提拉的Studio

AgentAgent是一种基于大型语言模型的智能体，能够通过自主感知、规划、决策和执行完成复杂任务。它具备环境交互能力，可调用工具、记录历史信息，并根据目标拆解问题步骤，最终输出解决方案。 Agent就像一个全能助手，不仅可以回答问题，还能主动帮你完成任务，会做事。 Agent原理Agent的核心架构包括大语言模型（理解意图）、记忆模块（记录长期经验与短期上下文）、规划模块（拆解目标为子任务）和工具调用模块（执行如搜索API、写代码等操作）。通过模仿人类“目标-反思-行动”的思维链，实现任务闭环。 Agent实践案例会议助手：自动预定会议、发送通知、总结纪要，还能跨平台搜索并整理资料。个人助手：如“扣子”平台，用户可通过拖拽工具模块（日历、支付等）自定义Agent，实现自动记账、会议提醒等功能。智能客服：用户提问时，Agent先检索知识库，再调用订单查询接口，最终用自然语言生成回复，并记录问题到“长期记忆”以优化后续服务。 总结大模型Agent是能独立完成复杂任务的智能体，技术核心在于模拟人类思维链，结合记忆、规划和工具调用。当前已应用于客服、办公等场景，未来可能成为AI领域的“...

MCP Model Context ProtocolMCP(模型上下文协议)是由Anthropic于2024年11月提出的开放协议，旨在为大语言模型与外部数据源、工具之间建立标准化接口。它采用客户端-服务器架构，定义统一的通信规范，使大模型能动态调用实时数据（如数据库、API）和功能（如绘图、文件操作），打破模型训练的信息孤岛。 MCP就像一个万能插座，让大模型能即插即用地连接各种工具和数据。比如，原本大模型不知道今天天气，但通过MCP协议，它能调用天气预报接口，像人一样实时查数据回答问题。 MCP原理MCP Host（主机环境）：集成大模型的应用程序（如VSCode Copilot，Dify，Coze），负责执行AI任务并运行MCP客户端。MCP Client（客户端）：作为中介模块（如Cursor），在主机环境中管理通信，向服务器查询可用工具列表、转发调用请求，并处理响应。MCP server（服务器端）：封装外部工具接口（如数据库、API）。 MCP就像工厂流水线，主机运行AI大脑干活，客户端负责传话找工具，服务器存着数据库等外挂设备，客户端把需求告诉服务器，拿到结果再传回...

PromptPrompt(提示词)是用户与大语言模型交互时输入的指令或文本片段，用于引导模型生成符合预期的内容。它可以是问题、任务描述，或包含背景、示例的结构化文本，本质上是人与模型沟通的桥梁。 为什么Prompt重要Prompt工程的核心意义在于解决大模型的模糊性。模型虽然拥有海量知识，但无法直接理解人类意图，它不会通过一个眼神读懂你，你需要清晰告诉它你需要具体的什么，希望它怎么做。通过设计优质prompt，可以明确任务边界、提供上下文，从而缩小模型的想象空间，提升输出的相关性和准确性。 怎么写出优质提示词明确任务：用动词开头（如“总结”、“对比”等），指定输出角色（如“你是一名律师”）提供上下文：补充背景信息（如“用户是新手妈妈”）和示例结构化格式：要求分点、表格或JSON输出优化策略：使用RTF框架（角色-任务-格式）、思维链（“请逐步分析”，“请给出详细步骤”） 告诉大模型要干嘛，然后补充一些背景资料让它知道，最后规定答案格式，告诉它你要的是什么。 总结Prompt是与大模型高效沟通的密码。通过明确指令、补充细节和规范格式，将模糊需求转化为机器可执行的任务。

