- 综合排序
- 最热优先
- 最新优先
- 来自专栏JavaEdge
AI 大模型企业应用实战(10)-LLMs和Chat Models
如： Anthropic 模型最适合使用 XML OpenAI 的模型最适合使用 JSON 设计应用程序时牢记这点。 #LLM类大模型的流式输出方法 from langchain.llms import OpenAI import os api_base = os.getenv("OPENAI_PROXY") api_key 笨死的) from langchain.llms import OpenAI from langchain.output_parsers import PydanticOutputParser from 作者简介：魔都架构师，多家大厂后端一线研发经验，在分布式系统设计、数据平台架构和AI应用开发等领域都有丰富实践经验。 各大技术社区头部专家博主。 负责： 中央/分销预订系统性能优化 活动&券等营销中台建设 交易平台及数据中台等架构和开发设计 车联网核心平台-物联网连接平台、大数据平台架构设计及优化 LLM应用开发 目前主攻降低软件复杂性设计
41010编辑于 2025-06-01 - 来自专栏AIGC大模型应用
AI大模型企业应用实战(10)-LLMs和Chat Models
不同模型有不同的最佳提示策略，如：Anthropic 模型最适合用 XMLOpenAI 模型最适合用 JSON设计应用程序时牢记这点。 # LLM类大模型的流式输出方法from langchain.llms import OpenAIimport osapi_base = os.getenv("OPENAI_PROXY")api_key 4 追踪Token的使用# LLM的toekn追踪from langchain.llms import OpenAIfrom langchain.callbacks import get_openai_callbackimport 笨死的)from langchain.llms import OpenAIfrom langchain.output_parsers import PydanticOutputParserfrom langchain.prompts langchain.output_parsers import CommaSeparatedListOutputParserfrom langchain.prompts import PromptTemplatefrom langchain.llms
41100编辑于 2024-08-15 - 来自专栏天意云&天意科研云&天意生信云
北大高歌教授综述：ChatGPT在生物信息学的革命性应用
文章详细讨论了将这些大语言模型（LLMs）应用于生物信息学的几种方式： 作为“AI阅读器”或知识库 文本型基础模型通过对文本的语法和语义进行解析，用于文献总结和数据库整理，有助于研究者快速获取生物医学知识 生成语义特征向量 通过领域特定的微调，LLMs可以生成输入文本的语义特征，从而实现基于语义的文献检索，提高信息检索的准确性。 然而，LLMs在应用中仍存在以下挑战： 幻觉信息 LLMs可能生成看似合理但错误的回答，适合作为辅助工具而非独立决策者。 可靠性问题 由于幻觉现象存在，LLMs的结果需进一步验证以确保准确性。 为了提高LLMs在生物信息学中的应用，研究者提出了以下策略： 提示词调整（Prompt Engineering） 精心设计提示词以提升LLMs的任务表现，减少错误生成。 提取增强生成（RAG） 通过从外部数据库检索信息，增强LLMs的知识背景，减少幻觉的可能性。 插件功能 通过插件扩展LLMs的知识获取能力，如支持向量数据库搜索、网页浏览和文献检索等。
48210编辑于 2025-03-06 - 来自专栏DrugOne
AI智能体在药物发现中的应用概述
2025年10月31日，博德研究所、剑桥大学、乌普萨拉大学等机构的研究人员在arXiv上联合发表综述文章，题为“AI Agents in Drug Discovery”。 这类智能体不再局限于单一的预测或生成任务，而是作为一组可适应的独立组件协同工作，可用于文献检索、化合物分类、毒性终点预测、实验规划，甚至直接与实验室自动化系统交互。 Supervisor智能体系统是一种层级化多智能体架构，由监督者LLMs将子任务分配给专门化LLMs智能体，每个智能体都具备推理与调用工具的能力(图3c)。 他们设计了一个“AI有机化学家”，能够在循环中执行实验并根据需要修改实验方案(图10)。该系统已应用于商业与科研环境的有机合成中。实验设置与智能体系统的整合，使其更接近完全闭环的发现流程。 图10 小分子自动化系统(结合硬件自动化与AI) 增强药物发现工作流程的搜索能力 作为案例，Plex Research的作者使用支持Focal Graph的LLMs进行复杂、长期的体外计算研究计划，生成可验证的
