- 综合排序
- 最热优先
- 最新优先
- 来自专栏物流IT圈
架构师能力模型
架构师能力模型 ---- 网上已经有前辈在 2007 年时，已经总结了他对架构师的能力模型的理解。 写得非常详细，见：《架构师的能力模型（图）》、《能力要成体系》、《旧文重发：做人、做事，做架构师——架构师能力模型解析》。 个人觉得，上文中的能力模型有些过于具体，不方便读者按照该模型进行学习。 这些因素为什么会成为架构师能力模型中的关键因素？ 下面我来补充一下我对架构师的能力模型的理解。能力模型分为两个层次。 ? 其它：…… 专业能力层 ---- 通用能力层之上，就是架构师能力模型中第二个层次：专业能力层。这一层的能力越精通，说明越能胜任架构师。 ? 基础能力层：基础能力层的特点是非常简单，但是却非常重要。 如果锻炼了打字、输入法后，会为你节省多少时间（提升 30% 效率，意味着每10年，你比别人多出3年的时间）？但是又有几个开发人员专门去练过打字，练过五笔呢？练武之人，应该先练好马步！
2K10发布于 2019-07-25 - 来自专栏喔家ArchiSelf
大模型应用的能力分级
对大模型应用的能力分级就像给学生打分一样，能让我们更清楚它的本事有多大。能力分级能帮我们设定目标，知道AI现在能干什么，未来还要学什么。 另外，能力分级让普通人更容易理解AI的能力，避免过度期待或担心。 大模型的应用主要有两种常见模式：RAG 和 Agent。选哪种 RAG 架构，得看具体要解决什么问题，确保它适合任务需求。 RAG 回顾 实现一个高效的 RAG（检索增强生成）系统面临几个关键挑战：首先，系统需要能够准确地找到与用户问题相关的信息；其次，它必须正确理解用户的真实意图；最后，还要能够利用大型语言模型（LLM）的推理能力来处理复杂的任务 关于RAG 的更多资料，可以参考《大模型系列——解读RAG》、《RAG的10篇论文-2024Q1》、《Chunking：基于大模型RAG系统中的文档分块》、《解读GraphRAG》和《在大模型RAG系统中应用知识图谱 小结 将大模型应用的能力进行分级，不仅有助于推动技术发展，还能更好地匹配实际应用场景，同时也让公众更容易理解其价值。
1.8K20编辑于 2025-03-31 - 来自专栏大语言模型
探索大模型能力--prompt工程
LLM大语言模型终究也只是一个工具，我们不可能每个人都去训一个大模型，但是我们可以思考如何利用好大模型，让他提升我们的工作效率。 就像计算器工具一样，要你算10的10倍，你是按10次“10+”，还是直接“10*10”，如何利用工具决定了你几点下班。。 提示词（prompt）就是你给大模型下达的指令输入，它包含以下任意要素： 指令：想要模型执行的特定任务或者指令。 上下文：包含外部信息或额外的上下文信息，引导语言模型更好地响应。 提示工程就是开发和优化提示词（Prompt），一种在大模型中使用的技巧，通过提供清晰、简洁的指令或问题，充分发挥大模型的能力，让模型更好地理解我们的需求，从而得到更好的模型输出。 给大模型提示语的时候，你就是产品经理： 你随便提需求，模型也就随口一答； 你提出详细的需求，给出充分的需求背景，给足输出数据，定义好输出格式，好的模型就像一个好的程序员，会给你一个满意的答复的~ 2 prompt
3.3K72编辑于 2024-01-23 - 来自专栏资讯分享
大模型能力竞争终局已定
