多Agent 意图识别与路由
多 Agent 意图识别与路由 原文章：Agent 意图识别与路由 1. 原文的思想生产环境推荐采用： 规则 + 小模型 + LLM + State + Router + Planner + Policy + Fallback 整体流程： 123456789101112131415161718192021222324252627282930313233343536373839404142434
Claude Code 记忆机制
Claude Code 记忆机制 原链接：Claude Code 六层记忆体系 一、核心思路Claude Code 的记忆不是单纯保存聊天记录，而是把规则、会话、任务进度、长期经验和历史摘要分别管理，在有限的上下文窗口内维持工作连续性。 需要区分：信息保存在文件中，不代表模型当前就能看到；只有被加载或召回到当前上下文中的信息，才能直接参与本次回答。 二、六层记忆分别做什么 层级 解决的问
Qwen3-8B 微调模型合并、量化与本地部署总结报告
Qwen3-8B 微调模型合并、量化与本地部署总结报告 1. 项目概述本次部署的目标，是将在魔搭（ModelScope）Notebook 环境中使用 LoRA 微调得到的 Qwen3-8B 模型，合并为完整 Hugging Face 模型，转换并量化为适合个人电脑运行的 GGUF 文件，最后迁移到 Apple M1、16 GB 内存的 MacBook Pro，通过 llama.cpp 实现命令
novel-agent微调教程
novel-agent微调教程 1. 微调的场景与目标1.1 场景现有长篇中文小说 Agent 虽然通过提示词约束去除 AI 腔，但生成章节中仍会出现模板化句式、空泛心理描写、机械转折和过度解释等问题。 仅仅通过提示词工程的约束无法完全消除AI味的句子的生成。 1.2 目标因此计划使用 Qwen3-8B，在 A10 22GB GPU 上通过 LoRA 微调一个“局部文学编辑器”。它接收目
三维重建项目文档2.0
三维重建二维转三维担架部分项目文档2.0 1. 总体概览1.1 输入每个担架的三视图的杆件及对应的二维坐标 杆件ID: [左端点(x,y),右端点(x,y)] 正视图：coordinatesFront_data 底视图：coordinatesBottom_data 顶视图：coordinatesOverhead_data 123456789101112131415161718192021
微调的基本步骤
微调的基本步骤 大模型微调的标准化流程，可以概括为： 找一个基座模型 准备训练数据（重中之重） 进行训练调整参数 下文基于魔搭平台提供的免费GPU环境 微调框架使用Llamafactory 1. 选择并下载模型下载模型使用的命令： 123modelscope download \ --model Qwen/Qwen2.5-3B-Instruct \ --local_dir /mnt/wo
2026下半年面经
2026下半年面经 1. 虾皮一面 26.08.13（朋友面经）50min search部门 自我介绍 介绍一下vivo的实习agent是做什么的？ RAG架构怎么做的？为什么用BGE‑M3？效果怎么样？RRF选了多少个文档？为什么用RRF不用加权融合？ 你们的文档大小有多大？ 如果有一亿个文档存入你们这样的RAG架构，那最先顶不住的的是哪一个环节？ 如果要存一亿个文档的RAG怎么检索出来最
微调的基础知识
微调的基础知识 1. 微调是什么我们都知道自从22年底GPT3.5横空出世之后，我们随时随地的跟大模型进行聊天，大模型总能认真且“正确”的回答我们的问题。但是模型回答的答案一定是正确的吗，一定是我们想要的内容吗？即使随着基座模型的能力越来越强大，幻觉问题已经被解决的很好了，但是如果出现以下这些场景时，大模型回答的内容的精确性还有待提高： 遇到专业领域的问题：医疗、法律、金融等 当上下文长