50410编辑于 2025-12-17 - 来自专栏大模型应用
大模型应用：LangChain核心组件深度解析：llms与embeddings.3
LangChain 简介 LangChain 是一个用于构建大语言模型（LLM）应用程序的框架。 它提供了一套工具和组件，使得开发者可以轻松地将LLM与其他数据源和工具连接起来，构建复杂的应用程序。2. 10. 相关文档：检索得到与问题相关的文本块。11. Prompt构建：将相关文档和用户问题组合成一个提示（Prompt），以便输入给LLM。12. 二、LLMs 组件详解1、LLMs介绍 在LangChain中，LLMs组件是核心之一，它是对各种大语言模型的抽象。通过LLMs组件，我们可以以统一的方式调用不同的模型。 六、总结 通过LangChain，我们可以方便地集成LLMs和Embeddings组件，构建强大的应用程序。
34032编辑于 2026-01-31 - 来自专栏Dance with GenAI
LLMs大模型在金融投资领域的15个具体应用场景
近年来，深度学习技术如循环神经网络（RNN）、卷积神经网络（CNN）和Transformer模型的应用显著提升了股票时间序列预测的精度和效率。 尽管目前个性化建议有限，LLMs的应用将推动机器人顾问向更广泛适用的投资原则发展。 6. 并购与收购预测 在并购与收购预测中，LLMs通过分析财务报告、新闻文章和新闻发布，揭示潜在的趋势和战略转变。 10. ESG评分 ESG评分评估公司在环境、社会和治理方面的表现。LLMs提升数据处理和分析能力，快速处理大量非结构化数据，提供全面的ESG评估。 还有其他多样化的研究方法，如为情感分析设计专门的NLP子模块 ，N-gram和朴素贝叶斯算法的应用 ，基于词典的情感分析 ，以及情绪分类配合每日情感评分 。时间序列分析模型也被应用于此领域 。 通过以上应用，LLMs展示了其在金融投资领域的广泛潜力，从预测和优化到教育和服务，推动金融科技的发展和创新。
1.1K10编辑于 2024-07-22 - 来自专栏开源服务指南
LLMs 应用程序的构建利器：LangChain 助您驰骋 AI 世界 | 开源日报 No.100
picture langchain-ai/langchain[1] Stars: 67.9k License: MIT picture LangChain 是一个旨在通过组合性来构建 LLMs 应用程序的库 它可以帮助开发者快速将 LangChain 应用程序部署到生产环境，同时提供了统一的开发平台，用于构建、测试和监控 LLM 应用程序。 LangChain 具有以下核心优势： 提高 LLMs 效率 统一接口标准 支持各种常见类型的链式操作 为代理选择提供多样化选项 内置内存模块支持 主要特点： 帮助管理 prompt 并进行优化。 提供通用界面以适配所有 LLMs。 标准链式操作接口和其他工具集成。 数据增强生成涉及外部数据源交互获取信息并使用其进行生成步骤。
43910编辑于 2023-12-01 - 来自专栏山行AI
LocalAI——一款可在消费级硬件上本地运行 LLMs的AI应用
前言 在AI盛起的当下，各类AI应用不断地出现在人们的视野中，AI正在重塑着各行各业。笔者前前后后调研过无数个AI应用项目，它们都是各自应用场景中的佼佼者。 它允许您在消费级硬件上本地或本地运行 LLMs（不仅仅是）支持多个与 ggml 格式兼容的模型系列，不需要 GPU。 可本地布署的AI助理 Auto-GPT知多少 Flowise——通过拖放界面构建定制的LLM流程 基于LangChain的优秀项目资源库 LangChain 完整指南：使用大语言模型构建强大的应用程序 它允许您在消费级硬件上本地或本地运行 LLMs（不仅仅是）支持多个与 ggml 格式兼容的模型系列。不需要 GPU。 有关支持的模型系列列表，请参见模型兼容性表[5]。 请参见示例[8]，了解如何将 LocalAI 与其他流行项目集成： ChatGPT OSS 替代品[9] 图像生成[10] Telegram 机器人[11] Flowise[12] 请参见入门指南
10.8K30编辑于 2023-08-10 - 来自专栏开源服务指南
多语言支持 SDK：轻松集成 LLMs 到应用程序 | 开源日报 No.261
该项目主要功能、关键特性和核心优势包括： 可以快速轻松地将 LLM 技术整合到应用程序中 支持 C#、Python 和 Java 等多种编程语言 允许定义插件，并能够自动协调这些插件与人工智能进行交互
43110编辑于 2024-05-17 - 来自专栏ThoughtWorks
10Hours 网页应用
