大模型应用场景-CSDN博客

大模型应用场景

码龄5年

2,042,531

总访问量
1,354

原创
7,048

粉丝
9

关注

IP 属地：湖南省

目前就职：百度

加入CSDN时间： 2021-06-11

个人简介：国内最早一批投身到AGI项目上的工程师之一，吃饱了当时最早的一波红利，大模型也必将成为未来发展的新的方向和趋势，想要快人一步先行了解和学习大模型的可以私信我。

查看详细资料

个人成就

获得11,727次点赞
内容获得143次评论
获得16,176次收藏
代码片获得64,219次分享
博客总排名19,942名
原力等级

原力等级

9

原力分

10,409

本月获得

15

TA的专栏

大模型
36篇

TA关注的专栏 0

TA关注的收藏夹 0

TA关注的社区 0

TA参与的活动 0

TA的推广

创作活动更多

AI 镜像开发实战征文活动

随着人工智能技术的飞速发展，AI 镜像开发逐渐成为技术领域的热点之一。Stable Diffusion 3.5 FP8 作为强大的文生图模型，为开发者提供了更高效的图像生成解决方案。为了推动 AI 镜像开发技术的交流与创新，我们特此发起本次征文活动，诚邀广大开发者分享在 Stable Diffusion 3.5 FP8 文生图方向的实战经验和创新应用本次征文活动鼓励开发者围绕 Stable Diffusion 3.5 FP8 文生图方向，分享以下方面的内容： 1. 技术实践与优化 - Stable Diffusion 3.5 FP8 模型架构解析与优化技巧 - 文生图生成效果的提升方法与技巧 - 模型部署与加速策略，例如使用 Hugging Face、Diffusers 等工具 - 针对特定场景（例如二次元、写实风）的模型微调与定制化开发 2. 应用场景探索 - Stable Diffusion 3.5 FP8 在不同领域的应用案例分享，例如游戏设计、广告创意、艺术创作等 - 利用 Stable Diffusion 3.5 FP8 实现图像编辑、图像修复、图像增强等功能的探索 - 结合其他 AI 技术（例如 NLP、语音识别）构建更强大的应用 3. 创新应用与思考 - 基于 Stable Diffusion 3.5 FP8 的创新应用场景设计 - AI 镜像开发的未来发展方向的思考与展望 - 对 AI 镜像开发伦理、安全等问题的探讨

28人参与去参加

更多

UltraRAG 2.0：仅需5%代码，轻松实现复杂RAG系统

UltraRAG 2.0是基于MCP架构的RAG框架，通过YAML声明式配置实现复杂逻辑，仅需传统框架5%代码量。它提供组件化封装、灵活扩展和轻量流程编排，支持多阶段推理系统，在复杂多跳问题上性能提升约12%。该框架显著降低开发门槛，让研究者专注于算法创新，适用于智能客服、教育辅导等多种场景。

博文更新于 2025.09.22 ·

多模态RAG最佳实践：小白到程序员的完整指南，图文表格全能解析

本文提出的多模态RAG方法采用模态特定处理、后期融合和关系保留的技术架构，通过结构保留的文档分割、模态特定内容提取、HTML转换、语义分块及多模态向量化，有效处理包含文本、图像、表格的混合内容。该方法在性能、准确性与复杂度间实现最佳平衡，相比传统RAG系统在处理复杂多模态查询时性能提升23%，同时保持了良好的灵活性和模块化特征，为大多数组织提供了技术可行性

博文更新于 2025.09.22 ·

大家都在用Agent做什么？7种Agent框架对比！国内一站式Agent搭建平台大盘点！

代理（Agent）乃一种智能实体，具备自主环境感知与决策行动能力，旨在达成既定目标。作为个人或组织之数字化替身，AI代理执行特定任务与交易，其核心价值在于简化工作流程，削减繁复性，并有效降低人力投入与沟通障碍，促进效率与协作的双重提升。简而言之，代理技术让AI成为高效助手，助力个人与组织在复杂多变的环境中更加游刃有余。

博文更新于 2025.06.25 ·

大模型应用开发：大模型分类和常见大模型

语言大模型（NLP）：是指在自然语言处理（Natural Language Processing，NLP）领域中的一类大模型，通常用于处理文本数据和理解自然语言。这类大模型的主要特点是它们在大规模语料库上进行了训练，以学习自然语言的各种语法、语义和语境规则。例如：GPT系列（OpenAI）、Bard（Google）、文心一言（百度）。