01GPT能力的完善与大模型能力竞争的终结OpenAI发布ChatGPT3.5引爆市场的几个月间，引发了一场大语言模型“大跃进式”的风暴。 需要指出，大模型能力之争的终结并不指只有OpenAI一家公司独大，而是指其它大模型所发展的方向和生存，不再是以模型基础能力为主要考量，将会向更多复杂的因素延展。 的大模型有差距，但是依靠特定方向的能力提升或者其它赛道上的独特优势成为大模型领域的“多强”。 在这个类比中，大模型仿佛是互联网本身，而每个Agent则像是利用互联网能力的独特应用程序或网站。正如4G和5G的推出催生了新一代的应用和服务，大模型的能力提升也将导致Agent的创新和进化。 大模型其实是“人脑”system1的能力，更偏向于直觉，经验，和“快”反应，这是大模型作为预测模型所决定的，那么Agent能做的就是补充System2的”慢“能力，和长期记忆结合，提供更加复杂的决策、逻辑归因
49910编辑于 2023-11-20 - 来自专栏服务端技术杂谈
程序员的能力模型
同时P7具备的专业的开发技能和一定的架构知识，在程序员纬度上能力慢慢趋于全面。 而且我推荐技术团队的leader要到P7才开始带团队，从BAT来看，基础leader都是P7开始胜任的。 ? ---- 后台开发知识 关键词：理解原理，掌握后台架构设计方法论 标准： 深刻理解系统在实际运行过程中所经过的各个环节的相关知识，原理，如硬件(CPU，内存，存储架构等)，内核(进程调度，内存管理模型) 开发能力 关键词：能主导或核心参与大中型项目，能担任大型项目的技术负责人 标准： 精通1～2门主流开发语言。 熟悉1～2种常见软件工程开发模式，领会其中要领，并在具体项目中实践过。 架构能力 关键词：子系统设计能力，完整系统设计能力，横向大系统设计能力&前瞻性 标准： 能够完成多方需求收集，形成技术需求文档。 考虑合理的地域或机房分布，系统灾备能力，运维发布及扩展性。 能够充分的估算出系统可达的性能，能够设计出高性能，高并发，海量数据处理系统。 能够对公司内部系统的架构有一定深度的认识和了解。
3.9K30发布于 2018-09-21 - 来自专栏SaaS加速器
总结ToB产品市场能力模型
在此，图图为大家梳理了产品市场能力模型，试图去解释我所理解的产品市场工作。 阅读本文，希望能够帮你： 概括产品市场的职责，帮助新人介绍清楚自己是干什么的； 对照能力模型评估自己的工作流程和业务能力； 找到自己的方向，根据自身经验向某一方向的产品市场专家努力。 那么开门见山，就让我们直接来看这个产品市场能力模型吧： ? 这个能力模型，可以概括产品市场的职责以及工作流程。下面我们展开讲解。 ? 赋能——卖什么，怎么卖 在这个能力模型里面，我没有写产品市场JD里面经常提到的“包装产品”“提炼卖点”之类的内容。因为这些事是过程，而非结果。你要蒸包子，怎么可能不会和馅儿呢？ 以上，就是图图总结的产品市场能力模型。对于产品市场能力和工作职责的梳理肯定有遗漏，但是大体的能力和方向就是这些。基于不同的从业经验和个人兴趣，产品市场会发展出不同技能树。
1.7K22发布于 2021-02-26 - 来自专栏哲学驱动设计
CTO 能力模型 V0.1
虽然公司和自身都总有诸多不尽如人意的地方，但是，自我觉得个人学习能力还行，所以不断地学习并调整自己的工作方式。慢慢地，也逐渐形成了自己的管理体系。 这两天，也看了看别人对于 CTO 的一些总结。 下面就简单分享一下我对 CTO 能力模型的总结。 ? ? ?
