- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
Tacq - Rocq 的上下文感知战术推荐
Tacq - Rocq 的上下文感知战术推荐 Tacq - Context Aware Tactic Recommendation for Rocq https://hal.science/hal-05428141v1 本文其余部分组织如下：第3节介绍我们如何利用 Rocq 解释器提取当前目标的依赖项和符号；第4节介绍 LLM4Docq，并说明我们如何为 MathComp 元素生成文档字符串；第5节在 MathComp 在我们的补丁代码（右侧），intern_notation 函数不仅返回符号的实例化结果，还同时返回符号本身（第5行）；我们向 intern 函数传入一个累加器（第7–11行），用于收集所有符号。 图5展示了两个专家反馈的示例。 重新生成。我们并非手动修正所有文档字符串，而是在收集到足够多的专家反馈后，利用这些反馈优化 LLM 的提示内容。 5 评估 本节中，我们在 MathComp 库中随机抽取的一组证明目标上对 Tacq 进行评估，使用了多种不同规模的模型（包括闭源和开源模型），并进行了消融研究，以衡量提示中每个组件的影响。
8810编辑于 2026-03-11 - 来自专栏活动
推荐系统中的上下文感知技术
本文将详细介绍推荐系统中的上下文感知技术，并通过实例演示如何将其应用到实际的推荐系统中。 上下文感知推荐系统的发展 上下文感知推荐系统的发展经历了从静态推荐到动态推荐的演变。 上下文感知推荐系统的基本原理 上下文感知推荐系统通过分析用户的上下文信息，生成更加个性化的推荐内容。其基本原理包括以下几个方面： A. 上下文信息的获取 上下文信息的获取是上下文感知推荐系统的关键步骤。 实例分析：上下文感知推荐系统的实现 在本节中，我们将通过一个实例，演示如何构建一个上下文感知推荐系统。 def recommend(user_id, context, top_k=5): similar_users = np.argsort(user_similarity[user_id])
85101编辑于 2024-08-11 - 来自专栏自然语言处理(NLP)论文速递
SIGIR 2022 | FRNet：上下文感知的特征强化模块
另一方面，本文希望一个理想的特征细化模块应该识别重要的跨实例上下文信息，并学习不同上下文下显著不同的表示。 因此本文提出了一个模型无关的模块 Feature Refinement Network（FRNet）来学习上下文相关的特征表示，能够使得相同的特征在不同的实例中根据与共现特征的关系以及完整的上下文信息进行调整 主要贡献如下： 本文提出了一个名为 FRNet 的新模块，它是第一个通过将原始和互补的特征表示与比特级权值相结合来学习上下文感知特征表示的工作。 以上两个单元分别学习了特征之间的关系，对输入信息进行压缩，保存了特征的上下文信息。 #5 移除了权重信息，发现 #10 和 #11 超过了 #5。同时 #6 和 #7 超过了 #1 也说明了相同的结论。
63910编辑于 2022-12-06 - 来自专栏自然语言处理
CAG: 基于上下文感知的检索增强生成
CAG: 基于上下文感知的检索增强生成 论文链接:https://arxiv.org/abs/2411.16133 代码链接:https://github.com/heydaari/CAG 论文概述 核心内容 论文提出了一个名为**上下文感知门（Context Awareness Gate, CAG）**的架构来解决检索不相关信息的问题。 上下文感知门（CAG） 查询分类：CAG利用一个监督的大型语言模型（LLM）来分类查询，判断是否需要进行检索增强生成（RAG）或不依赖RAG的响应。 上下文检索监督基准（Context Retrieval Supervision Bench, CRSB） 数据集构建：CRSB数据集包含17个不同主题的数据，每个上下文关联3个伪查询，总共包含5,100 这个数据集用于评估上下文感知系统和RAG语义路由器的性能。 论文实验 论文中进行的实验旨在评估上下文感知门（Context Awareness Gate, CAG）架构的性能和效果。
51710编辑于 2024-11-29 - 来自专栏学院君的专栏
Go 视图模板篇（四）：上下文感知与 XSS 攻击
