# 大模型

实时ML架构 - 特征在实时系统中的应用。MLOps实践 - 模型生命周期管理。机器学习基础 - ML核心概念。RAG实战 - 向量化特征应用

Feature Store - 特征管理详解。MLOps实践 - 模型生命周期管理。Spark MLlib - 批量训练基础。机器学习基础 - ML核心概念

MLOps（Machine Learning Operations）是将DevOps实践应用于机器学习的方法论，旨在统一机器学习系统的开发(Dev)和运营(Ops)，实现ML系统的可靠、可扩展和高效部署。。机器学习基础 - ML基础理论。Spark MLlib - 大数据ML实践。机器学习 - Python ML...

#为什么选 Corrective RAG 作为实战目标。#第二步：State 定义。#第四步：条件边（决策逻辑）。#第五步：图的编译与执行。#第六步：FastAPI 封装。#效果评估：与 Naive RAG 的对比。Agentic RAG进阶架构 介绍了四种 Agentic RAG 架构。选 Corrective...

传统 NLP 评估指标与人类判断之间的相关性，在 LLM 时代几乎崩塌了。BLEU 高不代表答案好，ROUGE 低不代表答案差。LLM 评估需要一套完全不同的体系。。#为什么 LLM 评估很难。#第一层：自动化评估（RAGAS）。#第二层：LLM-as-Judge。#评估驱动的开发工作流。1. 开放域输出，没有唯...

#是什么，为什么现在才真正可用。#主流工具全景（2025年实际在用的）。#工程实践：一个完整的实现。#数据分析师的日常用法。#对数据岗位的真实影响。Text-to-SQL 做的事情直白说就一件：把人话翻译成 SQL。。这个转换过程拆开来有三个核心子任务：。1. 意图理解：判断用户要做什么（查询、聚合、排名、趋势....

不同的 AI 任务需要不同类型的标注，理解它们的差异是选择工具和工作流的前提：。一个反直觉的发现：使用 1 万条高质量标注数据训练的模型，往往优于使用 10 万条低质量噪声标注数据训练的模型。噪声标注会误导模型学习错误的决策边界，且越是边界附近的样本，噪声的危害越大。。Kappa 系数（标注一致性指标）的工程意义...

传统搜索用关键词匹配——"苹果手机"搜不到"iPhone"的结果，因为字面上不相似。Embedding 技术的突破在于：把语义相似的内容映射到向量空间中相近的位置。。假设知识库有 100 万条文档，每条 Embedding 是 768 维的 float32：。存储：768 × 4 bytes × 1,000,00...

每个做过AI项目的人都经历过这个场景：模型在 Jupyter Notebook 里跑得很好，准确率亮眼，但一到要上线就陷入泥潭——环境不一致、代码不可复现、接口没有标准化、性能不达标……。这道鸿沟不是技术能力问题，而是工程体系问题。。机器学习的版本管理比普通软件更复杂，因为它有三个需要同步追踪的维度：。代码版本：...

Agent概述 - 单Agent基础知识。Agent框架 - 框架详细使用。提示工程 - Agent Prompt设计。大语言模型 - Agent的核心引擎

Agent概述 - 了解Agent基础概念。RAG实战 - 检索增强技术详解。提示工程 - Agent Prompt技巧。向量数据库 - 检索基础设施。大语言模型 - Agent的"大脑"

大语言模型 很强，但本质上只是一个"嘴上功夫"选手——能说会道，却不能真正做事。。AI Agent = LLM + 记忆 + 工具 + 规划能力。一个能够自主感知环境、制定计划、执行行动、并根据反馈调整的AI系统。。Agent的"思考引擎"，负责：。将复杂任务分解为可执行的步骤。。Agent的"手脚"，让AI能与...

大语言模型 很强大，但有三个致命问题：。RAG（Retrieval-Augmented Generation）= 检索 + 生成。先从知识库中检索相关文档，再让大模型基于检索结果生成回答。。把各种格式的文档转成纯文本。。把文本转换成向量（一串数字），让计算机能计算"语义相似度"。。详见 → 向量数据库与语义搜索。...

同一个 大语言模型，不同的提示词可能带来天壤之别的效果：。掌握Prompt工程，你可以：。将AI的效果提升 3-10倍。完成之前"AI做不好"的任务。显著减少来回修改的次数。建立可复用的"提示词资产库"。最简单但非常有效的技巧：。在 RAG系统 中，Prompt设计至关重要：。在 AI Agent 中，Promp...

2022年底ChatGPT的发布，标志着AI进入了一个新时代。如今（2025年），大语言模型已经：。正在改变几乎所有行业的工作方式。催生了全新的职业（如Prompt工程师）。成为企业数字化转型的核心技术。语言模型的本质很简单：预测下一个词。。当模型大到一定程度，会突然"涌现"出小模型不具备的能力：。所有主流大模型...

HR Dive报告显示：超过70%企业要求AI技能，但真正投入培训预算的不到30%。公司希望你会AI，却不打算教你——这是2025年数据从业者面临的尴尬现实。本文为数据分析师和数据工程师提供一套不依赖公司培训的AI自学路径，从工具选择到场景落地的完整自救方案。

当RAG技术让5个人顶50个人，传统数据工程师如何在大模型时代生存？从35岁资深工程师的转型实战，到6个月RAG学习路径，这是一份数据人的生存指南。