以前段开发为特长，不放过技术大赛这样机会的刘旸，和几个同事打造的10Hours 受到了大家的好评。想知道何谓10Hours？ 那就~ 最近公司举办技术大赛，我和同事一起制作了一个叫做10K Hours的Mobile Web App，可以帮助你通过一万小时的努力，成为某个领域的专家。 其中讲到了不少移动端Web开发的Best Practices，正好就用到了10K Hours这个应用上。 updateready：当新的缓存文件下载完成后触发，可以利用swapCache()来应用新的文件。 其中最重要的就是updateready这个事件，我们可以利用JavaScript绑定这个事件，在缓存更新的时候自动刷新来应用这些更新，例如： // Check if a new cache is available
81890发布于 2018-04-18 - 来自专栏HyperAI超神经
全新生物学基准数据集LAB-Bench震撼开源！覆盖8大任务，超2.4K选择题
的研究人员推出了 LAB-Bench 生物学基准测试数据集，用于评估 AI 系统在文献检索和推理、图形解释、表格解释、数据库访问、撰写协议、DNA 和蛋白质序列的理解和处理、克隆场景等实际生物学研究的表现 如今，将大语言模型 (LLMs) 和 LLM 增强系统用于生物学、海洋科学、材料科学等领域的研究，进而提高科研效率、成果产出，已成为很多科学家关注的重点方向。 值得注意的是，随着 LLMs 在科研领域的日益普及，建立一套高质量、专业性强的评估基准变得至关重要。 然而，目前许多基准测试 (benchmarks exist) 聚焦于对 LLM 在教科书式科学问题的知识、推理能力评估，却很难评估 LLM 在科研实际任务（如文献检索、方案规划和数据分析）中的性能，导致模型在应对实际科学任务时 其中，FigQA 衡量的是 LLMs 理解和推理科研图表的能力，FigQA 的问题仅包含图表的图像，没有图表标题、论文文本等其他信息。大多问题要求模型整合图表的多种元素信息，需要模型具有多模态能力。
41010编辑于 2024-07-31 - 来自专栏软件测试那些事
大型语言模型（LLMs）在软件工程中的应用：过度炒作还是颠覆性变革？
·即时开发人员反馈——LLMs在软件开发中的应用已经受到了一些应得和不应得的怀疑。 尽管对LLMs的兴奋情绪仍在持续，但陪审团对于由生成性AI工具和其他自动化方法和工具支持的AI增强软件开发是否能够实现以下雄心勃勃的目标仍然没有定论： ·资源需求和错误率减少10倍或更多 ·支持开发人员管理复杂系统中变更的连锁反应 在软件工程中应用LLMs时需要考虑的警告 在将LLMs应用于软件工程时，也必须承认其缺点。 对于那些盲目应用LLMs生成的输出而不花时间和精力验证结果的人来说，幻觉是一个重大的担忧。 在软件工程生命周期中应用LLMs的最佳机会可能是在发挥LLMs优势的活动中，这是我们将在即将推出的博客中详细探讨的主题。
85510编辑于 2024-05-22 - 来自专栏架构之家
10倍提升应用性能的10个建议
如果你的网站不能马上响应，你的应用不能立即运行，用户转身就会投奔你的竞争对手。 亚马逊大约10年前的一项研究表明，页面加载时间减少1/10秒，能够使其营收增长1%。 显而易见，Web应用性能的重要性与日俱增。 提升性能其实不难，难的是怎么看到结果。本文给出能够提升大约10倍网站性能的10个建议供大家参考。 那么怎么让你的应用获得10倍的性能提升呢？ 为了帮大家理解每项优化建议的潜能，下面再针对之前的建议给出一些实施方针，希望大家各取所需。 反向代理服务器及负载均衡。 这些改变能极大地提升性能，与原有的部署方式最差的时候相比，10倍性能提升是很轻松的事，即使不到10倍那也在总体上有了质的飞跃。 缓存动态和静态内容。 如果你的Web服务器同时又充当了应用服务器，那么通过缓存动态内容就可以达到高峰期10倍的性能提升。缓存静态内容也可以有几倍的性能提升。 压缩数据。
80510编辑于 2022-07-12 - 来自专栏汪宇杰博客
Windows 10《描图》应用现已开源
《描图》是我最早的Windows 10应用，发布至今已3年多，积累了全球数百万用户，广受好评。现已开源。 ? 这款应用为不少小朋友带去了欢乐，体验绘画的乐趣，也帮助过专业用户复刻数百幅古代绘画。 可以说是 Windows 10 电子墨迹平台实力的证明。 然而我自身繁忙的工作与新的规划，无法在 Windows 应用上保持投入，因此我决定将它开源，贡献给社区，共同为 Windows 10 创造一个更好的明天。 《描图》和我的所有Windows应用一样，永久免费无广告。 关于《描图》 ? 应用简介 选择你喜爱的图片，使用触控笔、触屏或鼠标描绘，并保存、分享或直接打印您的墨迹！ /tracing-windows-10-great-app-beginner-artists ?
