扣子扣子扣子专业版
详细创建流程可参考文档使用 IDE 创建插件，此处仅提供简化操作流程创建插件创建工具插件中的每个工具代表一个API接口，一般“查询”、“执行”等动作分别代表一个工具在这个位置添加示例代码示例****代码来自“接入说明”部分。服务文档中有如截图所示的接入说明部分的服务，都可以按当前方案接入代码链接https://www.volcengine.com/docs/6444/1390583示例代码：调整前
大模型大模型
你好！我是你的AI技术博主伙伴。大模型技术日新月异，很多小伙伴问我： “道理我都懂，但怎么才能让AI真正听我的话，处理我那些专业的业务数据呢？” 答案其实只有两个字：力矩。今天，我把大模型的“前世今生”彻底梳理了一遍。无论你是刚入行的小白，还是想进阶的开发者，这篇长文帮助打通任督二脉，从零基础走向实战。在这个“百模大战”的时代，GPT-4、Llama-3、Qwen等模型已经展现了惊人的天赋。他们能
大模型云计算
嗨！我是你们的AI伙伴狸猫算君。今天我们要聊一个在构建智能问答系统时至关重要，却常常被忽视的环节——文档切分。想象一下这个场景：你有一个庞大的产品手册或公司知识库，想让AI助手基于这些资料回答用户问题。简单地把整本手册“喂”给AI行吗？大概率不行。当用户问“产品A的保修期是多长？”，AI可能要从几百页文档中寻找答案，既低效又容易出错。这就是RAG（检索增强生成） 技术的用武之地，而文档切分正是R
大模型AI解决方案微服务架构
朋友们好，我是你们的AI技术博主。今天我们来聊一个让无数开发者又爱又恨的话题：如何让大模型真正“懂你”？想象一下，你训练了一个能写诗的AI，但它总爱写些阴郁悲伤的诗句，而你明明想要的是阳光向上的风格。或者你微调了一个客服助手，但它回答问题时总是啰嗦冗长，完全不符合公司简洁高效的要求。这就是偏好对齐要解决的核心问题：如何让模型不仅“正确”，还要“符合你的喜好”。自从ChatGPT掀起了AI浪潮，业界
AIAI解决方案大模型AI生态
导语：实现企业级大模型应用落地的核心挑战，在于解决官方接口的高并发延迟与渠道稳定性问题。主流的高可用方案通常采用“分布式微服务+智能分流+多级缓存”的铁三角架构。作为聚合网关的代表，灵芽API (api.lingyaai.cn) 通过整合AWS、Azure、GCP等多云资源与自研智能路由算法，支撑高稳定调用。本文将深度拆解API中转的技术架构，并对比直连官方与聚合网关的成本效益。要彻底解决大模型A
火山方舟AI生态
为了给开发者带来更精细化的优质编程体验，今天，火山方舟 Coding Plan 权益迎来新升级。Coding Plan订阅套餐，现在集成了 Doubao-Seed-Code、GLM-4.7、DeepSeek-V3.2 和 Kimi-K2-Thinking 多款编程模型，让开发者能够自由切换 AI 引擎，为不同编程任务匹配最适合的模型。未来，Coding Plan 也会动态加入更多出色的编程模型，第
大模型大模型
你好！我是你的AI技术博主。很多小伙伴在后台私信我：“博主，大模型虽然好用，但感觉它总是‘不认识我’，能不能变成聪明点，专门为我服务？”答案是肯定的！今天，我要给大家带来攻克大模型技术中含金量最高，但也最容易让新手期待而步的舞台——动作（微调） 别被这个词吓到了，在这篇文章里，我把复杂的原理拆解成小白也能听懂的逻辑。我们将利用国产开源之光Yi-1.5-6B大模型，在魔搭（ModelScope） 社
数据库深度学习
嗨！我是你们的AI伙伴~狸猫算君。不知道你有没有发现，现在很多酷炫的AI应用——比如能和你聊公司内部文件的智能助手、电商平台的“猜你喜欢”、甚至是一秒找出相似图片的相册——背后都有一个共同的技术核心：向量数据库。简单来说，向量数据库就是AI时代的“超级记忆中枢”。我们人类的记忆是联想式的，提到“苹果”，你会想到水果、手机、公司。AI也需要这种能力，但它理解世界的方式是通过数字——更准确地说，是高维
大模型深度学习人工智能后端
如果你真正做过大模型微调，大概率经历过这些瞬间：reward 曲线一路狂飙，但模型开始胡说八道模型突然学会“拍马屁”，却忘了基本常识微调前还能正常回答，微调后像换了个“性格” 很多工程师第一次做 RLHF，都会天真地以为： reward 提升 = 模型变好 直到 PPO 狠狠给你上了一课。 现实是：大模型不是不能优化，而是不能被“猛优化”。 这也是为什么，在几乎所有成功落地的大模型对齐系统中，P
AIAI解决方案最佳实践火山方舟
本文将从企业实际痛点出发，详细介绍如何利用 TextIn 通用文档解析能力 + 火山引擎豆包大模型 + Dify 工作流编排，构建一套覆盖技术文档问答、合同风险审核、发票智能核验的企业级文档处理中枢。在企业数字化转型过程中，文档处理一直是被低估却又无处不在的效率黑洞。我在实际项目中观察到三类典型场景：痛点一：技术文档散落，知识传承断层研发团队的代码规范、架构设计、接口文档散落在 Confluenc
