- 综合排序
- 最热优先
- 最新优先
- 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. ：表示学习、相似度计算3. 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
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。 3. 讨论与展望 尽管基于Transformer的基础模型在生物信息学中具有广泛应用潜力，但仍存在以下挑战： 模型可解释性：注意力机制与实际解释之间存在差距，模型的可解释性亟待改进。
48210编辑于 2025-03-06 - 来自专栏JavaEdge
AI 大模型企业应用实战(10)-LLMs和Chat Models
OpenAI 的 GPT-3 就是作为 LLM 实现的。 这两种 API 类型具有不同的输入和输出模式。并非所有模型都一样。不同的模型有不同的最佳提示策略。 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。 ] response = chat.invoke(messages) print(response) #print(chat.predict("你好")) 3 流式调用 为啥要流式输出呢？ 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
OpenAI 的 GPT-3 就是作为 LLM 实现。这两种 API 类型具有不同的输入和输出模式，并非所有模型都一样。 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。 response = chat.invoke(messages)print(response)#print(chat.predict("你好"))3 流式调用3.1 为啥要流式输出？ # 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
41100编辑于 2024-08-15 - 来自专栏Reinvent Data Science
揭秘 LLMs 时代向量数据库的 3 大实用场景
过去一年，ChatGPT 和其他大语言模型（LLMs）的爆火也带动了向量数据库的发展。 许多用户在搭建检索增强生成（RAG）系统过程中选择了使用向量数据库 Zilliz Cloud ，但 Zilliz Cloud 的功能不止于此，它在搜索和检索系统中的应用也十分广泛。 本文将通过 3 个真实的用户案例，展示 Zilliz Cloud 的新特性是如何为其赋能的。 01. Zilliz 在实际应用中发现，有用户的诉求就是通过借助 AI 的力量提升产品推荐系统性能。这些用户和用例对延时和吞吐量有着极高要求——向量数据库需要在 10 毫秒内完成查询。 本文中我们通过 3 个业界典型用例介绍了 Zilliz Cloud 的部分新特性，欢迎大家上手尝试 (https://cloud.zilliz.com.cn/signup) !
51210编辑于 2024-02-22 - 来自专栏DrugOne
AI智能体在药物发现中的应用概述
图2 药物发现中智能体AI的四类典型工具 图3展示了常见的AI智能体架构。ReAct智能体是一个由推理与行动组成的循环，其中LLMs会动态选择并调用工具(图3a)。 Reflection智能体系统由多个LLMs构成，其中一个Generator负责提出方案，另一个Reflector对方案进行批判，并通过迭代不断优化策略(图3b)。 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)。 专利分析智能体通过基于Morgan指纹的相似性搜索检索到相关药物专利；文献检索智能体查询科学数据库获取激酶选择性数据(表2)和ADMET属性；交叉比对智能体识别不同来源之间的冲突测量(表3)。 表2 多来源IC₅₀数据提取-Acalabrutinib与多种激酶靶点 表3 冲突数据检测与合理性说明 体外毒性预测 在计算机毒理预测应用中，Human Chemical Co.的相关作者构建了一个采用
50410编辑于 2025-12-17 - 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
GPT-3、GPT-4和LLaMA等大型语言模型在解析复杂数据关系方面表现出色，推动了时间序列数据转化为文本序列的创新。 2. 数学推理 数学推理在金融领域构建复杂的金融理论、模型和实践的基础。 LLMs能够处理大量的数学文本和公式，提供关于金融问题的深刻洞见和创新解法。例如，在衍生品定价和风险管理方面，LLMs可以结合微积分和统计学原理，提供更精准的计算和分析。 3. 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。 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。 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。 bgstaal/multipleWindow3dScene[3] Stars: 5.3k License: MIT 这个项目是一个简单的示例，展示了如何使用 three.js 和 localStorage 在同一来源的多个窗口上设置 3D 场景。
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。 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]。 q=is%3Aissue+is%3Aopen+label%3A%22good+first+issue%22 [77] help-wanted: https://github.com/go-skynet/ q=is%3Aissue+is%3Aopen+label%3A%22help+wanted%22 [78] 入门指南: https://localai.io/basics/getting_started
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。 如下图所示，研究人员评估了 human、random、claude-3-5-sonnet-20240620、claude-3-opus-20240229、gemini-1.5-pro-001、gpt-4o 、gpt-4-turbo、claude-3-haiku-20240307、meta-llama-3-70B-Instruct 在以上 3 类生物基准测试任务中的性能，并比较了它们的准确率 (Accuracy
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。 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SEI（软件工程研究所），我们正在进行的倡议包括确定与DoD（美国国防部）相关的场景，试验LLMs的应用，以及推动将生成性AI技术应用于软件工程任务的界限。我们将在未来几个月报告我们的进展。 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。
85410编辑于 2024-05-22 - 来自专栏Ywrby
3-Lombok应用
Lombok应用 在SpringBoot中整合SSM项目的过程中，不可避免的涉及对数据库的操作，既然有对数据库的操作就必然包括依据数据库结构创建POJO，而POJO创建过程重复度高，并且使得代码看起来冗杂 dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId> </dependency> 3.