1.1K20发布于 2019-07-09 - 来自专栏林德熙的博客
win10 UWP 应用设置
win10 UWP 应用设置 简单的把设置需要的，放到微软自带的LocalSettings LocalSettings.Values可以存放几乎所有数据 如果需要存放复合数据，一个设置项是由多个值组成，
75210发布于 2018-09-18 - 来自专栏林德熙的博客
win10 UWP 应用设置
win10 UWP 应用设置 简单的把设置需要的，放到微软自带的LocalSettings LocalSettings.Values可以存放几乎所有数据 如果需要存放复合数据，一个设置项是由多个值组成，
65230编辑于 2022-08-09 - 来自专栏码客
Win10 卸载默认应用
卸载默认应用 PowerShell可以完全删除一些预装应用，注意是完全的删除，而不是仅仅屏蔽掉。 应用商店： Get-AppxPackage *Microsoft.WindowsStore* | Remove-AppxPackage 纸牌游戏： Get-AppxPackage *solit* | Remove-AppxPackage 05"="QQBrowser.exe" "06"="firefox.exe" "07"="BaiduNetdisk.exe" "08"="QQMusic.exe" "09"="360se.exe" "10
1.7K10发布于 2019-10-22 - 来自专栏天意云&天意科研云&天意生信云
《Nature》发表：AI运用在医疗临床决策支持的系统评估
未来人们很可能会转向AI大型语言模型（LLMs）来咨询健康/医疗建议，就像在以前用百度/Google上搜索诊断一样. 总之，商业LLMs（GPT-4）在连续两个主要版本中展示了医疗问答的潜力不断增长。然而，一些弱点凸显了医疗保健领域需要强大且受监管的人工智能模型。 除了考试模拟之外，之前的作品还展示了 ChatGPT 在日常医学中的潜在好处，例如，在医学写作中，通过从电子健康记录中提取信息、协助文献检索或提供写作风格和格式指导的使用，例如加强牙科远程医疗服务或改善放射学中以患者为中心的护理 类似地，对于九个得分最差的情况：11·0 [9·25;11·25]、10·25 [9·5;10·5]]、10·25 [8·5;11·0] 和8·5 [7·75；10·25]。 总体而言，与 GPT3·5 和 GPT-4 相比，我们观察到开源 LLMs 的性能稍差。此外，我们无法观察到两种开源 LLM （Llama ）配置之间存在明显的性能差异。
38710编辑于 2025-03-06 - 来自专栏自然语言处理(NLP)论文速递
分享几个有趣的大模型（LLMs）应用场景，涉及金融分析、物联网、招聘、战术分析等
引言 数字化时代，大模型以其卓越的数据处理和智能决策能力，当前应用已经渗透至了各行各业。 那么，今天给大家盘点了几个比较有趣的大模型（LLMs）应用场景，其中主要包括招聘面试、代码精细化、物联网感知、金融决策、战术分析、假新闻检测、检索QA问答等。 这些有趣的应用不仅展现了大模型的多面性，更预示着人工智能在未来社会中的无限可能。 MoLLM利用大型语言模型(LLMS)扮演面试官和候选人，以提供额外的评估信息，超越了仅依赖简历和职位描述的传统方法。实验结果显示，MockLLM在提高人职匹配性能和模拟面试质量方面表现优异。 2、金融LLM算法层:为特定任务配置模型应用策略。
1.9K10编辑于 2024-06-11 - 来自专栏机器之心
论文党狂喜！alphaXiv推出Deep Research一秒搜遍arXiv，研究效率直接爆表
机器之心报道 编辑：+0 刚刚，alphaXiv 推出了新功能「Deep Research for arXiv」，该功能可协助研究人员更高效地在 arXiv 平台上进行学术论文的检索与阅读，显著提升文献检索及研究效率 随后，用户询问「What are the latest breakthroughs in RL fine-tuning for LLMs?」
73910编辑于 2025-04-10
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