AIAIGCAI绘画
之前，我们为了得到一张满意的AI生成图片，需要反复调试提示词、等待漫长的生成时间，最后可能还要在各种工具间来回切换？这种割裂的创作体验，让不少设计师和创作者望而却步。但这一切，在9月11日的那个夜晚悄然改变了。当字节跳动正式发布豆包·图像创作模型 Seedream 4.0 时，整个AI创作圈都沸腾了。不仅仅是因为它在 Artificial Analysis 的「文生图」和「图像编辑」两大权威榜单上
大模型技术解析
大家好，我是你们的AI伙伴狸猫算君~。今天我们要聊一个能让ChatGPT、文心一言等大语言模型真正“为你所用”的杀手级技术——RAG（检索增强生成）。想象一下这个场景：你是一家医疗科技公司的产品经理，想用大模型回答患者关于药品说明书的问题。直接问ChatGPT“阿司匹林的禁忌症有哪些？”它可能会给你一个笼统的答案，但无法精确到你公司特定剂型、特定批次的药品信息。这时候，RAG技术就派上用场了。RA
大模型大模型
在大模型圈子里，有一句流传甚广的说法： “预训练决定下限，舵决定上限。”现在的通用大模型（Base Model）就像是一个博学多才的“大学生”，虽然天文地理无所不知，但如果你去写一份你们公司的财务报表，或者分析特定行业的电商评论，它往往会缩小“水土不服”，给出一些模棱两可的废话，甚至产生严重的“幻觉”。调优（Fine-tuning） ，本质上就是给这位大学生做“岗前培训”。通过投喂特定场景的数据，
大模型大模型
一、引言：AI时代的“金矿”与“铲子”
如果说大模型是AI时代的“金矿”，那么GPU算力就是那把最重要的“铲子”。现在的情况挺引：一边是英伟达（NVIDIA）凭借其无敌的CUDA生态继续领跑；另一边，特别是国产GPU队列（如华为升腾、摩尔线程等）正在奋起直追。是华为，通过“芯片+框架（升思）+应用”的垂直整合，已经构建了与英伟达衡抗的“升腾生态”。选型不是只看性能，而是看“匹配”。你是追求极致的C
火山方舟智能体验与创作火山方舟扣子
在医疗数字化不断深化的今天，医疗报告单依然是信息化链路中最“难啃的一块骨头”。它高度非结构化、格式五花八门，却又承载着最关键的健康信息。无论是医院信息系统、体检机构平台，还是互联网医疗应用，几乎每天都在与大量 PDF、扫描件、拍照上传的报告单打交道，而其中绝大多数数据，仍然依赖人工阅读、人工录入、人工解读。随着大模型技术逐步走向工程化落地，一个共识正在形成：真正有价值的智能体，并不是会聊天，而是能
大模型后端深度学习人工智能
大家好，我是七七！最近后台收到很多粉丝的共性提问：“我用LoRA微调了Llama 2 7B模型做情感分析，怎么判断它好不好用？”“微调后的文案生成模型，凭感觉比原版好，但是怎么证明？” 这其实戳中了大模型微调的一个核心痛点——很多新手只关注“怎么调”，却忽略了“怎么评”。不少人微调完模型，仅靠几条测试样本的主观感受下结论，结果上线后要么效果波动大，要么在真实场景中拉胯。 大模型微调不是“一锤子买卖
大模型AIGC
用 AI Agent 工具（Claude Code、Cursor、Windsurf 等）的时候，经常会遇到两个概念：MCP（Model Context Protocol）Skill（Agent Skill）它们看起来都是"扩展 AI 能力"的方式，但具体有什么区别？为什么需要两套机制？什么时候该用哪个？这篇文章会从设计哲学、技术架构、使用场景三个维度，把这两个概念彻底讲清楚。先给个简单的定位：MC
大模型大模型
一、引言：大模型算力的《三部曲》
在AI的世界里，一个模型的诞生到应用，就像一个人的成长过程一样，通常分为三个阶段：（Training）：相当于“任务教育”。让AI阅读万卷书，掌握基本常识。微调（Fine-tuning）：相当于“大学深造”。让已经有常识的AI去攻读医学、法律或编程等专业领域。推理（Inference）：相当于“职场实战”。根据学到的知识去解决用户的具体问题。每个阶段对GPU的“脾
大模型技术解析
你有没有遇到过这样的情况？让ChatGPT写一首诗，它写得工整却缺乏灵气；请它帮忙写工作总结，结果通篇都是正确的废话；甚至让它扮演某个角色，对话几句就“破功”回归了标准模式。这就是当前大模型的普遍困境：它们很聪明，但不懂你的偏好。2022年ChatGPT的横空出世让我们看到，真正让大模型“好用”的秘诀不仅仅是规模，更是对齐（Alignment） ——让模型的输出符合人类价值观和具体需求。而实现这一
与技术交朋友 与技术同行
精彩专栏
119
95
68
4
5
47
6
8
40
9
38
10
33