1.2K20发布于 2018-09-27 - 来自专栏老张的求知思考世界
性能测试岗位能力模型
星球有同学向我提了一个问题： “目前在做性能测试岗位的职级划分和能力模型定义的的工作，想咨询下性能测试岗位按照初/中/高/资深/专家，不同职级应该具备哪些能力，如何衡量这些能力”？ 针对这个问题，结合我自己之前作为面试官和稳定性团队Leader的经验，对于性能测试岗位，我个人认为岗位能力模型的划分可以参照如下的内容。 岗位胜任力模型 岗位分级 必备技能 角色定位 关键任务 初级 1、性能测试基础理论2、熟练使用压测工具 脚本执行工具人 1、能写脚本2、看得懂监控指标 中级/高级 1、性能测试基础理论2、熟练使用压测及监控工具 ：性能测试的测试对象是各种软件系统，因此了解系统的技术架构和各种调用依赖关系也是必不可少的； 评估能力：问题越早发现修复成本越低，在需求和方案评审时就评估发现风险，这是高级向资深迈步的必备能力； 规划能力 ：上面的六点能力主要集中在如何解决问题，规划能力是建设解决问题能力的底层建设和整体发展方向； 一站到底：对于专家岗位，我的认知是所有这个领域的问题到这里就应该都被解决，无论是技术难题还是沟通协调； 最后
64020编辑于 2023-03-01 - 来自专栏大语言模型
大模型能力评测方式很多？
其核心框架可拆解为基础维度、主流基准与关键方法，共同构成模型能力的“CT扫描”系统。 二、主流基准与核心指标通用能力：MMLU（57学科准确率）、HellaSwag（常识推理）为标杆，需控制数据泄漏与温度参数。 AI评测的核心是“场景匹配”：通用能力看MMLU+人类偏好，代码能力信SWE-bench+pass@k，安全侧重拒答率与校准度。唯有多维指标联动，才能勾勒模型真实能力画像。
47410编辑于 2025-08-13 - 来自专栏轻咨询服务
Z市台风预测模型实战分析——模型的云能力PAAS中心能力如何构建
上回我们谈到AI模型的两大基石之一，云能力，而云能力分为边缘计算能力和PAAS层中心能力。在咨询项目中，如何构建PAAS层中心能力。 从当时地质业务需求来看，中心层能力是大模型计算的核心能力，依赖机房的计算存储平台，大模型可以按需运算并预测结果。 其中块存储的空间需求最多，因为它非常灵活，可以存放多种格式的数据；按10M/图片来计算，块存储空间预留500T空间，存储15年的图片数据。 硬件平台讲了这么多，其实都是为PAAS层能力服务。 为了让业务侧具备自主编程和调试台风预测模型的能力，PAAS层配备了微服务流水线的能力，codearts, 微服务架构。这也是因为地质行业数据是保密数据，不允许外发到专有云外，因此必须在本地训练。 未来模型应用的场景会逐步增多，新场景除了模型泛化能力支持外，还要进行算法调优或RAG等技术辅助。欢迎点赞和关注公众号“科技江河”，如果喜欢，在公众号打赏下呗，感谢
13800编辑于 2024-12-31 全球大模型真实编程能力大摸底！评测新标准揭秘模型能力虚胖真相
基础模型决定上限： 指令微调模型在 OIBench 上的表现高度依赖其基础模型的能力，说明基础模型的预训练质量是决定代码能力的关键。 语言偏好与中英文差异： 模型在 JavaScript 和 Python 上的表现平均比 C++ 和 Java 低 10% 以上，可能与训练数据分布有关；中英文题目表现差异极小，甚至中文略优。 为了更细致地分析模型的能力，我们还引入了 “伪代码提示” 评测：将标准解答转为伪代码并作为提示输入，考查模型理解和复现解题思路的能力。 进一步分析发现，指令微调模型的表现与其基础模型高度相关，说明代码生成能力主要取决于预训练水平。 不仅为大语言模型的算法推理能力评测树立了一个全新标杆，也为整个行业带来了更多思考。它让我们看到：即使在模型能力突飞猛进的今天，真正高质量、高难度的算法挑战依然能够 “难倒” 最先进的 AI。
1.2K10编辑于 2025-07-28【10章】Java大模型工程能力必修课，LangChain4j 入门到实践
第三部分：基础 API 调用实战首次模型调用初始化环境后，最简单的起步方式是直接调用聊天完成接口。只需几行代码，就能发送提示词并接收模型的响应。 初次尝试时，建议从简单的任务开始，比如让模型介绍自己或回答常识性问题。这有助于验证环境配置正确，并熟悉基本的交互模式。参数调优与响应控制语言模型的行为可以通过多种参数进行精细调控。 这种动态性大大增强了应用的适应能力。第五部分：记忆管理与上下文维护对话状态保持有意义的对话需要记忆之前交换的信息。 第六部分：工具调用与外部系统集成函数调用能力利用现代语言模型不仅能够生成文本，还能通过函数调用执行实际操作。LangChain4j 将此能力抽象为工具概念，让模型能够与外部系统和API交互。 随着语言模型技术的快速发展，LangChain4j 也在不断进化，引入新特性和改进。保持学习心态，关注社区动态，参与开源贡献，都将加速您的成长。现在，您已经具备了将创意转化为智能应用的能力。
52410编辑于 2025-09-08- 来自专栏MixLab科技+设计实验室
产品经理能力模型答网友问
—— 罗曼·罗兰(法) 上周发的文章《创业团队从0到1，产品设计师、产品经理的能力模型与职业成长之路》，得到了很多朋友的反馈，我在这里把握的回答汇总了一下，希望对大家有帮助。 我的列能力模型不一定适合所有人。我只知道我们团队现在需要这样的人。 但是大道至简，作为互联网产品经理，背后知识也总有些相通的地方。 对于我的产品经理能力和核心就是人、技术、商业，这源自IEDO的Design Thinking。 ? 国外专家也有用UX、技术、商业三个环代表产品经理的能力，但本质和IDEO的模型没有差别。 ? 我设置的能力模型，也仅代表自己公司的目前需求。 Q4：如果这些前提的知识都是通用型的，是不是就可提炼到一个产品职业人的规范化培训的体系中，让入门的产品人，可快速上手。 所以招人的时候的能力模型是一个较为客观的衡量标准。 感谢小凡整理的脑图 ?