RAG Retrieval-Augmented GenerationRAG检索增强生成是一种结合信息检索与大语言模型的技术框架。核心是通过外部知识库动态检索相关信息，将其与用户问题结合，增强模型生成答案的准确性和专业性。RAG无需修改模型参数，而是以外挂方式扩展LLM的知识边界，尤其适用于知识密集型任务（如问答、文档分析）。 RAG相当于给大模型外接了一个移动硬盘。当大模型遇到不确定的问题时，会先从这个硬盘里面快速搜索相关知识点，再结合自己本身的记忆给出更靠谱的答案，避免瞎编或过时信息的问题。 RAG原理数据准备：将文档拆解、编码为向量存入数据库。检索增强：将用户问题编码后匹配相似向量片段。生成优化：将检索结果与大模型能力结合，通过提示模版生成最终答案。 RAG怎么用ChatPDF：用户上传PDF后，RAG自动解析文本、建立索引（OpenAI,Cohere等模型的Embeddings API允许用户传入自己的文本数据进行向量化处理），回答时检索相关内容生成总结，适合学术文献分析。金融领域：银行用RAG构建智能客服，检索内部政策文档和产品手册，生成合规且专业的回复，避免信息泄露风险...

TokenToken是大语言模型处理文本的最小语义单元，通过分词算法将原始文本切割为可计算的离散符号。不同于传统的汉字或单词，它采用BPE等算法实现跨语言混合拆分，每个token对应词表中的唯一ID并转换为高维向量。 Token就像是组成物质的基础颗粒，它有自己的编号和数字坐标，编号是它的唯一id，而数字坐标由embedding得来，是一个高维向量，由输入的数据集得来。 为什么Token重要Token是模型资源消耗的计算单位，直接影响API调用成本（如GPT-4每千token约0.3元）、上下文记忆长度（如4096 tokens限制）和生成质量。合理的token使用能优化算力分配，避免关键信息被截断。 这其实是影响和大模型对话的三大体验：要花多少钱、能聊多长、回答质量。 怎么减少Token输入优化：删除冗余词 （“那个…嗯”，重复语义的）参数控制：设置max_tokens = 300限制回答长度长文本处理：分段输入+用“继续”指令衔接监控用量：调用API时查看usage字段 总结Token是AI理解人类语言的乐高积木，既决定了大模型的算力成本，又影响着对话质量。掌握分词...

TransformerTransformer是一种基于自注意力机制的神经网络架构，专为处理序列数据（如文本、语音）而设计。其核心由编码器encoder和解码器decoder组成，编码器负责提取输入序列的全局特征，解码器则根据编码结果生成输出。通过位置编码保留序列顺序信息，并通过多头注意力机制并行捕捉不同维度的语义关联。 Transformer就像一个超级大脑，它的设计让它可以同时并行分析一句话里所有词的关系，不需要像传统模型那样逐字读。 Transformer原理Transformer通过一种叫“自注意力”的技术，能够同时关注句子中的所有单词，理解它们之间的关系。 Transformer实践案例GPT系列：基于纯解码器架构，通过海量文本预训练生成连贯内容，如写文章、编程代码。BERT：基于编码器的模型，擅长理解语义，用于搜索引擎优化和问答系统。Sora：结合扩散模型与transformer，生成高质量视频，体现多模态扩展能力。 GPT像作家，输入主题就能编故事；BERT像学霸，擅长考试中的阅读理解；Sora则是导演，用文字描述就能生成视频。它们的共同点是用transformer分...

k-均值聚类kmeans算法是一种常用的聚类算法，属于无监督学习的一种。KMeans算法的基本原理是通过迭代的方式将数据集划分为K个簇，使得每个簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不同。 具体步骤初始化：随机选择K个数据点作为初始的聚类中心。分配：计算每个数据点到各个聚类中心的距离，将每个数据点分配到距离最近的聚类中心所在的簇。更新：重新计算每个簇的中心点，通常是取该簇所有数据点的均值。迭代：重复步骤2和3，直到聚类中心不再发生变化或达到预设的迭代次数。 KMeans算法的应用场景和优缺点KMeans算法因其简单高效，被广泛应用于数据挖掘、数据分析、异常检测、模式识别等领域。 优点：简单高效：实现简单，收敛速度快。应用广泛：适用于大规模数据集。可解释性强：结果直观，易于理解。 缺点：对初始值敏感：初始聚类中心的选择会影响最终结果。可能陷入局部最优：算法容易陷入局部最优解而非全局最优解。需要预先指定K值：K值的选取对结果有较大影响，通常需要根据经验或多次试验来确定。 KMeans算法的改进方法K值选择：可以通过肘部法则、轮廓系数等方法来确定最佳的K值。初始化方法：采用...

