大模型

程序员三明治

【AI】Prompt 工程入门：从五要素框架到 RAG 生产级 Prompt 模板与 Java 实战在调用方式上，非流式调用会一次性返回完整结果；流式调用则可以实现类似“打字机效果”的逐字输出。但真正把大模型接入业务系统之后，你很快会发现：会调用 API 只是第一步，如何让模型稳定、准确、可控地回答问题，才是工程落地的关键。

【大模型系列】DLLM与Block Diffusion的区别与联系在传统自回归语言模型（如 GPT 系列）中，文本生成采用自回归 AR 模式：模型逐 token 预测下一个词元，将预测结果拼接入上下文后再继续预测，逐词生成完整句子。这种方式生成精度高，但无法并行生成多token，推理生成速度存在天然瓶颈。

文心一言和DeepSeek V4哪个更好？做长文本 / 代码 / 深度推理选 DeepSeek V4；做中文合规 / 多模态 / 搜索联动选文心一言 5.0。下面从核心差异、能力对比、场景选型三方面说清楚。

大模型学习day6单轮对话一问一答，不记历史。每次请求都是独立的，大模型不知道上一句聊了啥。适合：简单一次性提问、查单个知识点。

第七篇：大模型API调用——从Token到流式输出在前面六篇文章中，我们从Embedding一路拆解到RAG和会话管理。但这些技术最终都要落到一个具体的操作上——调用大模型API。

weixin_55365448

有没有一种可能，现在的大语言模型已经发展得接近极限了？说实话，最近这段时间，在各大技术沙龙和同行聚会中，我最常听到的一个问题就是：“大语言模型是不是已经快发展到天花板了？”从早期的惊艳四座，到如今在各种评测集上刷榜，再到企业落地时面临的种种瓶颈，这种焦虑和迷茫在技术圈里蔓延。

05. 从入门到实践： LlamaIndex与 RAG 应用构建摘要：本文聚焦LlamaIndex，作为LLM应用的核心数据框架，它搭建起通用大模型与私有数据的桥梁。文章系统拆解其四大核心流程：Loading完成文档加载与节点分割，Indexing构建向量索引实现语义检索，Storing借助StorageContext实现数据持久化，Querying提供自然语言查询接口。同时深入解析Workflows模块，涵盖事件驱动的控制流、状态管理与可视化调试能力。全文帮助开发者掌握从数据接入到复杂AI代理编排的完整路径，助力构建高效RAG应用。

大模型推理网关——从负载均衡到故障注入的完整设计在上一篇文章中，我们实现了AI课程问答助手，它能让用户通过SSE流式调用大模型。但这个方案有一个隐含的问题：API密钥直接暴露在后端代码中，单点调用，没有容灾。

哥本哈士奇(aspnetx)

SQLServer RAG笔记5：为SQLServer 2025配置Ollama在第三篇笔记中，我们结合Python代码，通过Ollama的嵌入模型，实现了为SQLServer 2025向量数据库生成向量值。从SQLServer 2025开始，是支持直接把大模型作为EXTERNAL MODEL的。此篇将介绍如何配置Ollama里的嵌入模型作为SQLServer 2025的EXTERNAL MODEL。

AI绘画哇哒哒

RAG 系统中文档切分策略：如何选择合适的 chunk size？| 收藏这份实用指南，小白也能轻松上手大模型学习今天来聊一个RAG 项目里看起来很基础，但真正做起来特别容易翻车的问题：「RAG 系统中文档切分的策略有哪些？如何选择合适的 chunk size？」

深度评测 GLM-5：AtomGit 首发模型的代码生成实战体验首发模型体验链接：https://atomgit.com/GitCode/0daymodel GLM-5模型在线体验连接：https://ai.atomgit.com/zai-org/GLM-5/model-inference?utm_source=tiezi 评测模型：zai-org/GLM-5 评测时间：2026年2月24日

python零基础入门小白

从0到1：手把手教你用Coze打造AI Agent，小白也能转行AI！字节开发的AI Agent工具，简单说：✅ 免费商用：Apache 2.0协议，练手、做项目、甚至商用都合法，不用怕版权问题； ✅ 门槛极低：双核CPU+4G内存就能跑（普通笔记本足够），不用买高端设备； ✅ 实战加分：用它做1个“AI客服Agent”项目，写进简历比“熟悉Python”更有说服力（企业招AI工程师超看重实战）。

python零基础入门小白

Transformer、Token、RAG全解析，一篇读懂大模型核心机制！本文以通俗易懂的方式，梳理了AI领域的关键术语，包括LLM、Transformer、Token、Embedding等，并深入探讨了它们的内在联系和应用场景。文章从模型构建、训练过程、应用方法等多个角度，全面解析了大模型的核心机制，帮助读者建立起对AI技术的整体认知框架。同时，文章还介绍了RAG、Agent等前沿技术，以及推理、部署和多模态等工程化问题，为读者提供了实用的技术指导。

AI辅助编程的边界——Cursor实战与工程判断力在蚂蚁集团AI Coding笔试中，我用Cursor在1小时内完成了一个大模型推理网关的完整实现。坦白说，如果没有AI辅助，这个速度我做不到。但面试官可能会追问一句：“既然AI这么厉害，那程序员的价值在哪？”

LangChain不是“套壳”——它解决了什么实际问题在前面七篇文章中，我们拆解了Embedding、Transformer、幻觉、Prompt Engineering、RAG、会话管理和API调用。这些知识已经足够你从零开始搭建一个大模型应用。但你一定会遇到一个问题：

【大模型提示词工程深度解析：从原理到工业级实践、实践案例】文章标签： #ai #提示词工程 #llm原理 #prompt-engineering #rag #agent

【多模态RAG】Purifying Multimodal Retrieval【多模态RAG进展】打的点一个去噪工作。是现有 MRAG 框架均采用文档级检索与重排，默认文档内所有内容同等有效，但是检索文档含大量无关、冗余、矛盾噪声，引发 MLLM 幻觉，图像仅小区域感兴趣（ROI）有用，文本仅少量句子相关。所以，搞了个Retrieve–Rerank–Select–Generate四阶段 pipeline，新增片段级筛选模块净化证据，目标是在量化证据的边际效用，从而能够过滤掉通常会损害下游推理的无关、冗余或矛盾噪声，工作在《Purifying Multimodal Retrieval

Transformer 和 LLM 到底是什么关系？现在大家聊大模型，总容易把两个词弄混：Transformer 和 LLM。有人觉得，Transformer 不就是大模型嘛。

Resistance丶未来

Hy3 Preview 免费模型快速上手指南在本地部署大语言模型时，很多开发者最头疼的往往不是模型本身的原理，而是如何让它真正跑起来。面对动辄几十 GB 的模型文件和复杂的依赖环境，初学者很容易在第一步就卡住。Hy3 Preview 作为一款免费的预览版模型，虽然在资源占用上做了不少优化，但要让它在你的机器上稳定运行并产出高质量内容，依然需要一套清晰的实操流程。