博文更新于 2025.06.25 ·

如何搭建个人AI知识库？个人整体思路总结

分享一下我的整体思路。我觉得方法都是次要的，因为每个人的需求、情况都不同——唯有思路可以借鉴。出发点和对应解法：

博文更新于 2025.06.21 ·

RAG知识库搭建，手把手教你构建RAG系统

自从发现可以利用自有数据来增强大语言模型（LLM）的能力以来，如何将 LLM 的通用知识与个人数据有效结合一直是热门话题。关于使用微调（fine-tuning）还是检索增强生成（RAG）来实现这一目标的讨论持续不断。检索增强生成 (RAG) 是一种使用来自私有或专有数据源的信息来辅助文本生成的技术。它将检索模型（设计用于搜索大型数据集或知识库）和生成模型（例如大型语言模型 (LLM)，此类模型会使用检索到的信息生成可供阅读的文本回复）结合在一起。

博文更新于 2025.06.21 ·

别再傻傻分不清！一文讲透大模型里的 RAG、Agent、微调和提示词工程

CSDN独家福利最近，人工智能大模型火得一塌糊涂，各种新名词也层出不穷：RAG、Agent、微调、提示词工程……是不是听着就头大？别担心，今天咱们就用大白话，把这些概念一次性讲清楚，让你彻底搞懂它们是什么、有什么用，以及它们之间的区别和联系。

博文更新于 2025.06.19 ·

从大模型（LLM）、检索增强生成（RAG）到智能体（Agent）的应用

通过上一章的介绍，你可以发现OpenAI已经大规模使用工程化的技术使用户能够基于自己的知识库对其GTP系列大模型进行“增强”，从而实现更加垂直化、个性化的能力。那么，如果你基于成本或安全的考虑，想在私域进行自有知识库的“增强”，甚至切换成其它的大模型来使用这个“增强”，就不得不考虑自行开发实现了，这时候就需要了解检索增强生成（RAG）概念和向量数据库技术的应用。检索增强生成（RAG）技术人工智能的应用方法，它通过结合传统的信息检索技术与最新的生成式深度学习模型，来提升信息的准确性和相关性。

博文更新于 2025.06.19 ·

AI企业赋能！如何利用大模型赋能生产并提升竞争力？

如今，大模型的种类繁多，涵盖面广，但如何把它们应用到企业自身的业务当中，提升企业的技术水平和市场竞争力，却需要考虑到一个非常关键的问题：如何将大模型落地？这需要我们深入探讨大模型的投入成本和收益是否值得，并寻找有效的应用领域。如果我们没有思考清楚这些问题，企业要么盲目跟进，要么躺平观望。在长远发展的角度来看，清楚地认识到大模型的实际价值和应用领域，对企业的发展至关重要。

博文更新于 2025.06.18 ·

ai蒸馏核心讲解，什么是蒸馏技术？

“蒸馏”技术实际上是指知识蒸馏（Knowledge Distillation），这是一种用于压缩和优化大模型的机器学习方法。其核心思想类似于传统蒸馏：大模型（教师模型）包含丰富的知识，而小模型（学生模型）通过学习大模型的输出，从而在保持高性能的同时降低计算成本。

博文更新于 2025.06.18 ·

在中国做AI难，做AI Agent容易

基于其内部的知识库、工作流模型和强大的推理能力，对感知到的信息进行分析、判断，并规划出实现目标的最佳行动路径。在中国可以轻松地实现从规划、订票、支付到入住的全流程自动化，这在很多支付和信用体系尚不完善的国家是难以想象的。从电商、外卖、短视频、网约车，到工业制造、智慧城市、数字政务，几乎所有行业都完成了深度的数字化改造。的关键，它能从每一次任务执行的成功与失败中学习，不断优化自身的知识库和决策模型，形成长期记忆，变得越来越。从赋能平台的兴起，到垂直行业的深度耕耘，我们已经看到，中国的。

博文更新于 2025.06.17 ·

RAG 2.0时代来临，我们会面对什么？

相比之下，全文搜索和稀疏向量主要表达精确的语义。LLM横行的年代，大多数人言则Agent，事实确实如此，LLM的落地一定是Agent，RAG也不例外。在具体实践过程中，除了将多路查询结果进行归一化之外，在将相关的文本分段交给大模型之前，我们一般会限制传递给大模型的分段个数（即 TopK，可以在重排序模型参数中设置），这样做的原因是大模型的输入窗口存在大小限制（一般为 4K、8K、16K、128K 的 Token 数量），你需要根据选用的模型输入窗口的大小限制，选择合适的分段策略和 TopK 值。

博文更新于 2025.06.17 ·

大模型减肥秘籍：蒸馏、RAG和微调，让你轻松玩转大模型

蒸馏：让小模型继承大模型的智慧，适合“减肥”跑得快。RAG：给模型加个外援，适合知识密集型任务。微调：精修短板，适合定制化需求。这三招就像武侠里的不同武功，蒸馏是“传功”，RAG是“借力”，微调是“点穴”，看你需要啥就用啥。CSDN独家福利。

