- 博客(460)
- 资源 (16)
- 收藏
- 关注
RSS订阅原创 提示词增强工程（PEE）框架,从原始提示词到结构化增强、LLM执行、评估和数据持久化的完整自动化流程
提示词增强工程（PEE）框架是一个模块化的原型系统，旨在将“提示词增强工程”的理念付诸实践。它将一个复杂的任务分解为六个相互独立又协作的模块，实现了从原始提示词到结构化增强、LLM执行、评估和数据持久化的完整自动化流程。我们开发的PEE-Core框架是一个模块化的 Python 库，旨在将提示词从一个简单的文本字符串升级为可管理、可优化和可自动化的“软件资产”。它通过一个完整的工作流，将用户的原始提示词自动增强为更具鲁棒性、更明确的提示词，从而提高大型语言模型（LLM）的输出质量和稳定性。
2025-08-02 12:15:34
909
原创 为什么我们需要提示词增强工程PEE(Prompt Enhancement Engineering )
如果说“提示词工程”解决了“从 0 到 1”的问题，让大模型能用起来；那么“提示词增强工程”则致力于解决“从 1 到 100”的问题，让大模型能够用得更好、更稳定、更智能。它将提示词从一个简单的输入字符串，提升为一个可管理、可优化、可适应的“软件资产”，是AI应用迈向成熟和大规模商业化的必经之路。
2025-08-01 08:58:12
794
原创 动手搭建“提示词增强工程（PEE）”的原型系统，
基于，我们开发了一个原型系统，利用大语言模型（LLM）自动优化用户输入的原始提示词。本系统采用和实现，因其简洁高效且功能强大。
2025-08-01 08:55:28
426
原创 【基于BERT 的词嵌入 自定义模型】MAP - Charting Student Math Misunderstandings
【代码】【基于BERT 的词嵌入 自定义模型】MAP - Charting Student Math Misunderstandings。
2025-08-01 07:52:18
129
原创 Kaggle竞赛提交环境无法联网，下载模型和 tokenizer 到本地，后续从本地加载/或上传到对应环境
在 自己的机器上运行以下代码，将 tokenizer 和模型保存到本地文件夹中，例如。下面是如何下载并保存模型的步骤，适用于 Kaggle 无网络环境。这样你就不再依赖联网资源了，提交代码不会报错。这一步会在本地创建一个包含以下内容的文件夹。，并在推理（提交）代码中。
2025-08-01 07:51:54
417
原创 提示词增强工程（Prompt Enhancement Engineering）白皮书草稿
*提示词增强工程（Prompt Enhancement Engineering，简称 PEE）**是一种工程化实践，它在传统提示词工程的基础上，通过自动化、系统化的手段，提升提示词的性能、适应性、鲁棒性及上下文感知能力，以确保大型语言模型在多元任务和不同模型中都能输出高质量、精确且结构化的结果。
2025-07-31 21:19:27
1610
1
原创 AutoGluon目标列中NA值作为标签的处理方案
AutoGluon要求目标列不能包含NA/缺失值，但在某些应用场景中，NA本身可能代表一种有意义的标签类别。
2025-07-31 08:17:34
245
原创 【特征工程】一文读懂如何在ML项目如何开展特征工程
特征工程指的是：从原始数据中提取、转换、构建有意义的输入特征，以增强机器学习模型的表达能力与泛化能力。
2025-07-31 08:17:09
1126
原创 【 建模分析回顾】[MultiOutputClassifier]MAP - Charting Student Math Misunderstandings
输入 X：自然语言文本（问题和学生回答）输出 Y：离散的标签值（概念分类，误解分类）目标：学习一个映射函数或任务类型：多类文本分类（Multiclass Text Classification）
2025-07-30 20:45:00
463
原创 [AutoGluon]MAP - Charting Student Math Misunderstandings
【代码】[AutoGluon]MAP - Charting Student Math Misunderstandings。
