自然语言处理

本地跑大模型实战（七）：llama.cpp 性能调优，让推理更快更省本文是《本地大模型搭应用实战》系列第 7 篇。前面六篇解决了"能不能用"——部署、量化、API、tool call、RAG、agent。本篇解决"用得爽不爽"。同一台机器同一个模型，配置不同，token/s 能差好几倍。

实战复盘：用 Claude Code 从零搭一个 GitHub PR 统计工具本文是《Claude Code 实战》系列第 7 篇。前六篇分别讲了工作流、Plan、MCP、子 Agent、记忆管理——这篇把它们串起来，做一次完整的从零到一。

协调 codegraph 与 codebase-memory-mcp 两个 MCP 服务器在同一项目中的协作好的，我将这份插件说明文档整理为结构清晰、层次分明的 Markdown 格式，方便阅读和展示。本插件通过固定路由决策树与协同增强流程，协调 codegraph 与 codebase-memory-mcp 两个 MCP 服务器在同一项目中的协作，实现 1+1 > 2 的代码理解效果。

自然语言处理 NLP 入门与语言学基础自然语言处理，英文为 Natural Language Processing，简称 NLP，是计算机科学、人工智能和语言学的交叉领域。

Instruction Tuning 论文精读路线：从 Supervised Fine-Tuning 到 Instruction Following系列：AI 论文盘点 / 技术趋势：AI 论文精读与复现训练营日期：2026-08-03 适合读者：研究生、准备做大模型后训练方向的科研新人、有工程背景但想系统理解 SFT 与指令遵循的读者建议前置：理解语言模型预训练、交叉熵损失、prompt、few-shot/zero-shot、Transformer 基本结构和常见 LLM benchmark

知识问答领域大语言模型设计：对标豆包与DeepSeek的工程实践2022年11月ChatGPT发布，开启了“大模型+”时代。据ARK Invest预测，到2030年左右，生成式AI的市场总值将达到1.3万亿美元，是2022年的32倍以上。在众多大模型应用方向中，知识问答场景被业界公认为最有可能找到PMF（Product-Market Fit）落地的方向之一。从汽车保养咨询、工业安全管理到企业内部知识库，知识问答正成为大模型技术转化为生产力的核心载体。

云和数据.ChenGuang

深度学习完整技术路线图整体分为5大阶段，循序渐进，标注核心重点、避坑点、学习目标达标标准：能够独立搭建传统机器学习模型，看懂梯度推导

佛祖让我来巡山

共鸣的灵魂：一个故事讲透AI是如何“理解”人类的想象一下，你正在和一个名叫“小悟”的AI聊天。你问它：“今天心情不好，有什么电影推荐吗？”它回答：“我理解你的感受。根据你的喜好，也许《楚门的世界》能给你一些不一样的视角。要听听剧情简介吗？”

【自然语言处理】词向量转换与中文文本情感分类——从CountVectorizer到朴素贝叶斯jieba库、朴素贝叶斯算法和TF-IDF值是自然语言处理（NLP）中常用的工具和技术，各自在文本处理的不同阶段发挥作用。在自然语言处理的世界里，如何让计算机"读懂"人类语言一直是核心难题，而词向量转换正是破解这一难题的关键钥匙。本次机器学习专题，我们就来深入探讨这一基础又核心的技术。词向量转换的本质，是将文本中离散的词语转化为连续的数值向量。这一步看似简单，却实现了从"机器无法理解的文字"到"可计算的数字"的跨越，为后续的文本分类、情感分析、机器翻译等任务铺平了道路。

多智能体对话中自然语言的涌现条件 —— EMNLP 2017最佳短论文解读阅读笔记在多智能体对话系统中，机器人之间产生的"语言"往往并不自然，与人类交流方式相去甚远。EMNLP 2017年最佳短论文《Natural Language Does Not Merge ‘Naturally’ in Multi-Agent Dialog》首次从对话自然程度的角度，而非单纯的预测准确率，分析了这一问题。

高质量数据集的类型人工智能的快速发展对数据治理提出了新的要求。传统数据治理的目标是将数据资源加工成人能看懂的数据产品，典型形态就是领导驾驶舱和应急指挥调度大屏；数智时代数据治理的目标是将数据资源加工成机器或智能体能识别、学习、处理的数据产品，典型的形态就是应用于大模型预训练的高质量数据和大模型微调、对齐、评测、推理的高质量数据集。

蓦然回首却已人去楼空

Build a Large Language Model (From Scratch) 附录 E 使用 LoRA 进行参数高效微调LoRA（低秩自适应，Low-Rank Adaptation）是应用最广泛的参数高效微调技术之一。以下讨论基于第 6 章中提供的垃圾消息分类微调示例。然而，LoRA 微调同样适用于第 7 章中讨论的监督指令微调。

大语言模型参数Temperature 与 Top_pTemperature 与 top_p 配合核心原则：‌同向调节保风格（低 - 低求稳、高 - 高求创），避免极端互斥组合；先定 Temperature 控“胆量”，再调 top_p 控“视野”‌ 。‌‌

如何设计一个小而可靠的 Follow-up Idea：从论文局限到可执行选题系列：AI 论文精读与复现训练营日期：2026-07-31 适合读者：研究生、科研新人、有工程背景的 AI 读者关键词：follow-up idea、research proposal、论文局限、可证伪假设、最小实验

Bianfchheng (Liuu) 《边城（六）》字母标调拼音拼写实测案例此文基于这项规则汉语拼音字母标调规则Bianfchheng (Liuu) Shenv ConwenBairi li, lao chuandfup zhengzai duzchuand shang, tong g maii pizhq d gosduz ren youso zhengbchi. Yi g buneng jeshouu so gi d qien, yi g que fei ba qien songi laoren buke. Zheng sis-hum ynwei nage gosduz re

不爱记笔记

多模态AI如何理解视频内容？从视觉、语音到语义的三层技术拆解过去两年，音视频内容的生产速度远超文本。一个B站UP主每月产出几十个小时的视频，一门培训课程动辄上百节录播。面对海量视频，靠人力逐帧观看、手动做笔记已经不现实。多模态AI的出现，让机器理解视频内容从概念变成了可落地的技术方案。

Bianfchheng (Wu)《边城（五）》字母标调拼音拼写实测案例此文基于这项规则：汉语拼音字母标调规则Bianfchheng (Wu) Shenv ConwenLiang nian rizi gosqu l.

共生与进化：大语言模型与智能体的双向塑造大语言模型（LLM）与智能体（Agent）的关系，正在经历从“工具与应用”到“共生与进化”的深刻转变。本文系统分析了LLM如何为智能体提供认知根基，以及智能体如何通过行动数据反哺LLM的持续进化，揭示了两者之间正在形成的“数据飞轮”效应。研究表明，LLM与智能体的协同演进，正在成为人工智能走向自主智能新纪元的核心驱动力。

江畔柳前堤

重新理解“方差“：从统计学到LLM的七个维度如果你问一个机器学习工程师"什么是方差"，他大概率会给你一个教科书式的回答：衡量数据离散程度的统计量。

深度学习进阶（二十五）RoPE：现代 NLP 的位置编码范式