博文更新于 2025.05.10 ·

浅谈AI大模型中的蒸馏技术

蒸馏”技术实际上是指知识蒸馏（Knowledge Distillation），这是一种用于压缩和优化大模型的机器学习方法。其核心思想类似于传统蒸馏：大模型（教师模型）包含丰富的知识，而小模型（学生模型）通过学习大模型的输出，从而在保持高性能的同时降低计算成本。前排提示，文末有大模型AGI-CSDN独家资料包哦！1.知识蒸馏的过程教师模型（Teacher Model）训练先训练一个大规模基础模型，这个模型能力很强，但计算开销大。生成软标签（Soft Labels）

博文更新于 2025.05.10 ·

一文详解什么是知识蒸馏

在蒸馏过程中，将相同输入同时输入教师模型和学生模型，教师模型为学生模型提供知识指导，通过最小化学生模型输出与教师模型输出之间的差异（如使用交叉熵损失、均方误差损失等），优化学生模型参数，使学生模型学习教师模型的知识。教师模型训练过程中，能学习到数据中的“暗知识”，如数据分布规律、特征之间的隐含关系等。它通过将一个复杂的大模型（称为教师模型，Teacher Model）的知识转移到一个较小的模型（称为学生模型，Student Model）中，使得学生模型在保持较小规模的同时，能够尽可能地接近教师模型的性能。

博文更新于 2025.05.10 ·

人人都能懂的大模型知识：大模型预训练/微调/rag/蒸馏

在DeekSeek R1的论文中提到，通过蒸馏让QWen等模型获得了同等的效果。那么，什么是蒸馏？2014年，Geoffrey Hinton在 Distilling the Knowledge in a Neural Network 中提出知识蒸馏的概念：即将一个复杂的大模型（Teacher Network）上学习到的知识迁移到另一个更适合部署的小模型上（Student Network）。

博文更新于 2025.05.09 ·

微调（Fine-tuning）大模型常见方法详解

微调大模型的常见方法有很多种，选择哪种方法取决于读者的数据量、计算资源、任务需求等因素。全量微调：适用于大数据量、充足计算资源的情况，效果最直接。冻结部分层：适用于小数据量场景，能减少过拟合。添加任务特定层：适用于需要特定输出的任务，如分类、回归等。低秩适配：适用于资源受限或者需要轻量级微调的情况。知识蒸馏：适用于将大模型知识迁移到小模型，提升推理效率。CSDN独家福利。

博文更新于 2025.05.09 ·

一文带你搞懂什么是蒸馏微调和RAG

模型蒸馏是一种模型压缩和知识迁移的技术，旨在将一个大型、复杂且性能优异的教师模型中的知识传递给一个较小、计算效率更高的学生模型。（老师把复杂知识浓缩成简单方法教给学生，学生成为"小老师"，能用更少的力气解决大部分问题）通过蒸馏，学生模型可以在保留教师模型大部分性能的同时，显著减少计算成本和模型参数规模。（老师懂得多但贵，学生便宜但也懂老师的皮毛，也能用、性价比高！AI里就是：大模型回答问题的时候，先快速搜索公司自己积累的资料（比如产品手册、客户档案），再结合自己的知识回答问题。二蒸馏/微调/RAG。

博文更新于 2025.05.09 ·

开发者主要依赖的三大技术路径深度解析：检索增强生成、模型微调、知识蒸馏

在技术选型的十字路口，没有绝对的最优解。RAG以其灵活的知识整合能力在动态场景中闪耀，微调在深度领域适应中展现统治力，而蒸馏则在效率至上的战场开疆拓土。明智的架构师应像交响乐指挥家一样，让不同技术在自己的音域完美发声，最终谱写出AI落地的华美乐章。

博文更新于 2025.05.08 ·

重磅消息，新一代通义千问模型 Qwen3正式开源了！

2025 年 4 月 29 日凌晨，阿里正式开源了新一代通义千问模型 Qwen3，这一举动无疑在人工智能领域投下了一颗重磅炸弹，Qwen3 凭借其卓越的性能和诸多创新优势，迅速登顶全球开源大模型王座，让众多开发者和研究人员为之振奋。前排提示，文末有大模型AGI-CSDN独家资料包哦！Qwen3 是阿里巴巴通义千问团队推出的最新一代大型语言模型。它包含 8 个不同尺寸的模型，既有稠密模型（Dense Model），也有混合专家（Mixture-of-Experts，MoE）模型。

博文更新于 2025.05.08 ·