Go 模板引擎一个有趣的地方是显示内容可以根据上下文变化，该功能的一个常见用处就是在适当的地方对内容进行相应的转义。 上下文感知转义 下面看个示例，编写一段服务端处理器示例代码： package main import ( "html/template" "net/http" ) func contextExample 这就是 Go 视图模板的上下文感知特性，它可以根据指令的位置输出不同的内容： ? 排除 XSS 攻击 我们可以基于这个特性在 Go 视图模板中防止 XSS 攻击。 可以看到视图模板中显示的是对应的 HTML 实体代码，而不是执行这段 JavaScript 代码，这里就应用了上下文感知的功能自动对 JavaScript 代码进行转义，我们可以在浏览器开发者工具通过源代码看到转义后的 上下文感知支持 HTML、URL、JavaScript 以及 CSS 格式文本的转义。 不转义 HTML 有的时候，我们不希望对 HTML 代码进行转义，比如富文本就是这样的场景。
64220发布于 2020-08-27 Elastic 的 Discover 的演变：从 ESQL 到上下文感知
我们已经将 Discover 从一个高效但通用的数据探索工具，根本性地演变为一个能够适应你工作流程的上下文感知数据探索工具。 现在会自动在表中渲染 log.level，在文档查看器中提供自定义的日志概览，并为每一行添加级别指示器——这些都是我们在 Elasticsearch 和 Kibana 8.16: Kibana 变得更加上下文感知和节省时间与成本 中引入的新上下文体验的一部分。这意味着更少的设置时间和更多的洞察时间，并且今天为日志量身定制的视图，接下来将扩展到追踪、指标和警报。 上下文推荐查询： 不知道从哪里开始？ES|QL 编辑器现在提供上下文推荐查询，帮助你入门，降低新用户和现有用户的学习曲线。 你现在可以在单一视图中并行运行多个探索，在不同数据集和上下文体验之间无缝切换而不丢失位置。
19810编辑于 2025-10-27Alexa语音合成新突破：上下文感知的说话风格适配
在人类言语中，说话风格和韵律通常取决于上下文，为了使Alexa与用户的互动尽可能自然，对她而言也应是如此。例如，设想以下交流：用户：Alexa，播放Village People。 借助说话风格适配，Alexa将开始以同样的方式改变韵律模式，以适应对话上下文。 说话风格适配的模型之一会以感知上下文的方式生成替代措辞，这样Alexa就不会反复问同一个问题。在一轮对话中，她可能会说：“你指的是歌曲吗？”，在另一轮中，则可能是：“那我应该播放歌曲吗？”，依此类推。 因此，说话风格适配标志着向“概念到语音”方向迈出了一步，这是文本到语音技术的预想后继者，它以概念的高级表示为输入，并基于上下文和其他信号，在如何传达该概念方面拥有相当大的自由度。 然而，这仍然是第一天，我们正在试验利用其他上下文信息来进一步定制Alexa的回应。
17810编辑于 2025-12-30- 来自专栏深度学习自然语言处理
CLarET：实现上下文到事件相关感知的预训练模型
Transformer for Event-Centric Generation and Classification》也是这样的思路[1]，选择在 BART 上增加三个事件相关的预训练任务，意图增强语言模型的事件感知推理能力 BART 或 T5，依赖的是 token-level 的隐式共现来恢复事件描述，但是上下文 和事件 之间那种 event-level 的相关性就没有被模型利用到，所以就目前以 WER 为预训练任务得到的这个模型 因此，可以通过构造与上下文不相关的负例事件，和正确的事件一起提供给模型，增强模型学习正确的事件描述及其上下文的相关性的能力。 实验/分析 主要结果 本文选取了5个生成任务和4个分类任务作为下游任务进行模型的评估，每个任务使用一种数据集。 应用于句子特征学习 苏州大学NLP团队文本生成&预训练方向招收研究生/博士生（含直博生） NIPS'22 | 重新审视区域视觉特征在基于知识的视觉问答中的作用 武汉大学提出：用于基于统一Aspect的情感分析的关系感知协作学习
1.1K20编辑于 2022-10-11 - 来自专栏运维之路
风险感知（二）场景设计5要素
本篇接《风险感知（一）》，将采用数字化运维场景设计方法梳理风险感知场景的一些思路。 分析前，先回顾一下场景设计的一些要点： 场景的基础是实际运维工作，要用“连接、数据、赋能”的数字化思维重塑场景 按“人、事、时间、协同、环境”5要素梳理场景 场景强调多角色“组织”高效协同，是对线下流程的在线化 ，平台赋能场景生产力 再看看风险感知场景的要点： 在线感知风险状况，即时健康质检 赋能专家主动构建、调优风险感知模型 “数据指标+算法策略”（点）=》编排组装主题（面、兼顾非知风险） 建立风险识别（感知 ）、决策、执行闭环 以下从“人、事、时间、协同、环境”5要素看看场景。 5.环境 环境包括显性环境与隐性环境。
1.4K20编辑于 2022-11-16 - 来自专栏ATYUN订阅号
Pinterest推出感知上下文的可视化搜索工具Complete the Look
Pinterest推出了Complete the Look，这是一款为家居装饰和时尚类别开发的视觉搜索工具，可为照片中的多件物品提供样式建议，如衬衫，连衣裙，鞋子或太阳镜。