2025-07-30 20:30:00
329
原创 [MultiOutputClassifier]MAP - Charting Student Math Misunderstandings
【代码】[MultiOutputClassifier]MAP - Charting Student Math Misunderstandings。
2025-07-29 22:40:49
227
原创 【AutoML】MAP - Charting Student Math Misunderstandings
autogluon的TabularPredictor 不支持多标签任务。
2025-07-29 22:37:45
113
原创 【神经网络】一个多任务的模型 MAP - Charting Student Math Misunderstandings
【代码】【神经网络】一个多任务的模型 MAP - Charting Student Math Misunderstandings。
2025-07-25 08:29:14
300
原创 【XGBoost】两个单任务的模型 MAP - Charting Student Math Misunderstandings
【代码】【XGBoost】两个单任务的模型 MAP - Charting Student Math Misunderstandings。
2025-07-24 18:26:53
216
原创 【干货】国内开源小模型的综合比较一览表，供参考。
这个比较旨在帮助你选择最合适的模型，结合企业的业务需求、技术栈和硬件资源，具体涵盖了模型的特点、优缺点、适用场景以及适配的资源要求。
2025-07-24 18:00:52
452
原创 【XGBoost】MAP - Charting Student Math Misunderstandings
类别权重调整：可以通过遍历scale_pos_weight取值为5，6，7，8，9，10来调整类别权重，从而提升少数类别（含误解）的召回率。XGBoost：使用 XGBoost 来代替 SVM，它在不平衡数据集上表现通常较好。调参：使用 GridSearchCV 来调节模型的超参数，以提高性能。
2025-07-20 11:09:53
167
原创 【SVM class_weight 】MAP - Charting Student Math Misunderstandings
针对数据不平衡问题，用调整类别权重的方式来处理数据不平衡问题，同时使用支持向量机（SVM）模型进行训练。我们通过使用 class_weight=‘balanced’ 来调整模型对少数类别的关注度。
2025-07-19 17:48:36
226
原创 【SVM smote】MAP - Charting Student Math Misunderstandings
我们通过使用 class_weight=‘balanced’ 来调整模型对少数类别的关注度来改善模型对少数类别的识别能力。针对数据不平衡问题，用调整类别权重的方式来处理数据不平衡问题，同时使用支持向量机（SVM）模型进行训练。
2025-07-19 17:36:35
225
原创 【逻辑回归】MAP - Charting Student Math Misunderstandings
接下来，进行数据预处理，并使用学生解释文本进行特征提取。我们将清理文本、进行分词、去除停用词，并准备数据进行训练。之后，我会选择一个简单的模型-调整模型：可以考虑使用其他模型，如支持向量机（SVM）或深度学习模型（例如 BERT）来提高对含有误解解释的识别能力。数据不平衡问题：我们可以尝试使用过采样或欠采样技术，或者调整类别权重来改善模型对含误解解释的识别。模型训练完成并进行了评估。来作为起点，进行训练并评估。
2025-07-19 14:13:14
291
原创 【LoRA微调实战全过程】LLM由传统的“数据+模型+任务”范式向“预训练大模型+微调/提示工程”的范式转变
一文我们从0到1分享了一个完整的LLM的构架过程，旨在让你从底层理解LLM的工作原理，为后续深入学习和实践大模型打下坚实的基础。今天我们将以一个常见的任务——为例，分享目前最主流和方便的 LoRA微调，
2025-07-18 09:15:06
803
