51学习网

**引言** 人工智能（Artificial Intelligence，AI）作为计算机科学的重要分支，旨在通过模拟人类智能行为构建能够感知、学习、推理和决策的智能系统。从1956年达特茅斯会议首次提出AI概念至今，其发展已渗透至社会各领域，成为推动数字化转型的核心驱动力。 **一、技术架构与核心术语解析** 1. **机器学习（Machine Learning）** 作为AI的基础实现方式，机器学习通过算法使计算机从数据中自动发现规律。其核心范式包括： - **监督学习**：基于标注数据训练模型（如图像分类中的ResNet算法） - **无监督学习**：从...

文章目录 （一）适用主体 （二）语料安全 （三）模型安全 （四）安全措施要求 （五）词库要求 （六）安全评估要求 （七）附录大模型备案材料源文件 2024年3月1日，我国通过了《生成式人工智能服务安全基本要求》（以下简称《AIGC安全要求》），这是目前我国第一部有关AIGC服务安全性方面的技术性指导文件，对语料安全、模型安全、安全措施、词库/题库要求、安全评估等方面提出了具体规范和要求。 （一）适用主体 《AIGC安全要求》的适用主体包括两类： 生成式人工智能服务 定义：利用生成式人工智能技术向中华人民共和国境内公众提供生成文本、图...

很多人入门深度学习，第一步就是复制 GitHub 上的 MNIST 代码，跑通，看到 99% 的准确率，然后就以为自己会 CNN 了。 我也一样。直到我开始问自己一些“较真”的问题，才发现：代码能跑 ≠ 我真的懂​ 这篇教程，记录我从调包、解剖、设计，再到踩完迁移学习坑的全过程。没有玄学，只有一步一步的脚踏实地。 本文首先从MNIST的训练过程开始讲起，会详细讲解过程和步骤，会有图例和代码，以及一些踩到的坑等注意事项。下面先介绍一些前置要点： 前言 深度学习框架：PyTorch PyTorch是一个开源的深度学习框架，由 Facebook 的人工智能研究团队开发，...

Agent Mail 产品介绍与 Trae Solo Agent 实测 一、产品基础信息 Agent Mail（Agently Mail）是 QQ 邮箱团队面向 AI Agent 推出的专属邮箱服务，官网：https://agent.qq.com/，官方帮助文档：https://help.agent.qq.com/detail/0/1092。 核心特性： 数据隔离：独立生成专属邮箱地址，和个人 QQ / 微信邮箱完全分隔，不会读取、操作私人邮件，隐私安全性更高； 原生适配：无需手动安装复杂工具，仅发送指定指令即可自动完成 CLI 与配套技能部署； 操作便捷：接入...

当我们聊起 Agent，或者阅读相关内容时，经常会看到一个词：MCP。它看起来像一个偏底层的技术名词，我们可以先来简单地记住这样一句话：MCP 是一套让 Agent 连接外部资料和工具的通用方式。 为什么 Agent 需要 MCP？因为我们要让 Agent 真正干活，第一步往往是得让它看见任务现场。要排查代码问题，它得先看到代码；要分析一次报错，它得先看到日志；要总结项目进展，它得看到文档、Issue、提交记录和任务状态。只靠聊天框里我们输入的几句文字描述，Agent 很容易给出泛泛建议。 因为 Agent 真能干活要的信息，大多都在模型外面。没有合适的连接方式，Agent 就只能根据...

极致的极简主义和无干扰设计（Zero-Distortion Design）正是目前少儿启蒙产品最稀缺的特性。现在的App充斥着各种金币、动画和复杂UI，反而分散了孩子的注意力。 每关15个短句30个插画，全部都是根据我的提示词AI生成，教材是让ChatGPT蒸馏了Reading Eggs、Raz Kids、Oxford Discover、Oxford Phonics World、Starfall、Cambridge Young Learners这些，并且根据非母语孩子的学习路径进行了微调。 把这个极简的构想落地成一款真正的App，我们需要从内容生成（ChatGPT蒸馏）、视觉生成（AI...

嗨，我是小华同学，专注解锁高效工作与前沿AI工具！每日精选开源技术、实战技巧，助你省时50%、领先他人一步。免费订阅，与10万+技术人共享升级秘籍！ 我的判断：   很多 AI Agent 不是输在模型不够强，而是输在每一步都用错了模型。   真正跑进生产环境以后，最麻烦的不是“能不能调通模型”，而是每一步该用哪个模型、花多少钱、失败了怎么办。   ClawRouter 这个开源项目，正好在尝试解决这件事。 先把问题说白 如果只是做一个聊天框，模型调用很简单： 用户问一句，模型答一句。 但 Agent ...

​上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。 一、向量数据库Chroma Chroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下： 1、只做检索，不做保存；Chroma既支持检索，也支持保存。 2、FAISS运行于内存，速度快；Chroma需要从磁盘加载数据，启动稍慢。 3、FAISS适合临时检索，多用于简单RAG；Chro...

DeepSeek 表格怎么导出到 Excel 或 Word？复制后错列怎么办 很多人让 DeepSeek 生成表格后，第一反应是直接复制到 Word 或 Excel。短表格通常没问题，但只要列数多、单元格里有换行、竖线、编号、链接，复制后就可能变成一整段文字，或者列和列对不上。 这类问题的核心不是 DeepSeek “不会做表格”，而是 AI 输出的表格经常是 Markdown 表格，Excel 和 Word 需要的是结构化表格对象。中间少了转换步骤，就容易错列。 先判断你的表格属于哪一种 表格类型 常见表现 推荐处理 ...

前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。 一、all-MiniLM-L6-v2的缺点 虽然all-MiniLM-L6-v2的优点很多，比如下列几点： 1、体积极小：几十 MB，随便本地离线下载 2、速度超快：CPU 就能跑，不用显卡 3、通用好用：英文很强，中文也能用（日常 RAG 足够） 4、适配所有向量库：FAISS、Chroma、Milvus 全都兼容 但是all-MiniLM...