1.1K30发布于 2019-06-21 OpenAI推出Codex Security：上下文感知的代码漏洞检测与修复
Codex Security 被定位为一个上下文感知系统，试图缩小这一差距。Codex Security 如何工作？ 如果用户配置了为项目量身定制的环境，系统可以在运行中的应用程序上下文中验证潜在问题。这种更深入的验证可以进一步减少误报，并可能允许系统生成有效的概念验证。 第 3 步：利用系统上下文提出修复建议第三步是修复。Codex Security 利用完整的周围系统上下文提出修复建议，目标是生成既提高安全性又最小化回归问题的补丁。 从模式匹配到上下文感知审查的转变此工作流程反映了应用安全工具的更广泛转变。传统扫描器能有效发现已知类别的非安全模式，但它们通常难以区分理论上存在风险的代码和在特定部署中实际可利用的代码。 OpenAI 表示，它会分析项目上下文以识别漏洞、进行验证，并提出供开发者审查的补丁。
22600编辑于 2026-03-10深度测评 MonkeyCode 的「上下文感知」代码补全系统
尤其是它那套号称“上下文感知”的代码补全系统，真的让我有种“卧槽，这才是我想要的 AI 助手”的感觉。 ——它的“上下文感知”代码补全系统。 什么是“上下文感知”？简单来说，就是 AI 不仅仅根据你当前正在输入的那一行代码来提供建议，而是会综合考虑你整个项目、当前文件、甚至是函数内部的逻辑关系，来给出更加精准、贴合实际需求的代码片段。 最重要的是，由于它强大的上下文感知能力，我发现自己越来越少地需要手动去查阅文档或翻找之前的代码。大部分时候，MonkeyCode 都能在我需要的时候，及时提供准确的信息和建议。 其核心的“上下文感知”代码补全系统，确实解决了传统 AI 助手存在的诸多痛点，让代码生成变得更加精准和高效。
75510编辑于 2025-09-29- 来自专栏数据技巧
Power Pivot概念(5)—理解上下文
十、 上下文的理解 (一) 查询上下文 1. 定义 简单理解就是通过筛选查询得到的结果。 2. 说明 影响的方式包括：筛选器，切片器，透视表的行和列，透视图的轴等。 (二) 行上下文 根据信息所在的行决定的，并涉及到行的信息数据来计算。 1. 定义 行上下文可以被认为是当前行，如果在当前行创建公式，其参数就对应的是当前行的值。 2. 注意 行上下文也会涉及到关系。例如在多端引用1端数据是使用Related，则会默认当前行关联的数据。 4. 复杂的行上下文 根据行上下文筛选出的表在和原表做比较计算。 例如涉及到行数Earlier (三) 筛选上下文 1. 定义 对于查询上下文的进一步定义。可以直接在公式中指定过滤器表达式或动态获取计算中使用的值的上下文。
95220发布于 2020-03-23 - 来自专栏phodal
AI 智能体交互语言 DevIns：构建上下文感知的 AI 驱动编程
https://mpvideo.qpic.cn/0bc3iqaeoaaaguaionxwknsvargdi5caarya.f10002.mp4? Why DevIns？ 在 AutoDev 项目中，我们通过构建上下文感知与自定义能力，来实现对于软件开发任务的智能辅助，如自动测试生成与运行、UI 自动生成等。 你可以将你的需求描述成自然语言： 解释代码 /file:src/main/java/com/example/Controller.java 而后，AutoDev 将会结合上下文，并将其编译成对应的指令文本 AI 返回的内容，执行对应的 patch /commit，提交代码 诸如于于生成内容，可以是： /write:src/main/java/com/example/Controller.java#L1-L5
46810编辑于 2024-03-25 - 来自专栏3D视觉从入门到精通
用于视觉定位的上下文感知线描述符（IEEE2021）
利用NLP作为线段描述符，可以处理各种可变长度的线段； 提出的线段描述符通过关注线段上更有意义的点来理解线段的上下文。 考虑到点嵌入的上下文，transformers将其归纳为线嵌入或线描述符。第二个组件通过与邻域共享线的位置上下文来增强线描述符。 我们的方法除了低于5个像素的AUC之外，优于其他所有单应性估计指标。与SuperPoint相比，Line-Transformers在10和20像素以下的AUC下产生了更稳定的性能。 （3）指标：记录使用不同阈值（即室内0.25m、10°/0.5m、10°/1.0m、10°，室外0.25m、2°/0.5m，5°/5.0m和10°）时正确定位的查询图像的百分比。 然后，当内点的数量小于5或20时，额外执行PL-Loc。如图5(b)所示，PL-Loc为视觉定位提供了额外的增强效果，61%的情况下点表现优于线段，这表明剩余39%的情况有可能通过线段得到改善。
