RAG（Retrieval-Augmented Generation ）介绍之前的文章中已经大概介绍了 RAG 是什么，并且介绍到了当前 LLMs 的一些缺点，也是 RAG 技术的背景来源。在这篇文章中，将深入挖掘一下 RAG 的技术原理和当前现状。 首先我们在从头复述一下之前所说的一些关于 RAG 的内容，并对其中的一些描述进一步细化： 当前 LLMs 存在的问题随着大模型的发展，其已经被用于到

尝试理解神经网络的工作原理！旧文新发。 分类问题引入少维度分类如下图是一个北京和长治的房价对比图： 如上使用表格的形式表示，可能不是很直观。换成如下的坐标系就能很清楚的看出来区别： 图中标注一条黄色的数据线，可以看出，黄线左边的属于北京，右边的属于长治。 我们可以将问题进一步分析，使其变得更简单：在日常生活中，根据我们的经验知道，决定房子价格的因素其实是 价格/面积 = 平方价 高者属于

LLM 模型本身是一个无状态的模型，没有临时记忆的能力。当发生如下场景时，就会产生错误回答： 123456789101112131415161718@RestController@RequestMapping("/ai")public class AIController { private final ChatClient chatClient; pub

Chat 功能是 LLMs 应用的最基础功能，任何功能都要向 LLMs 应用给输入，之后将获得 LLMs 的返回。其底层是 NLP 的实现。这篇文章中不会分析 LLMs 的底层实现，会分析一波 Spring AI Albaba 的 Chat 功能实现和 Spring AI 提供的 Chat 接口实现。 Spring AI Chat 接口定义从之前的 Spring AI Alibaba 使用示例中，

前面三篇文章中我们已经讨论了大模型是什么，大模型的应用场景以及开发生态。此篇文章我们主要讨论 AI 大模型的开发框架，以及他们各自做了哪些增强。 本篇文章中，不介绍 Dify，AutoGen 等，主要以 LangChain 和 Spring AI 为主。 LangChain 官网定义：LangChain is a framework for developing applications p

前面我们已经讨论过了什么是大模型以及使用场景有那些，这篇文章我们来讨论下大模型的开发生态？有哪些开发工具可以快速基于大模型构建出我们需要的应用。 发展趋势任何事物的发展，都离不开生态的作用。人类生存的地球生态，有水，有氧气。才能生存。 同样的道理，任何一门技术或者是语言都不能完全脱离于其生态。生态的作用是帮助技术更好的被人们应用，降低使用难度，方便开发者们使用。例如 Java 的 Spring

紧接着第一篇，什么是大模型，这篇文章讨论一下大模型的应用场景和应用方式有哪些？ 基础使用随着 GPT 的出现，AI 大模型已经越来越多得出现在日常生活和学术研究，工作中。 按照使用方向有以下几种： 自然语言处理：翻译、文字理解、聊天机器人、情感分析、文本生成和语义分析等。 多模态：图像识别、图像生成、图像增强、人脸识别，文本和语音之间的转换。 代码模型：生成单元测试，添加注释，解释代码。例如

前集概要：最近准备写一些关于 AI 的文章，主要记录自己学习 AI 及其 AI 相关的记录。如果有不对的地方欢迎批评指出！ 什么是大模型来自 chatGPT 的回答： “大模型”通常指的是在机器学习和深度学习领域，尤其是自然语言处理（NLP）和计算机视觉（CV）中，具有大量参数和复杂结构的模型。这些模型通常需要大量的数据和计算资源进行训练。 大模型（arge language model，

  今天是 24 年 11 月 24 号，星期日，刚从杭州来到郑州不久。想来想去应该写点什么，算是经历了一段大起大落。   来到郑州之后见识到了许多东西，不同于老家和杭州。郑州给人的感觉更有烟火气，没有杭州的局促感。给人的感觉是一种慢节奏的生活气息。我住的地方在一个旧小区，虽然不如当初在杭州住的小区高档些，但是也别具一格，在路上还能看到小时候在老家见到的手扶

需求背景管理员在后台给小程序用户推送一些消息，例如用户收费通知，工单维护通知等。 功能流程图 功能实现小程序项目添加如下代码，开启用户订阅 用户订阅消息文档：https://developers.weixin.qq.com/miniprogram/dev/framework/open-ability/subscribe-message.html 在小程序中加入如下代码，开启用户订阅： 12345