本文详解微调、提示词和思维链技术的应用场景，并以生成博客文章为例，提供准备数据、微调模型和评估结果的具体步骤。通过在线接口微调OpenAI最新发布的GPT-4o-mini模型，其性能接近GPT-4，价格仅为GPT-3.5的一半。

AI Agent智能体四类设计模式：通用人工智能必经之路 如果把使用AI完成任务比喻成写作文，那么非智能体（Agent）的方式就是让AI从头到尾一次写完，不准修改，而Agent的方式则允许AI多次反复修改，并且在修改的过程中还可以借助工具、与外界合作交流。Agent，在2024年看来，是实现通用人工智能(AGI)的道路之一。 基础模型推动了生成式人工智能的发展，让AI Agent可以自动地帮用户完成任务。近一年来，各类Agent层出不穷。受吴恩达在红衫AI峰会的演讲启发，本文通过结合近一年内发表的论文和L

RAG系统的成功在很大程度上取决于其高效地获取和处理海量信息的能力。向量数据库又在其中发挥了不可替代的作用，并构成了RAG系统的核心。向量数据库专门用于存储和管理高维向量数据，它们能把文本、图像、音频甚至视频转换为向量并存储（这一点将在后文中详细阐述）。RAG系统最终能实现的效果就取决于这些底层向量数据库的表现。 在众多向量数据库和向量库中，每个都有自己的一些特点，选择一个适合自己应用场景的也需要经过评估。本文中将深入探讨选择向量数据库用于RAG时需要考虑的关键因素，包括开源可用性、CRUD（增删

在构建AI应用时，会遇到“AI并未见到过任务中数据的问题”。比如对于企业来说，AI无法掌握每个客户的资料；对于个人来说，AI对一些个人信息、隐私信息不甚了解。即使AI能力很强（理想的世界模型也不例外），缺少具体任务的数据后，就失去了”具体问题具体分析“的能力。 什么是RAG 通过检索外部资料来提高生成式AI模型的准确性和可靠性，就是检索增强生成技术（Retrieval-Augmented Generation）。如果把大语言模型(LLM)完成任务的过程比作考试，那么有RAG的大模型就相当于是开卷考试，

标准输出（stdout）与标准错误（stderr）这两个概念虽然简单，但在日志记录、错误处理和数据流管理中扮演着核心角色。本文将探讨stdout和stderr的区别和应用，尤其是在Python环境中如何有效地使用它们。 标准输出（stdout）与标准错误（stderr） 在大多数操作系统中，标准输出和标准错误是进程的两个主要输出流。它们提供了一种机制，使得进程可以将信息和错误消息发送到终端或文件。虽然这两个流在物理上可能相同（例如，都显示在同一终端界面上），但它们在逻辑上用于不同的目的： 标准输出（s

背景 当需要分享或分析网页内容时，长截图是一种非常实用的形式，它能够完整地展示页面。然而，处理这些长截图时，如何保持其信息的完整性和可读性，同时方便进行后续操作，一直是一个挑战。比如目前（2024年初）市面上主流的AI图像模型，仍然不能处理很大、很复杂的图片，如果强行把一张长截图输入模型，就会导致模型输出的性能变差（很多细节无法被识别到）。为了解决这个问题，我开发了一款基于OpenCV的工具，旨在简化长截图的处理过程，同时保持其内容的完整性和可读性。 这个项目已在我的Github开源：https:/