73030编辑于 2023-04-29 - 来自专栏DeepHub IMBA
构建自己的AI编程助手：基于RAG的上下文感知实现方案
而代码助手需要专门为代码设计的上下文感知的RAG（Retrieval-Augmented Generation）管道，这是因为代码跟普通文本不一样，结构严格，而且不能随便按字符随便进行分割。 上下文构建 单纯把代码片段扔给GPT还不够。它可能看到User类的定义，却不知道main.py里怎么实例化它。缺的是全局视角。 它会告诉你："重构PaymentProcessor需要修改_make_request方法，根据上下文，AsyncAPI初始化时需要await关键字……" 代码地图：应对大型代码库 上面的方案对中小项目就已经够用了 Aider、Cursor这类工具采用的进阶技术叫Repo Map，也就是把整个代码库压缩成一棵树结构，塞进上下文窗口： src/ auth/ login.py:
26110编辑于 2026-01-22 - 来自专栏时空探索之旅
MoiraiAgent（摩伊拉特工）：Salesforce 上下文感知时间序列预测智能体框架
通过突破传统预测的边界，MoiraiAgent所提供的预测不仅以数据为驱动，还能感知背景并响应现实世界的情况。 图 2：MoiraiAgent 对输入的数值和上下文信息进行分析和理解。 这些结果确立了MoiraiAgent作为最先进的时间序列预测模型的地位（state-of-the-art time-series forecasting model），并且是在实践中朝着更具适应性、更具上下文感知的预测迈出的有力一步 图3：GIFT-Eval基准测试的预测误差表现，数值越小越好 上下文感知的时间序列预测（Context-aware time-series forecasting） 虽然传统的预测模型擅长从数值时间序列中提取模式 图 5：上下文告知了非持续性的附加（additive）趋势。 GIFT-CTX基准测试的结果证明，最准确的预测不仅仅是数据驱动的，还需要具备上下文感知能力。
29710编辑于 2026-03-10 - 来自专栏openclaw系列
OpenClaw源码详解之消息上下文智能解析模块：`reaction-message-id.ts`上下文感知机制深度剖析
虽然这个模块仅有寥寥数行代码，但它体现了OpenClaw对用户体验的极致追求和对上下文感知的深刻理解。 模块定位与核心价值在OpenClaw架构中的位置reaction-message-id.ts位于OpenClaw项目的工具参数处理层，是一个专门用于消息ID解析的上下文感知工具函数。 ，支持上下文感知返回类型：string|number|undefined，兼容Discord消息ID的不同表示形式上下文类型定义展开代码语言：TXTAI代码解释typeReactionToolContext 上下文感知机制详解上下文的来源toolContext?. 5.可组合性返回简单类型，便于组合不抛出异常，便于链式调用接口简单，易于集成最佳实践启示对于开发者而言，reaction-message-id.ts模块提供了以下最佳实践启示：1.小而美的工具函数专注于解决一个具体问题保持接口简单确保高内聚
24310编辑于 2026-04-03 - 来自专栏FreeBuf
Kiterunner：一款功能强大的上下文感知型内容搜索工具
kr [scan|brute] <input> [flags] 有一个待扫描主机的列表，但是没有字典： kr scan hosts.txt -A=apiroutes-210328:20000 -x 5
1.3K40发布于 2021-07-02 - 来自专栏秋枫学习笔记
RecSys22|CARCA：交叉注意力感知上下文和属性进行推荐
导读 本文将用户的上下文信息和商品的属性结合起来考虑，提出上下文和属性感知推荐模型 (CARCA) ，该模型可以通过多头自注意力块将上下文特征和商品属性结合起来。 ,i_{|P_t^u|}^P\} ，对应的属性为 A_t^u \in \mathbb{R}^{|P_t^u|\times j} ，交互的上下文特征为 C_t^u\in \mathbb{R}^{|P_t^ 左分支是一系列自注意力块，用于提取上下文信息和商品特征。右分支由一个多头交叉注意力块组成，该块捕获左分支的特征对目标商品 O_{t+1}^u 的影响，同时考虑目标商品的属性和上下文特征。 第二个函数 \psi 从上下文特征c和商品属性a中提取潜在特征 q_i \in \mathbb{R}^g 。 省略了位置编码，因为该信息已经明确存在于上下文特征中，例如交互的时间戳。 3.2.2 交叉注意力层 利用多头交叉注意力块来预测目标商品的似然分数。
84250编辑于 2022-09-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号