LangGraph Agent的一个示例工作流程，比较清晰：先给文本分类，然后抓取重点内容，最后自动生成摘要等

Qwen Chat：https://chat.qwenlm.ai Hugging Face：https://huggingface.co/Qwen/Qwen2.5-Omni-7B ModelScope：https://modelscope.cn/models/Qwen/Qwen2.5-Omni-7B DashScope：https://help.aliyun.com/zh/model-studio/user-guide/qwen-omni GitHub：https://github.com/QwenLM/

LLM模型尺寸的秘密：模型大小如何影响性能、成本与实际应用？

SFR-Embedding-Code：用于代码检索的嵌入模型系列SFR-Embedding-Code：https://huggingface.co/Salesforce/SFR-Embedding-Code-400M_Rhttps://huggingface.co/Salesforce/SFR-Embedding-Code-2B_R代码检索是人工智能领域中一个关键但尚未得到充分探索的领域。虽然文本

在RAG（Retrieval-Augmented Generation）中，chunk是个关键步骤。

解锁的搜索与推理新模式：DeepSearch与DeepResearch的区别

为什么 RAG 会失败以及如何解决？揭秘背后三大致命缺陷！

DeepSeek-R1火了之后，Ai老板部署需求大大提升，抛开效果不谈，五件套易用性和灵活性相比VLLM大大提

在打造检索增强生成（RAG）应用时，选择合适的Embedding模型就像挑选合适的工具，直接影响到应用的表现

推理大模型的后训练增强技术-Reasoning模型也进化到2.0了，这次居然学会用工具了

推理大模型的后训练增强技术-如何系统地理解和提升长思维链推理能力

本课程涵盖： https://github.com/KalyanKS-NLP/rag-zero-to-hero-guide • 什么是 RAG？ • 为什么选择 RAG？ • RAG 是如何工作的？ • RAG 的优势与挑战 • RAG 必知术语 • RAG 路线图 • RAG 开发者技术栈 • 从零开始构建 RAG • 使用 LangChain 构建 RAG • 基于WEB的RAG • YouTube 视频 RAG • Agentic RAG

Gemma 3 27B版本超越DeepSeek V3：技术要点分析！

检索增强生成 (RAG) 的 5 大 提示词，非常实用！

还在为大模型推理的昂贵成本和算力限制而苦恼？ CSGHub 集成了 KTransformers，让您在普通硬件上也能轻松驾驭强大的 LLM，无需再依赖昂贵的云计算资源！

推理大模型的后训练增强技术-从系统1到系统2：大语言模型推理能力的综述

大模型对不同职级工程师的影响曲线

推理大模型的后训练增强技术--LLM 推理模型的现状

RAG学习必备！论文+实战+经验全收录，技术进阶必读合集！

【论文分享】推理大模型Post-Training技术的全面综述