大模型

OpenAI 与 Anthropic 接口协议差异简述全文链接：OpenAI与Anthropic接口协议差异简述多数模型聚合网关会同时提供 OpenAI 兼容（如 …/v1）与 Anthropic 兼容（如 …/anthropic）两类入口。两套协议在路径、请求体、鉴权与流式响应上并不相同；分开展示是为了对齐各自官方 SDK 与既有工具链，降低迁移成本，而非单纯的技术能力不足。

伊玛目的门徒

用 npm 安装 Claude Code CLI 并对接 DeepSeek API 经验分享本文只写可直接复制的最简步骤，不废话，快速上手。Claude Code CLI 依赖 Node.js 运行时，直接从官网下载安装即可：

ubuntu下部署大模型显存被其它程序占用问题解决用nvidia-smi查看显卡占用，发现xorg和gnome-remote-desktop总是占用几百兆的显存

贫民窟的勇敢爷们

大模型发展现状解析——竞争格局与技术演进近年来，大模型技术进入爆发式发展阶段，全球范围内涌现出大量不同规模、不同类型的大模型，市场竞争日趋激烈，技术演进速度不断加快。从全球格局来看，中美两国成为大模型竞争的核心阵地，同时行业整合趋势明显，大模型正从“数量竞争”转向“质量竞争”与“生态竞争”，其发展现状呈现出多元化、差异化的特点。

贫民窟的勇敢爷们

大模型行业应用落地——从辅助工具到产业革新随着大模型技术的不断成熟，其应用场景已从最初的文本生成、智能问答，延伸到金融、医疗、制造、教育等多个行业，从“辅助工具”逐步升级为“产业革新的核心驱动力”。大模型凭借其泛化能力、高效迁移学习能力和涌现能力，能够快速适配不同行业的需求，解决行业痛点，提升生产效率，推动产业数字化转型。

大模型初步介绍：从基本概念到全球排行榜📅 数据更新日期：2026年5月8日 📊 数据来源：Arena AI Leaderboard大模型（Large Language Model, LLM）是指基于海量数据训练、拥有数十亿甚至数万亿参数的深度学习模型。它们通过学习互联网上的文本、图像、视频等多模态数据，掌握了理解和生成人类语言、代码、图像乃至视频的能力。

贫民窟的勇敢爷们

解构大模型核心技术——从Transformer到多模态融合自2017年Transformer架构诞生以来，人工智能领域迎来了革命性突破，大模型正是基于这一架构逐步迭代，从单一语言处理演进为多模态协同的智能系统。如今，大模型已渗透到各行各业，但多数人对其核心技术的认知仍停留在“参数庞大”的表面，其背后的架构设计、训练范式与技术创新，才是支撑其强大能力的关键。

python零基础入门小白

驾驭智能体风暴：企业技术管理范式重构与落地实战指南AI Agent正在把企业技术管理的对象，从确定性的代码、接口和流程，推向具备感知、推理、记忆与行动能力的“数字劳动力”。这意味着管理者不能再只关注模型能力或提示词技巧，而要把上下文、权限、工具、审计、成本、组织角色与业务结果放入同一套工程体系中。本文围绕Agent架构、生产化难点、驾驭工程、安全治理、AgentOps与组织变革，整理一套面向企业落地的技术管理框架。

二进制_博客

pinecone向量数据库急速入门pinecone - 松果英式发音为/ˈpaɪnˌkəʊn/，美式发音为/ˈpɑɪnˌkoʊn/AI 向量数据库服务

雪碧聊技术

大模型爆火！Java后端如何抓住Agent全栈开发的风口2026年的今天，AI Agent（人工智能体）已经不再是概念，而是企业级应用落地的核心。从智能客服到自动化办公，从代码助手到数据分析专家，Agent正在重塑软件开发的形态。

5.LangChain零基础速通-LCEL链式调用定义：LangChain中的抽象基类（Abstract Base Class：ABC），Runnable是LangChain核心抽象接口统一组件调用方式，定义在langchain_core.runnables，支持LCEL组合，适配同步、异步、流式、批量等场景，是构建工作流的基础。

嵌入式小企鹅

大模型算法工程师面试宝典目录🎁 宝典核心特色：三段式拆解，帮你“答到面试官心坎里”📖 宝典内容总览🔍 内容抢先看📥 如何获取这份《面试宝典》完整PDF？

深度解构 Hermes Agent：从“中央调度”到“自我进化”的架构哲学在 AI Agent 赛道日益拥挤的今天，Hermes Agent 凭借其与 Nous Research 的深度绑定以及独特的“自我进化”能力，迅速成为开发者关注的焦点。与 OpenClaw 等强调“即插即用”的个人助手框架不同，Hermes 更像是一个为工程化落地和模型深度定制而生的企业级架构方案。

RAG-day2文档接入→ 文本分块→ 嵌入模型向量化→ 向量入库（存向量数据库）→ 用户提问向量化→ 向量库语义检索→ 拼接检索片段 + 用户提示词→ 大模型增强生成答案

基于 Qwen2.5-1.5B-Instruct 实现多轮对话与文本分类实践在大语言模型应用落地的过程中，多轮对话交互和文本智能分类是非常常见的场景。本文将以阿里云通义千问的 Qwen2.5-1.5B-Instruct 模型为例，详细讲解如何基于 Hugging Face 的 Transformers 库实现多轮对话交互、特定场景下的文本分类，以及连续对话交互功能，帮助开发者快速上手轻量级大模型的本地化部署与应用。

本地部署大模型实现相关案例这里通过 git 方式安装模型到本地。模型为：Qwen2.5-1.5B-Instruct链接为：QWen2.5-0.5B-Instruct · 模型库

鸿蒙原生APP开发实战指南：三套低成本AI辅助方案全解析本文分享三套经过实战验证的鸿蒙APP开发方案，从原型设计到代码实现，帮你找到最适合的低成本开发路径。给大家推出三套我常用的方案，也是经过不断的摸索，最终总结出来的我认为价格最低的方案了。每套方案都经过实际项目验证，最终产出了两款鸿蒙原生APP。

荔枝学Python

Agent设计最强书籍：它真的把Agent讲解的非常透彻！！由Antonio Gulli撰写，本书是一本全面的技术指南，系统介绍了现代人工智能系统中智能体（Agent）设计的核心概念与实用方法。

哥本哈士奇(aspnetx)

提升 Text2SQL 准确率随着大语言模型的爆发，Text2SQL（自然语言转SQL）技术正在重塑我们与数据库的交互方式。本文将系统性地梳理提升 Text2SQL 准确率的核心方法，涵盖提示工程、模型微调、推理增强三大维度。所有示例基于微软 AdventureWorksDW2016 数据仓库。

基于 LangChain4j 的 RAG 工作流智能体实战在 AI 应用开发中，RAG（检索增强生成）已经成为构建智能问答系统的核心技术方案。然而，简单的 RAG 往往难以应对复杂的业务场景。本文将分享一个基于 LangChain4j 实现的 RAG 工作流智能体项目，支持顺序、条件、路由、循环、并行五种执行模式。