一、NLP基础概念 自然语言处理（Natural Language Processing, NLP） 是人工智能领域中研究如何让计算机理解、处理和生成人类语言的技术。它是连接人类语言与计算机系统的桥梁。 1.1 NLP的发展历程 阶段 时间 核心技术 代表任务 规则时代 1950s-1990s 基于语法规则和专家系统 机器翻译（早期）、文本解析 统计时代 1990s-2010s 机器学习、 …

阅读更多

一、基础概念 GraphRAG（Graph Retrieval-Augmented Generation）是将知识图谱与检索增强生成（RAG）融合的技术，通过构建实体与关系的图结构，提升复杂语义任务中的信息检索与生成质量。相比传统 RAG 依赖文本相似性匹配，GraphRAG 能够捕捉结构化关联，支持多跳推理和全局语义理解。 1.1 传统RAG核心问题 传统RAG通过向量相似度检索文档片段，但存在 …

阅读更多

一、基础概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的人工智能技术。通过从外部知识库中检索相关信息，并将其作为上下文（Context）输入给大语言模型（LLM），以增强模型处理知识密集型任务的能力，如智能问答、文本摘要、内容生成等。 其核心流程可概括为：用户提问 → 检索相关文档 → 将检索结果与问题融合 → 生成最终答 …

阅读更多

一、基础概念 Milvus 是一款开源的、专注于向量相似度搜索和AI 应用开发的数据库。它能够高效地处理由非结构化数据（如图片、音频、文本）转换而来的嵌入向量，并通过计算向量间的相似度，实现诸如“以图搜图”、“语义搜索”、“推荐系统”等功能。 1.1 核心概念 概念 说明 示例 集合 (Collection) 相当于传统数据库中的表，是存储向量的主要单元， …

阅读更多

一、基础概念 1.1 传统数据库的局限性 传统关系型数据库（如 MySQL）或 NoSQL 数据库（如 MongoDB）擅长进行精确匹配和范围查询，但它们无法有效处理基于“相似性”的查询，例如：“找出所有与这张图片相似的图片”。 1.2 向量数据库（Vector Database） 一种专门为存储、索引和检索高维向量而设计的数据库。其核心能力是进行近似最近邻搜索，快速找到与查询向量最相似的向量集 …

阅读更多

一、什么是嵌入模型 嵌入模型（Embedding Model） 是一种将非结构化数据（文本、图像、音频等）转换为高维向量的机器学习模型。这些向量能够捕捉数据的语义信息，使得相似的内容在向量空间中距离更近。 1.1 核心概念 概念 说明 嵌入（Embedding） 将离散符号（如单词、图像）映射到连续向量空间的过程 向量空间（Vector Space） 嵌入向量所在的高维空间， …

阅读更多

一、核心概念 提示工程：通过精心设计输入文本（提示词）来引导大语言模型（LLM）产生期望输出的技术与实践 核心思想：将任务要求转化为 LLM 能理解的指令和上下文，引导模型的预测朝着期望的方向进行 1.1 为什么需要提示工程？ LLM 具有强大能力但需要正确引导 同样的模型，不同的提示会产生截然不同的结果 成本效益：好的提示可以减少 API 调用次数和 token 消耗 可控性：使输出更符合业务需 …

阅读更多

一、基础概念 大语言模型（Large Language Model, LLM）是基于深度学习技术构建的人工智能系统。它通过在海量文本数据上进行训练，学习语言的统计规律、语法结构、语义关系以及世界知识，从而具备处理和生成人类语言的能力。 核心原理：以 Transformer 架构为计算引擎，通过海量文本数据上的自监督学习，基于“预测下一个词元（token）”的任务目标，最终构建出一个能处理和生成语言 …

阅读更多

一、AI 基础概念 人工智能（Artificial Intelligence, AI）：最宏观的概念，一个庞大的科学领域，致力于创造能够执行通常需要人类智能的任务的机器系统（AI 不一定需要学习，早期 AI 大多基于预设的规则和逻辑） 机器学习（Machine Learning, ML）：实现 AI 的一种核心方法。其理念是：从数据中“学习”规律，而不是硬编码规则。其性能随着经验（数据）的增加而提 …

阅读更多

1、设计模式 设计模式 是解决软件设计中常见问题的通用解决方案。设计模式提供了一套经过验证的最佳实践，帮助开发者编写可维护、可扩展和可复用的代码。 1.1 工厂模式 封装对象创建逻辑，通过统一接口创建不同类型的对象。 from abc import ABC, abstractmethod # 抽象产品接口 class LLMProvider(ABC): """LLM提供者抽 …

阅读更多