原创 【Android代码】绘本翻页时通过AI识别，自动通过手机/pad朗读绘本
使用了 CameraX（Android Jetpack）处理摄像头输入。使用 TextToSpeech 实现朗读。使用 ML Kit 做文字识别。
2025-07-17 21:30:00
230
原创 【LLM】从零到一构建一个小型LLM--MiniGPT
从零到一构建一个，这是许多现代LLM（如GPT系列）的核心预训练任务。我们设计的模型是一个的Transformer架构，专注于生成式任务。这里将简化其规模，以使其更易于理解和从头实现，但保留核心的Transformer组件。
2025-07-17 10:40:59
1043
原创 【迭代】绘本方案原型验证成功，后面进入产品化阶段
1.第一阶段本实现了绘本PDF的生成，但是要解决语音问题，未找到好的解决方案。但是生成PDF文件没有问题。2.第二阶段放弃了PDF，改为在线绘本，轻松解决语音播放，这个需要提前录音。在线绘本支持下载为PDF绘本，打印生实体书（可以AI识别）3.第三阶段，结合前面的实现，同时实现和验证了下面功能。实体绘本通过AI识别，然后通过手机和pad朗读文本。针对绘本方案前期进行了多种方案验证。绘本页，支持批量添加，修改。
2025-07-17 10:21:21
187
原创 【迭代】PDF绘本录音播放，点读笔方案调研和初步尝试
让点读笔（尤其是市面上常见的、或你打算开发的新型点读笔）能够“读”出纸张上的特定内容并播放对应录音，那么使用点阵码（或称为隐形码、OID码）几乎是唯一的、主流且成熟的技术方案。没有通用的、公开的、可以直接使用的“点读笔”SDK来生成点阵码。市面上大多数点读笔品牌（如小达人、外研社、步步高、易读宝等）都使用其自有的、受专利保护的点阵码技术。获取点阵码技术通常需要与特定厂商合作。
2025-07-16 13:27:14
419
原创 【迭代】绘本生成方案迭代2，解决录音播放问题
我们可以在 PDF 中创建一个可点击的文本（比如单词本身），当用户点击时，通过 PDF 内嵌的 JavaScript 来触发播放一个外部音频文件。实现复杂：ReportLab 没有直接的 API 支持，可能需要直接操作 PDF 对象的低级 API，或者结合 PyPDF2/PyMuPDF 等库。文件大小：音频文件不需要真正嵌入 PDF 内部，可以放在网络服务器上，减小 PDF 文件大小。兼容性差：不是所有 PDF 阅读器都完全支持 PDF 内嵌音频的播放。灵活性：音频文件可以随时更新，无需重新生成 PDF。
2025-07-16 13:14:34
288
原创 基于YOLOv3-Tiny 的智能门铃的人体检测模型详细部署指导（终结）
到这里已经有了一个 PyTorch YOLOv3-Tiny 模型，并且通过 QAT 进行了训练和优化，并考虑了锚框聚类。现在，是时候将其部署到目标嵌入式设备上，通常这将涉及将其转换为格式。
2025-07-14 08:00:48
867
原创 基于YOLOv3-Tiny 的智能门铃的人体检测模型的实现（下）
承接一文，为了提升模型进性能。本文主要介绍锚框聚类锚框聚类是优化 YOLOv3-Tiny 模型性能的关键一步，因为它能确保模型学习到与数据集目标尺寸更匹配的先验框，从而提高检测精度和收敛速度。这里将添加一个用于执行锚框聚类（K-means）的 Python 脚本。通过运行这个脚本来生成适合数据集的锚框，然后会将它们更新到config.py中。
2025-07-14 07:56:53
477
原创 基于YOLOv3-Tiny 的智能门铃的人体检测模型的实现（中）
这篇文章我们分享了模型的架构和设计，今天我们基于的 来开发这个模型。包括模型定义、数据集加载、训练循环、评估以及量化感知训练 (QAT) 的集成。
2025-07-13 09:45:23
1057
原创 一文读懂“人工智能”、“机器学习”、“深度学习”这些词的真正含义和关系台
你是不是也经常听到“人工智能”、“机器学习”、“深度学习”这些词，然后感觉它们像是某种高深莫测的“高科技魔法”？别担心，不止是你一个人。但今天，我们就来揭开这些概念的神秘面纱，让你一下子明白人工智能到底是什么，以及它和我们常听说的那些词之间，究竟有什么关系。人工智能 (AI)：让机器“思考”的总目标想象...
