大模型应用

在未来等你

智能Agent场景实战指南 Day 23 : Agent安全与隐私保护欢迎来到"智能Agent场景实战指南"系列的第23天！今天我们将探讨智能Agent开发中至关重要的主题——安全与隐私保护。随着Agent在金融、医疗、客服等敏感领域的广泛应用，确保数据安全和用户隐私已成为Agent系统设计的首要考量。本文将深入讲解Agent安全防护的核心机制、隐私保护的最佳实践，以及如何在实际项目中实现端到端的安全保障。

【ChatOpenAI】常用方法详解ChatOpenAI 是 LangChain 中用于与 OpenAI 聊天模型交互的核心类，提供了多种方法来调用和管理对话。以下是其主要方法的详细介绍：

人工智能培训咨询叶梓

大模型在关键社会领域的应用研究：金融、医疗和法律想要掌握如何将大模型的力量发挥到极致吗？叶梓老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具。

人工智能小豪

2025年大模型平台落地实践研究报告｜附75页PDF文件下载本报告旨在为各行业企业在建设落地大模型平台的过程中，提供有效的参考和指引，助力大模型更高效更有价值地规模化落地。本报告系统性梳理了大模型平台的发展背景、历程和现状，结合大模型平台的特点提出了具体的落地策略与路径，同时详细分析了大模型平台的关键能力及其建设要点，并对多个行业的落地案例进行了深入剖析，最后对大模型平台的发展趋势进行展望。

基于InternLM的情感调节大师FunGPT基于书生系列大模型，社区用户不断创造出令人耳目一新的项目，从灵感萌发到落地实践，每一个都充满智慧与价值。“与书生共创”将陆续推出一系列文章，分享这些项目背后的故事与经验。欢迎订阅并积极投稿，一起分享经验与成果，推动大模型技术的普及与进步。

使用Spring AI集成Perplexity AI实现智能对话（详细配置指南）Perplexity AI作为新兴的AI服务提供商，通过将语言模型与实时搜索引擎结合，提供了独特的对话体验。Spring AI通过复用OpenAI客户端实现了与Perplexity AI的无缝集成，开发者可快速构建智能对话应用。本文将详细介绍如何在Spring Boot项目中配置和使用Perplexity AI服务。

Azure OpenAI 聊天功能全解析：Java 开发者指南在当今人工智能飞速发展的时代，AI 驱动的文本生成技术正深刻改变着众多应用场景。Azure OpenAI 作为这一领域的重要参与者，由 ChatGPT 提供支持，不仅具备传统 OpenAI 的功能，更凭借其增强特性以及额外的 AI 安全和负责任的 AI 功能脱颖而出。对于 Java 开发者而言，Azure 提供了将 AI 与一系列 Azure 服务集成的绝佳机会，充分挖掘 AI 的全部潜力。本文将深入探讨 Azure OpenAI 聊天功能，从前提条件到配置、使用方法以及示例代码，为你全面剖析这一强大工具

开启 Spring AI 之旅：从入门到实战在当今人工智能飞速发展的时代，Spring AI 为开发者们提供了一个强大而便捷的工具，用于在 Spring 生态系统中构建 AI 应用程序。本文将为你提供如何开始使用 Spring AI 的详细指南，帮助你快速上手并开启 AI 应用开发之旅。

使用 LLM助手进行 Python 数据可视化在数据科学中，数据可视化是一项至关重要的任务，旨在揭示数据背后的模式和洞察，并向观众传达这些信息。然而，在编程语言（如 Python）中创建有洞察力的图表有时可能会耗时且复杂。本文介绍了一种借助 AI 助手（如 DeepSeek 大模型）来更高效地构建基于代码的数据可视化方法。通过两个实际应用场景，我们将为您提供利用 AI 工具创建吸引人的数据可视化的提示和建议。

企业级AI开发利器：Spring AI框架深度解析与实战在人工智能技术爆发式发展的今天，Java开发者面临着一个新的挑战：如何将大语言模型（LLMs）和生成式AI（GenAI）无缝融入企业级应用。传统的Java生态缺乏统一的AI集成方案，开发者往往需要为不同AI供应商（如OpenAI、阿里云、Hugging Face）编写大量重复的接口适配代码，这不仅增加了开发成本，也限制了应用的可扩展性。

