大模型

雪碧聊技术

14.Tools工具的介绍和使用目录一.期望实现的效果二.准备工作1.创建预约表2.定义实体类3.编写Mapper、Service、Controller这三层代码

0.LangChain--大模型篇导言：本系列开始记录自己学习LangChain与LangGraph AI应用开发框架的知识点。本文是开始学习LangChain所要了解到的前置知识--大模型的有关内容。

硅基捕手维克托

在策略上下文蒸馏：OPCD 把上下文知识直接焊进参数里 | 微软研究院论文链接：https://arxiv.org/abs/2602.12275 发布时间：2026.02.12 机构：微软研究院

Gemini 3.1 Pro 正式发布：一次低调更新，还是谷歌的关键反击？今天凌晨，谷歌发布了新一代模型——Gemini 3.1 Pro没有大型发布会，没有提前预热，甚至连宣传节奏都显得克制。

如何为 Claude Code 配置代理与网络环境如果你在安装或首次运行 Claude Code 时遇到：那么大概率不是软件问题，而是网络环境没有配置正确。

IcePop技术这里的 IcePop 指的是一种基于重要性采样的技术，用于解决强化学习（RL）训练中的分布不匹配问题。虽然“IcePop”这个名字在深度学习主流教材中不如“LayerNorm”那样耳熟能详，但在大模型 RLHF（基于人类反馈的强化学习）的语境下，它通常指的是重要性权重裁剪的一种变体或特定实现策略。以下是关于 IcePop 技术的详细解释：

【LLM】ROLL团队的Agentic RL训练坑点首先在 ROLL 中构建了一套环境管理器，并清晰地划分了三个核心组件之间的交互边界：ROLL（训练框架）、iFlow CLI（Agent 框架）和 ROCK（沙箱管理器）。

基于LLM的大模型的RAG（检索增强生成）实现对比在 RAG（检索增强生成）知识库构建领域，LlamaIndex 被许多开发者和企业认为是“更适合”或“更专注”的选择之一，尤其在与 LangChain 等通用框架对比时。下面从多个维度解释为什么有人说 LlamaIndex 更适合做 RAG 知识库：

CoderJia程序员甲

GitHub 热榜项目 - 日榜(2026-02-18)生成于：2026-02-18共发现热门项目： 13 个榜单类型：日榜本期GitHub热榜显示AI应用开发持续火爆，重点聚焦于智能体框架与工具链的实用化突破。以Superpowers为代表的智能体技能框架和OpenClaw跨平台AI助手，凸显了可复现的智能体工程方法论正走向成熟。同时，向量数据库Zvec凭借轻量高性能特性解决AI应用数据检索痛点，而Heretic等项目则致力于突破大语言模型的内容安全限制。媒体管理工具Seerr和自动化交易系统Hummingbot体现了AI在垂直领域的深度渗透。开发者正通过C

CoderJia程序员甲

GitHub 热榜项目 - 日榜(2026-02-20)生成于：2026-02-20共发现热门项目： 8 个榜单类型：日榜本期GitHub趋势显示AI技术应用正全面渗透开发工作流，其中Agentic技能框架superpowers与跨平台AI助手openclaw引领自动化开发新风潮。开发者积极整合AI工具，如claude-code-telegram实现远程编程辅助，open-mercato打造AI增强型企业框架。同时，机器学习系统教程cs249r_book与模型去审查工具heretic备受关注，反映社区对AI系统底层原理与定制化需求的深耕。值得关注的是，free

LangChain & LangGraph 介绍近十年来，低代码/无代码平台与 AI 辅助编程工具持续渗透软件开发领域。如今，一种名为 Vibe Coding（氛围编程）的新型实践迅速崛起，深刻挑战了人们对"程序员职责边界"的既有认知。

CoderJia程序员甲

GitHub 热榜项目 - 日榜(2026-02-19)生成于：2026-02-19共发现热门项目： 11 个榜单类型：日榜本期GitHub热榜显示AI应用开发正从模型层面向工具链和工程化深度演进，技术热点集中在智能体（Agent）与增强检索生成（RAG）的实践。开源项目如超级技能框架Superpowers和多功能AI助手工具Composio提供了可复用的Agent构建范式，而RAG优化技术仓库则详细拆解了提升回答准确性的核心方法。同时，轻量级向量数据库zvec和终端AI助手qwen-code凸显了高效、低门槛的本地化部署趋势。这些项目以代码为核心，提供了从理

校准之弧与演进之轮：大模型时代的软件工程范式革命2026年的今天，软件系统的核心矛盾正在发生深刻转移。传统软件工程建立在一个基本假设之上：系统的行为是确定的，给定相同的输入，必然产生相同的输出。然而，大语言模型的引入彻底颠覆了这一假设——我们不再构建纯粹的逻辑系统，而是在与一个概率性的、涌现性的、黑箱化的智能体共舞。（扩展阅读：从CI/CD到CC/CD：AI应用不是“盖”出来的，是“种”出来的——解码大模型时代的软件工程范式革命）

新手小白也能学会的Dify本地部署教程(超详细)首先打开Docker官网，点击按钮，选择Windows版本的Docker安装包，点击下载。下载完成后，打开安装包，一路点击下一步即可，该过程中Docker会自动拉取所需的内容。完成后打开cmd（cmd打开方法请看图），输入docker，如果下方出现Docker的命令提示就代表安装成功了。

【VLM】Qwen3-VL模型架构和训练流程链接：https://arxiv.org/pdf/2511.21631模型家族包含密集型（2B/4B/8B/32B）与混合专家（Mixture-of-Experts, MoE）两种架构（30B-A3B/235B-A22B），以适应不同延迟-质量权衡需求。

大模型训练CP切分（与TP、SP结合）一. CP并行原理megatron中的context并行(简称CP)与sequence并行(简称SP)不同点在于，SP只针对Layernorm和Dropout输出的activation在sequence维度上进行切分，CP则是对所有的input输入和所有的输出activation在sequence维度上进行切分，可以看成是增强版的SP。之前我有篇文章重点讲了TP、SP、EP技术。本文我讲下长文本的CP技术，以及怎么和TP和SP结合的。

【胶囊网络】01-2 胶囊网络发展历史与研究现状胶囊网络的思想并非一蹴而就，而是源于 Hinton 教授对传统 CNN 缺陷的长期思考。Hinton 开始公开质疑 CNN 中池化操作的有效性：

华为云服务器本地部署大模型实战（Ollama + Tesla T4 踩坑记）在企业级应用场景中，出于数据安全考量，服务器往往无法连接外网。如何在“纯离线”的华为云 ECS 环境下部署大模型？本文记录了我在华为云 ECS（Tesla T4）上部署 Ollama 的全过程，希望能帮大家少走弯路。

【胶囊网络 - 简明教程】02-1 胶囊网络 - 整体架构设计基于本项目（Capsule_Network.ipynb）实现的架构，完整的胶囊网络由以下核心组件构成：

来两个炸鸡腿

【Datawhale组队学习202602】Easy-Vibe task03 动手做出原型