nlp

LangChain v1.0+ Prompt 模板完全指南：构建精准可控的大模型交互【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

名为沙丁鱼的猫729

【MCP 协议层（Protocol layer）详解】：深入分析MCP Python SDK中协议层的实现机制大家好，最近在看MCP Python SDK 的源代码文件https://github.com/modelcontextprotocol/python-sdk/blob/main/src/mcp

桂花很香,旭很美

基于 MCP 的 LLM Agent 实战：架构设计与工具编排本文介绍如何用 Model Context Protocol (MCP) 搭建可调用业务工具的 LLM Agent，涵盖整体架构、工具编排（next_status）、系统提示词与流式协议设计。文中的业务场景与示例代码均为通用化示例与 Mock，便于读者迁移到自己的业务。适合对 MCP、LangChain/LangGraph、大模型应用开发感兴趣的读者。

PMSM永磁同步电机无传感器仿真 simulink仿真 SMO滑模观测器 PLL锁相环无速度...PMSM永磁同步电机无传感器仿真 simulink仿真 SMO滑模观测器 PLL锁相环无速度传感器无位置传感器滑膜观测器仿真同步电机smo算法有文档可以直接用

告别 AgentExecutor：LangChain v1.0+ Agent 模块深度迁移指南与实战全解析【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

自然语言处理（吴恩达深度学习笔记）目录1.词表示 / 词表征（1）引言2.词嵌入（word embeddings）（1）简介（2）t-SNE算法

快速学会BERT模型！在开始学习BERT之前，我们来简要回顾一下Transformer模型。我们需要将输入转化为模型可以理解的数学形式。具体过程为：首先将单词或者句子转换为一个固定维度的向量，得到词嵌入，这个过程采用的方法有比如Word2Ved、Glove等。

一招定胜负

回顾：cbow连续词袋与词嵌入目录一、先明确核心目标：二、逐段拆解：代码的每一步，都藏着知识点第一步：导入依赖库，做好准备工作第二步：语料预处理——把原始文本变成模型能“看懂”的数据

诸神缄默不语

如何用Python调用智谱清言GLM系API实现智能问答诸神缄默不语-个人技术博文与视频目录GLM系列大模型是智谱AI提供的系列语言模型。本文介绍如何用Python语言调用GLM的API实现智能问答。

LangChain v1.0+ Memory 全类型指南：构建上下文感知大模型应用的核心方案【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

深度解析 Prompt Engineering：从入门到实战Prompt Engineering 是近年来随着生成式 AI 应用发展而兴起的一项关键技术。简单来说，它指的是为 AI 模型设计更有效、更引导性的提示词（Prompt）以提高模型的工作效果。课题涵盖了自然语言处理（NLP）广泛应用场景中的许多挑战，例如翻译、文本生成、问题回答等。

深入解析与实践：Prompt EngineeringPrompt Engineering（提示工程）是现代人工智能领域中一个重要的概念。随着大规模预训练语言模型（如 GPT）在多种任务中的成功，如何更高效地与模型交互成为了一项核心技能。Prompt Engineering 正是通过设计合理的输入提示，让模型输出符合预期的有效结果的方法。这种方法广泛应用于问答生成、文本分类、代码生成等任务，提高了模型在实际场景中的实用性。

task06大模型量化与训练地址：微调量化篇第3章 https://datawhalechina.github.io/hello-agents/#/./chapter4/%E7%AC%AC%E5%9B%9B%E7%AB%A0%20%E6%99%BA%E8%83%BD%E4%BD%93%E7%BB%8F%E5%85%B8%E8%8C%83%E5%BC%8F%E6%9E%84%E5%BB%BA

LangChain 核心组件全解析：构建大模型应用的 “乐高积木”【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

大模型生成 Token 的原理：从文本到模型理解的 “翻译官”【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

从零实现循环神经网络：中文情感分析的完整实践指南在当今大数据时代，情感分析已成为自然语言处理（NLP）领域中最重要的应用之一。无论是电商平台的产品评论分析，还是社交媒体的舆情监控，准确识别用户情感倾向都具有巨大商业价值。然而，传统的机器学习方法在处理序列数据时面临着巨大挑战，特别是对于具有上下文依赖的文本数据。

从词袋到TF-IDF：sklearn文本特征工程实战指南在自然语言处理（NLP）和机器学习领域，文本数据必须转换为数值形式才能被算法理解和处理。这一转换过程被称为文本特征工程，它是NLP任务成功的关键基础。文本特征工程不仅影响模型的性能，还直接影响模型对语义的理解能力。

从零构建字符级RNN：用PyTorch实现莎士比亚风格文本生成在人工智能领域，文本生成一直是最具挑战性和最引人入胜的任务之一。从莎士比亚的十四行诗到现代的新闻写作，让机器学会"创作"文字不仅是技术的突破，更是对人类语言本质的探索。文本生成技术的应用广泛而深远：智能聊天机器人、自动摘要系统、代码生成助手，甚至是创意写作工具，都在改变我们与计算机交互的方式。

ROUGE和困惑度评估指标学习和体验ROUGE 也常计算精确率（Precision）和F1值（F1-Score）。📌 重要提示：ROUGE 是一个基于召回率（Recall）的指标，但在实际应用中，通常会综合查看召回率、精确率和F1值，以便更全面地评估生成文本的质量。

词向量的艺术：从Word2Vec到GloVe的完整实践指南在自然语言处理领域，如何让计算机"理解"词语的含义一直是一个核心挑战。传统的文本处理方法，如词袋模型，将每个词视为孤立的符号，无法捕捉词语之间的语义关系。例如，"国王"和"王后"这两个词在语义上密切相关，但在词袋模型中却被当作完全独立的特征。