2025-07-12 09:53:31
415
原创 基于YOLOv3-Tiny 的智能门铃的人体检测模型的实现（上）
我们将定义 YOLOv3-Tiny 的骨干网络和头部。# model.py"""YOLOv3-Tiny 的实现主要模块:1. ConvBlock: 卷积层 + BatchNorm + LeakyReLU2. YOLOLayer: YOLO检测头，处理输出特征图并生成边界框预测"""return xself.ignore_thres = 0.5 # IoU阈值，低于此值的预测不计入损失self.obj_scale = 1 # 目标置信度损失权重。
2025-07-12 09:36:19
825
原创 【分享】交互式 AI 模型方案选择器，轻松获得推荐AI方案
一文中的为了更好地将这些理论转化为实用工具，报告提到了一个“AI 模型方案选择器”，通过回答问题，可以为用户推荐最适合的 AI 解决方案。根据用户的的回答，帮助用户给出推荐方案及备选方案，还有多方案之间的比较，供用户选择权衡。
2025-07-11 09:07:32
272
原创 【报告发布】小模型与边缘AI的高效构建 从理论探讨逐步深入到具体的应用开发
首先从“如何构建一个满足要求的小模型”开始，探讨了在大型语言模型（LLMs）成熟的背景下，小模型的定义、数据准备、架构选择（如传统机器学习、小型神经网络、知识蒸馏、量化、剪枝）以及训练评估等关键步骤。接着探讨了“如何利用大语言模型解决传统机器学习和神经网络的问题”，提出了 LLMs 在数据增强、特征工程、模型选择辅助、提升可解释性以及小样本/零样本学习方面的应用潜力，并通过“客户评论情感分析”的具体应用举例，详细展示了 LLMs 如何通过生成语义嵌入和知识驱动的特征来解决传统特征工程的痛点。
2025-07-10 11:54:45
214
原创 【干货】Agent实战开发 提示词优化Agent
开发一个提示词优化Agent是非常具有挑战性但又充满潜力的任务。通过利用先进的生成式模型、优化算法和用户反馈机制，这个Agent将能极大提高大模型在各种任务中的表现，帮助开发者更高效地生成高质量的输出。如果你有兴趣继续深入某个部分的实现或有具体的问题，随时可以告诉我！
2025-07-10 11:30:43
801
原创 【大模型解决传统特征工程问题】客户评论的情感分析模型
将复杂的文本特征提取（如 TF-IDF、n-gram、情感词典）替换为简单的 LLM 嵌入生成，大大减少了人工工作量。LLM 嵌入能理解词语的上下文和语义关联，处理同义词、多义词和复杂句式，这是传统方法难以做到的。更高质量的语义特征使得即使是简单的机器学习模型也能达到更好的分类性能。新词、流行语等会自然地被 LLM 捕捉到其语义，无需频繁更新词典或规则。LLM 可以帮助我们将抽象的特征解释为人类可理解的语言，增强模型透明度。
2025-07-09 09:19:20
945
原创 AI辅助编程及大模型应用开发实战电子书已集结完毕
无论是普通人感兴趣的AI辅助编程，还是程序员目前的大模型应用实战，这里都有满足你的信息。AI席卷而来，驾驭AI，用好AI，让AI助力你起飞。电子书获取，请直接发私信给我。
2025-07-04 14:22:55
326
原创 6月份最后一天，终于在月底前完成了本月的计划，更新完大模型应用开发全系列及 Deepseek相关内容
1.大模型应用实战含微调、提示工程，API集成、部署优化等，结合行业案例解析技术落地场景。2.RAG实战围绕具体案例，覆盖从商业目标分析到后期运维运营的全生命周期实践。3.Agent 应用实战以电商客服场景为例，构建可自主处理咨询、查询订单、协助退换货及推荐商品的智能电商客服多Agent系统。融入了丰富的代码片段、详细的配置示例与命令实录，确保读者能够边学边练，即学即用。通过金融、医疗、政务、教育等多个行业的真实落地案例，让读者深刻理解 DeepSeek 大模型在不同业务场景下的巨大潜力与实际应用。
2025-07-01 07:59:21
280
Excel【办公软件应用】Excel 2016快速入门指南：基础功能介绍与高效办公技巧汇总了文档的主要内容
2025-07-05
大模型实战系列-08 开发一个基于 MCP 协议的多 Agent 协作系统
2025-07-03
鸿蒙分析报告，大模型 也许成为鸿蒙跨越应用“鸿沟”的契机
2025-04-12
这份报告对 YC 2023 年和 2024 年队列中的 417 家人工智能公司进行了广泛的分析
2024-08-17
世界各地很多服务提供商采纳了TM论坛的TOM2.1业务架构模式，TOM已经成为服务提供商运营管理的工业标准。但是。。。。
2022-02-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人