RAG专栏：向量数据库在 RAG 系统中，向量数据库起着重要的作用。其主要功能在于索引过程中，建立高效的向量索引结构，以便快速定位与查询相关的向量数据。在查询阶段，系统将输入的提示转化为向量表示形式，并从数据库中检索出与之最相关的向量及其对应的分块数据。通过这种索引和检索机制，检索到的向量为生成模型提供了必要的上下文信息，使模型能够依据当前的语义上下文生成更加精准和相关的响应。

故障诊断——neo4j入门详情可见博客：https://www.cnblogs.com/nhdlb/p/18703804，使用docker拉取最近的一个版本进行创建

纯代码实战--用Deepseek+SQLite+Ollama搭建数据库助手如何用Python调用本地模型实现DeepSeek提示词模板：一步步教你高效解决13种应用场景从零到一：纯代码联合PyQt5、Ollama、Deepseek打造简易版智能聊天助手用外接知识库武装大模型：基于Deepseek、Ollama、LangChain的RAG实战解析纯代码实战–用Deepseek+SQLite+Ollama搭建数据库助手

百里香酚兰

【AIGC学习笔记】扣子平台——精选有趣应用，探索无限可能由于近期业务发展的需求，我开始接触并深入了解了扣子平台的相关知识，并且通过官方教程自学了简易PE工作流搭建的技巧。恰逢周会需要准备与工作相关的分享主题，而我作为一个扣子平台的初学者，也想探索一下这个平台的开发能力究竟能达到怎样的水平。因此，我从扣子的官方商店中精心挑选了以下这些针对不同领域的有趣应用。每个应用我都附上了链接、测试案例，以及我个人对其实用程度和趣味程度的评分。欢迎对扣子平台感兴趣的读者们进行测试体验，并交流使用心得。

AI大模型_学习君

基于 InternLM 和 LangChain 搭建你的知识库本文基于InternStudio 算力平台利用 InternLM 和 LangChain 搭建知识库。

AI大模型_学习君

{结对编程/大模型} 实践营项目案例 | 基于RAG搭建政策问答智能聊天助手在构建政策问答智能聊天助手的过程中，我们采用了 RAG（Retrieval-Augmented Generation）技术。RAG 是一种结合了检索和生成的混合型自然语言处理技术，它通过检索相关信息来增强生成模型的上下文理解能力。RAG 的主要优点在于能够有效减少生成式模型的“幻觉”问题，即模型生成与现实不符的内容，从而提高回答的准确性和可靠性。我们将整个搭建过程分为三个关键阶段：数据预处理、推理和评价。

AI大模型_学习君

使用 FastGPT 工作流搭建 GitHub Issues 自动总结机器人人工智能时代，数据就是企业的财富和金矿。大数据已经成为一种前所未有的数字资源，但同时也为企业带来筛选和处理数据的负担，不仅影响决策效率，还可能导致重要信息被遗漏。

（译）提示词工程指南：如何写出让AI更听话的提示词（Prompt）？| 附完整示例和小学生版本LLM Prompt Tuning Playbook来源：https://github.com/varungodbole/prompt-tuning-playbook/blob/main/README.md

少喝冰美式

大语言模型在序列推荐中的应用序列推荐技术通过分析用户的过往交互历史，能够有效挖掘出用户可能感兴趣的项目，对于提升各类应用的服务质量具有重要作用。近期，大语言模型（LLMs）的发展在应对复杂的推荐问题上展现出了显著的优势。不过，这种方法也面临一些挑战。本篇文章将重点探讨两项将大语言模型应用于序列推荐领域的相关研究。

【AI工作流】FastGPT - 深入解析FastGPT工作流编排：从基础到高级应用的全面指南一、工作流编排概述二、FastGPT的节点类型三、工作流中的流向结语在当今快速发展的人工智能领域，工作流编排的能力已成为提升用户体验和应用效率的关键因素。FastGPT作为一款强大的知识库和工作流工具，凭借其灵活的节点设计和简化的操作流程，帮助用户快速构建高效的知识库应用。本文将深入探讨FastGPT的工作流编排，带您了解其核心功能、节点类型及流向控制，助您在实际应用中游刃有余。