chenwh_123

摘要： 1.使用agently 实现不依赖模型接口进行Function Calling 背景：因function calling是依赖大模型接口提供支持tool的能力，并不是所有的模型都支持，如千帆模型：https://cloud.baidu.com/doc/qianfan-api/s/3m7of64lb# 阅读全文

摘要： 一、大模型多轮对话实现 大模型本身是没有记忆，每次API调用都是独立的，因此体现出来的记忆功能，实际是请求时消息的上下文；即实现多轮对话的关键在于客户端维护上下文，并在每次请求时将完整的历史对话传回模型。 核心原理 维护对话历史：用数组（messages）保存用户提问和模型回答。 累积传递：每次调用 阅读全文

摘要： 一 大模型面临的主要安全风险 数据安全和隐私：大模型在训练过程中，需要处理大量敏感数据，这可能导致数据泄露和侵犯隐私的风险 幻觉和错误输出：大模型有时输出与事实不符的内容。这可能是因为模型在训练过程中缺乏对事实判断和推理能力 对抗性攻击：大模型容易受到提示注入、样本对抗等对抗性攻击，攻击者通过微小的 阅读全文

摘要： 推荐系统的简介： 推荐系统的本质：是解决信息过载下的“匹配”问题，其输入参数是用户对物品的行为记录，可理解为是一个稀疏矩阵。 其解决方案主要有2大类算法：协同过滤（CF）和序列推荐 协同过滤是推荐系统的经典基础算法（解决“喜欢什么”）。 序列推荐是协同过滤的重要升级和扩展（解决“下一个喜欢什么”） 阅读全文

摘要： 背景： 昨天先把本地代码都已提交本地仓库（未推送到远程仓库），然后又去配置SSH方式访问github，昨天配置完SSH后仍未推送代码到远程仓库； 今天使用git bash命令来推送代码，一直报下错误： Enter passphrase for key '/c/Users/xx/.ssh/id_ed2 阅读全文

摘要： 一、大模型的核心能力和评测维度 1.什么是大模型？ 大模型中的大是指参数大，那么参数是什么？ 参数在大模型的基础结构中，主要指两种东西： 权重（Weights）：这是参数最主要的部分。权重决定了不同神经元（可以理解为处理信息的基本单元）之间连接的“强度”。 偏置（Biases）：可以理解为每个神经元 阅读全文

摘要： 一、模型验证与性能评估 模型验证方法：确保评估的信服力 方法一：留出法 定义：将数据集一次性划分为训练集、验证集和测试集。强调测试集必须与训练集完全隔离，且只能用于最终评估，不饿能用于其他阶段 留出法数据集划分标准：70/15/15 案例：假设原始数据集D包含4369条商品评论，我们将分两步进行划分 阅读全文

摘要： 1.背景 承接文章：AI-使用DeepEval评测自己构建的RAG系统（二），从运行的评测结果来看，存在如下需要优化点： - 1.检索上下文为空 ： actual_output 显示"上下文中没有提供关于'大语言模型LLM是什么，有什么特点'的任何信息。"- 2.Contextual Relevan 阅读全文

摘要： 基于AI-使用DeepEval评测自己构建的RAG系统（一） 的基础上，让AI帮忙分析了存在的问题和需要优化改进点，按照问题优先级列出，先重点关注高优先级的，清单如下： 一、高优先级问题 1. 安全性问题 - API密钥硬编码 ：现在通过环境变量或配置文件获取API密钥，避免了硬编码的安全风险。 A 阅读全文

摘要： 1.使用tensorflow加载数据，并进行数据的预处理 import tensorflow as tf from sklearn.model_selection import train_test_split import numpy as np # 1. 加载数据（TF 2.x 方式） (x_t 阅读全文