从零理解 LLM 与 Agent

简介：本文介绍Agent到底是什么 ，如何进行优化，以及如何使用Agen框架。 大型语言模型（LLM）的出现带火了Agent。利用LLM理解人类意图、生成复杂计划并且能够自主行动的能力。Agent具有无与伦比的能力，能够做出类似于人类复杂性的决策和完成一些复杂的工作。目前市面上已经出现非常多得Age

大语言模型（LLMs）在自然语言处理（NLP）领域取得了显著的进步，为广泛的应用提供了一种非常有用的、与任务无关的基础。然而，直接应用 LLMs 去解决特定领域的复杂问题会遇到许多障碍，这些障碍源于领域数据的异质性、领域知识的复杂性、领域目标的独特性以及约束的多样性（例如不同的社会规范、伦理标准、宗

Paper List 23复旦综述文章：https://arxiv.org/pdf/2312.10997v1.pdf paper仓库 https://github.com/Tongji-KGLLM/RAG-Survey 24北大综述文章：https://arxiv.org/pdf/2402.1947

过往历史 ​​ 大体框架 手戳GPT2-small 一些概念 pytorch 注意力机制(Transformer) LLM 过程 模型参数 GPT_CONFIG_124M = { "vocab_size": 50257, # 词表大小 "ctx_len": 1024, # 上下文长度 "

小七的各种胡思乱想 上一章我们主要讲搜索引擎和LLM的应用设计，这一章我们来唠唠大模型和DB数据库之间的交互方案。有很多数据平台已经接入，可以先去玩玩再来看下面的实现方案，推荐 sql translate：简单，文本到SQL，SQL到文本双向翻译，新手体验 ai2sql：功能更全，包括语法检查，格式

随着深度学习技术的不断发展，语言模型（Language Model，LM）在自然语言处理领域的应用越来越广泛。其中，基于Transformer架构的预训练语言模型（Pretrained Language Model，PLM）更是成为了研究的热点。在众多PLM中，基于大规模语料库的预训练语言模型（La

Tool Learning with Foundation Models 阅读详解 原文链接 ：原文链接 摘要 本文对工具学习进行了系统的研究和全面的综述。 首先介绍了工具学习的背景，包括它的认知起源，基础模型的范式转换，以及工具和模型的互补作用。 总结已有的工具学习研究，提出了一个通用的工具学习框

论文标题：LLaVA-Interactive: An All-in-One Demo for Image Chat, Segmentation, Generation and Editing 论文作者：Wei-Ge Chen, Irina Spiridonova, Jianwei Yang, Jia

aiboco团队荣获本届挑战赛季军。该团队来自亿阳信通。 方案介绍 本届挑战赛采用开放式赛题，基于建行云龙舟运维平台的稳定性工具和多维监控系统，模拟大型的生活服务APP的生产环境，提供端到端的全链路的日志、指标和调用链数据。参赛队伍在组织者分配的云环境中，运用了大模型技术，对调用链数据、KPI指标和

本节书摘来自华章计算机《人工智能：计算Agent基础》一书中的第1章，第1.4节,作者：（加）David L.Poole,Alan K.Mackworth 更多章节内容可以访问云栖社区“华章计算机”公众号查看。 1.4　知识表示 一般情况下，要解决的问题或要完成的任务，包括解的构成，是通过非形式化的