决策树基本定义决策树是一种利用树形图进行决策的预测模型，表现出对象属性与对象值的一种映射关系，用于分类和回归任务。它是通过训练数据，采用自顶而下的贪婪算法选择最合适的属性作为节点生成的决策树。 属性选择标准 信息增益 （ID3算法） 信息熵 H(D)用来描述系统信息量的不确定度，越混乱，信息熵越高。H(D|A)表示属性A的情况下的熵值。Gain值表示属性A对于系统统一性作出的贡献值，对比所有属性的Gain值，Gain值最高的属性适合做决策树的第一个节点。 条件熵： eg. 风力weak的情况有8次，风力strong的情况6次。week情况下，8次中有6次出去玩，2次不出去玩。strong的情况下，6次中有3次出去玩，3次不出去玩。 根据熵公式，Entroy(weak) = -(0.25* $\log_2 0.25$) - （0.75* $\log_2 0.75$）= 0.8112781244591328Entroy(strong) = -(0.5* $\log_2 0.5$) - （0.5* $\log_2 0.5$）= 1.0 12...

大模型幻觉 Model Hallucination大模型幻觉指模型生成的内容存在不符合现实事实（事实性幻觉）或偏离用户指令/上下文（忠实性幻觉）的现象。事实性幻觉：分为“事实不一致”（错误引用信息）和“事实捏造”（无中生有）。忠实性幻觉：包括指令、上下文或逻辑不一致（如答非所问、自相矛盾）。 为什么有幻觉幻觉源于数据缺陷（错误、偏见、过时知识）、训练过程问题（模型架构偏差、对齐目标冲突）和推理阶段的不确定性（随机抽样、解码策略不完美）。 总的来说就是3个方面，1是喂的数据本身不够客观，模型学坏了。2是训练方法没调好，导致模型学歪。3是推理时像抽奖，模型可能随便蒙答案。 怎么解决幻觉检测：用外部知识库验证事实性幻觉（如查百科），通过逻辑分析、指令匹配检测忠实性幻觉。减轻：清洗数据、更新知识；优化训练策略（如强化对齐），推理时增加事实验证步骤（如引用权威来源）。 通俗说就是让模型自己在回答问题前去查资料，检查是否按要求答题以及答题是否符合事实规律，自行再调整。喂给模型更干净、与时俱进的数据，训练时盯紧目标（比如教它诚实），生成答案时候强制引用真实信息。 总结大模型幻觉是“一...

思维链 Chain of thought思维链CoT是大语言模型通过分步骤推理提升答案准确性的技术。其核心是将复杂问题拆解为多个子任务，生成中间推理结果（如PPI），再整合为最终输出，模仿人类逐步思考的过程。 思维链的原理传统模型直接从输入到输出，而CoT通过算法函数（R函数拆解任务、E函数整合结果）实现分步推理。模型参数规模（如137B）越大，CoT能力越强，但依赖人工设计提示词，且单模态场景有局限。 思维链实践案例Deepseek R1交互：页面展示分步推理过程，如先展示思考过程再生成结果。提示词工程：提问时加“请逐步思考”，准确率显著提升，如文献综述分阶段完成。知识图谱生成：用CoT拆解任务为实体提取、关系分析等步骤。 总结CoT通过分步推理提升大模型答案的准确性和可解释性，但依赖人工设计提示词，且对创新性问题（如数学猜想）泛化能力有限。它是当前提升模型表现的有效工具，但非终极方案。