aibi1

摘要： 目录第一步 质疑你的需求 让它别那么愚蠢第二步 删除需求中所有不必要的部分和流程明确核心目标打破固有思维第三步 简化和优化第四步 加快周转时间第五步 自动化参考资料 第一步 质疑你的需求 让它别那么愚蠢 First, make your requirements less dumb. 你接到的需求绝 阅读全文

摘要： olmOCR （0.3.0） 源自Qwen2.5-VL-7B-Instruct，需要在GPU运行，15G显存。 通用模型， 更新的版本基于qwen3 200+大尺寸模型，需要4张A100 特点：能够识别图片的语义，解析成文本。 格式：1 总结 2 细节 目前 olmOCR 只支持本地部署，硬件条件如 阅读全文

摘要： 目录微调框架选择场景1：输入输出微调（含标注的“输入-输出”对）场景2：Function Calling微调（含标注的“函数调用规则”）场景3：实体提取微调（含标注的“实体及关联规则”）参考资料 微调框架选择 Unsloth 个人或者适合小团队。4bit动态量化可以压缩模型，但是只能单卡运行，不支持 阅读全文

摘要： 目录管理上常见问题敏捷质量度量指标效率指标质量如何考核TL其他关于需求吞吐量准确度的问题一、先解决“评估标准模糊”：统一口径，减少“多估”空间1. 定义“评估锚点”，杜绝“因人而异”2. 统一“需求颗粒度”，避免“大需求多估”二、引入“客观校验机制”：让“多估”被数据暴露1. 用“团队速率基线”预警 阅读全文

摘要： 目录背景和价值概念 数据飞轮 VS 数据中台数据飞轮是否针对AI驱动的产品才有价值数据飞轮的数据是否要经过数据中台？一、理想协同场景：数据飞轮的数据“建议经过”数据中台1. 为数据飞轮提供“高质量、标准化的数据燃料”2. 降低数据飞轮的“数据获取成本”3. 支撑多业务线的“飞轮联动”二、特殊例外场景 阅读全文

摘要： 目录背景和价值大模型的涌现能力：零样本 / 少样本学习等大模型调优提示词工程微调人类反馈的强化学习（ RLHF ）和数据飞轮参考资料 背景和价值 大模型的涌现能力： 如逻辑推理、跨领域理解、零样本 / 少样本学习等，创造性内容生成能力 零样本 / 少样本学习等 模型无需大规模 “针对性训练数据”，仅 阅读全文

摘要： 目录CV大模型和多模态大模型区别CV视觉模型 VS CNN参考资料 ci两个向量的点积，或者余弦相似度 CV大模型和多模态大模型区别 多模态大模型与 CV（计算机视觉）大模型的核心区别，本质是 **“处理的信息范围” 与 “核心能力目标” 的差异 **：CV 大模型是 “单模态视觉专家”，专注于解决 阅读全文

摘要： 目录五步框架1. TASK（明确任务）2. CONTEXT（提供上下文）3. REFERENCES（添加参考资料）4. EVALUATE（评估结果）5. ITERATE（迭代优化）整体逻辑提示词迭代翻译解释参考资料 五步框架 提示词工程的五步框架（5 Step Framework），是设计有效大模型 阅读全文

摘要： 目录背景和价值MCP VS A2AA2A（Agent-to-Agent Protocol）MCP（Model Context Protocol）MCP参考资料 背景和价值 MCP VS A2A 企业内部 Agent 通讯选择 A2A 还是 MCP，取决于具体的业务场景、对数据交互的要求以及 Agen 阅读全文

摘要： 目录背景和价值参考资料 背景和价值 中小企业，使用 neo4j 就够了 如果对实时性有极高的要求，使用纯内存的 Memgraph 生产海量数据使用 NebulaGraph https://zhuanlan.zhihu.com/p/1934579376080532306 参考资料 阅读全文