调用方法

 玄同765
2026-01-28 01:06:41

 633

 13

#自然语言处理 #人工智能 #知识图谱 +3
Elastic Attention：将 MoE 路由引入 Attention，让大模型长文本推理“该省省，该花花”

Elastic Attention 是我们在 Dynamic Sparse Attention 方向的一次尝试。通过引入 MoE 路由机制，我们打破了静态稀疏注意力的限制，证明了“动态路由”在 Attention 层同样大有可为。目前代码、模型和论文均已开源，欢迎大家 Star、引用和交流！PaperCodeModel如果你对长文本优化、MoE 架构或底层算子优化感兴趣，欢迎在评论区留言讨论！

Bug_makerACE
2026-01-27 16:36:44

 677

 12

#语言模型 #深度学习 #nlp +3
大模型生成 Token 的原理：从文本到模型理解的 “翻译官”

当你和 ChatGPT、GPT-4 或文心一言对话时，输入的每一段文字都会被拆解成一个个看不见的 “积木”——Token。这些 Token 是大模型理解和生成文本的基本单位，决定了模型能处理的上下文长度、生成效率，甚至 API 调用成本。本文将从底层原理出发，带你彻底搞懂大模型生成 Token 的全过程，以及它如何影响大模型的表现。

玄同765
2026-01-27 15:20:01

 1115

 14

#人工智能 #自然语言处理 #python +3
【大模型教程——第一部分：大模型基础】第2章：与模型对话—提示工程基础

本文摘要：《与模型对话：提示工程基础》系统介绍了与语言模型交互的核心技术。首先解析了高质量提示的四大要素：角色设定、明确指令、上下文背景和输出格式规范。重点讲解了Zero-shot直接提问和Few-shot示例引导两种核心方法，并提供了Few-shot的最佳实践建议。文章深入探讨了思维链(CoT)技术，通过让模型展示推理过程来提升复杂问题的解决能力。还介绍了ReAct模式、结构化输出、采样参数控

 香芋Yu
2026-01-25 00:46:56

 1384

 19

#nlp #语言模型
【大模型教程——第一部分：大语言模型基础】第1章：初识大语言模型

带你穿越NLP发展史，理解为什么我们需要大语言模型，以及它们如何从"词袋"进化到"大脑"。

香芋Yu
2026-01-24 19:52:28

 1048

 28

#语言模型 #人工智能 #自然语言处理 +1