23110编辑于 2022-10-27 - 来自专栏python3
AS3 mvc应用
应用MVC的结构可以让我们的程序更加有条理更加清晰。下面是一个MVC的小例子。由三个类跟一个文档类构成： 这个例子主要是：点击按钮时让文本的数据加100.功能很简单。
79620发布于 2020-01-06 - 来自专栏python3
mogilefs高级应用(3)
mogilefs高级应用 架构图： ? 实验说明： 1个mysql+3个即是mogstored又是tracker节点+1个nginx实现反代 为了使用更少的主机,我们采用2台主机 nginx + mogstored + tracker moguser db_pass = mogpass listen = 0.0.0.0:7001 # service mogilefsd start # ss -tln | grep "7001" 3. 4.配置另一台服务器同时作为tracker+mogstored 此时,该服务器作为tracker时,不需要再初始化数据库了,第一个已经初始化过了 # mkdir /var/mogdata/dev3 100 10.1.252.53 [2]: alive used(G) free(G) total(G) weight(%) dev3:
59320发布于 2020-01-09 - 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。 2、金融LLM算法层:为特定任务配置模型应用策略。 3、LLMops和DataOps层:通过训练和微调技术，使用相关数据生成准确模型，4、多源LLM基础模型层:集成多种山M，提供直接访问，FinRobot通过这些层，推动金融领域AI的更广泛应用。
1.9K10编辑于 2024-06-11 - 来自专栏AIGC 先锋科技
当 LLMs 步入3D世界，通过多模态大语言模型对3D任务的调查和元分析 ！
对于基于文本的3D编辑，CD和IoU评估了指令编辑在输入几何形状上的应用程度，同时没有过度扭曲。 4 3D TASKS WITH LLMS 三维场景理解任务已经被广泛研究。 当将LLM应用于3D任务时，作者可以将其应用分为两个不同的类别：知识增强和推理增强方法。 在利用LLMs进行3D理解时，考虑安全和伦理影响是至关重要的。LLMs可能会产生幻觉并输出不准确、不安全的信息，导致在关键3D应用中做出错误决策。此外，LLMs往往以不可预测且难以解释的方式失败。 系统地回顾了LLMs在处理、理解和生成3D数据方面的方法论、应用和新兴能力，该调查强调了LLMs在一系列3D任务中变革性的潜力。 此外，综述还强调了数据表示、模型可扩展性和计算效率等重大挑战，指出克服这些障碍对于在3D应用中充分实现LLMs的潜力至关重要。
1.1K10编辑于 2024-07-31 - 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 - 来自专栏饭勺oO的技术博客
单层应用升级到多层应用3
最终结构 最终整个解决方案的结构如下图所示： 对比最初的单层应用，是否瞬间感觉完全不一样了。项目结构变得更加清晰，层次更加分明。 同时我们也逐渐形成了我们框架基础设施的部分。 这部分和业务无关，在开发新的业务项目时，这部分基础设施可以快速的应用到我们的新项目上，大大减少了重复开发基础设施的工作量。
31810编辑于 2024-01-24 - 来自专栏每日一善
ehcache3的应用
,String key){ getManager().getCache(cachename, String.class, String.class).remove(key); }}应用 EHCacheUtil.put("cache0", "a", "1"); EHCacheUtil.put("cache1", "a", "2"); EHCacheUtil.put("cache2", "a", "3"
51200编辑于 2023-05-28
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