——基于通用文档解析与 Agent 协同的智能技术对齐实践在 2025 年的今天，“数字员工”（Digital Employee）已不再是一个遥不可及的概念。依托于火山引擎 Coze 等低代码平台，企业能够迅速构建出具备推理能力的 Agent。然而，在实际深入业务流——特别是制造业、进出口贸易等实体产业时，我们面临着一个典型的 “数据木桶效应” ：大模型（LLM）的推理能力（Brain）日益强大，

听汇报时的一些思考和记录。李宾逊同学分享 Is Your Code Generated by ChatGPT Really Correct? Rigorous Evaluation of Large Language Models for Code Generation《你由 ChatGPT 生成的代码真的正确吗？严格评估用于代码生成的大型语言模型》该论文已经被neurips接收 论文：ttps:

@[TOC](Keeping Pace with Ever-Increasing Data:Towards Continual Learning of Code Intelligence Models)听汇报时的一些思路总结和记录。黄邕灵同学@potato&&tomato:分享了Keeping Pace with Ever-Increasing Data:Towards Continual Lea

讲+提问1个小时 但是在讨论的过程中，感觉逐步抽丝挖掘到了核心原理： 之前的理解：借助代码-LLM中的编码丰富结构化代码信息 最后的理解：如果能设置一个方法，让大模型能对自己输出的有所理解，那么效果会更好。这篇论文是通过代码结构和提示来实现这个的，理论上文字也可以CODEIE：代码生成大模型能更好的进行少样本信息提取这项工作 接下来我将从这四个板块展开介绍这篇论文于2023年5月发布在arXiv，

由侯心怡主导的这项研究，完整论文请访问：Large Language Models for Software Engineering: A Systematic Literature Review。在她汇报过程中的一些记录和思考：LLM如何重新定义软件工程的未来。本文汇总了大型语言模型（LLM）在软件工程（SE）领域的广泛应用，涵盖了从程序开发到软件维护，再到项目管理的每一个关键环节，揭示了LLM

@TOC本文介绍了现代自然语言处理技术的关键组成部分。 综述了NLP中常用的标记化等、机器学习、深度学习NLP的目的是使机器能够为达到有意义的目的而读取和理解人类语言。 任何自然语言应用程序都会出现某些共同的模式。大致上有 (1)，可以使用经典或单词嵌入方法将原始数据转换为适合机器学习的格式； (2)，可以使用经典的机器学习或深度学习方法，用于语言理解或生成的广泛任务类别。预处理将原始文本转换为可