54420发布于 2019-11-12 - 来自专栏Reck Zhang
Java 10 - 内存模型
内存模型 主存储器与工作存储器 主存储器 方法区(Method Area) 方法区用于存储类的信息, 常量, 静态变量, 即时编译器编译后的代码. 栈(Java Virtual Machine Stacks) 代表着Java方法执行的内存模型, 每个方法执行时都会创建一个栈帧来存储方法的变量表, 操作数栈, 动态链接方法, 返回值, 返回地址等信息
37720发布于 2021-08-11 - 来自专栏Python与算法之美
10，模型的优化
搜索超参数空间以优化超参数需要明确以下方面： 估计器 超参数空间 交叉验证方案 打分函数 搜寻或采样方法（网格搜索法或随机搜索法） 优化模型的常见方法包括 网格搜索法，随机搜索法，模型特定交叉验证， 三， 模型特定交叉验证 一些特定的模型，sklearn构建了一些内部含有交叉验证优化机制的估计器。 它们主要是在linear_model模块。 四， 信息准则优化 模型选择主要由两个思路。 解释性框架：好的模型应该是最能解释现有数据的模型。可以用似然函数来度量模型对数据集描述能力。 预测性框架：好的模型应该是最能预测结果的模型。 通常模型参数越多越复杂，越容易出现过拟合。 所以，模型选择问题在模型复杂度与模型对数据集描述能力（即似然函数）之间寻求最佳平衡。 AIC(赤池信息准则)和BIC(贝叶斯信息准则)对模型的选择提供了一种判据。 AIC信息准则选择AIC最大的模型。 BIC信息准则选择BIC最大的模型。
77421发布于 2020-07-17 - 来自专栏蝉羽
ReAct如何改变大模型 AI 能力
大家都知道AI现在很强大，但其实刚开始没有现在这么智能，刚开始AI其实很多内容都是回答不了的，尤其是一些垂直领域或实时性比较高的问题，比如“今天的天气如何”等，这种需要大模型具备与外界交互的能力，比如获取墨迹天气等等天气平台的实时接口 ，这个时候OpenAI提出了Function Calling的解决方案，从而让AI大模型拥有了自身能力的外部工具的能力，到现在与Function Calling一样能够让大模型和外部交互的各类Agent 要使大模型拥有ReAct 能力，使其变成 Agent，我们需要在向大模型提问时，使用 ReAct Prompt，从而让大模型在思考如何解决提问时，能使用 ReAct 思想。 New input: {input}"""模板会传授大模型按照规定的格式思考和回答问题，这就是在教大模型如何推理和规划，大模型在有了推理和规划能力后就变成了 Agent。 腾讯云混元大模型
63910编辑于 2025-06-15 - 来自专栏数据饕餮
【数字化转型】10大数字化转型能力成熟度模型01（IOMM）
这些标准具有很强的参考意义，作者收集和整理了相关的标准和规范，整理成集合，命名为《10大数字化转型能力成熟度模型》作为参考。 本文是《10大数字化转型能力成熟度模型》第一篇，由中国信通院推出的《企业IT数字化能力和运营效果成熟度模型（IOMM）》。 ； 2.2 全景视图 信通院《企业数字化成熟度模型 IOMM 标准》（企业整体视角），涵盖数字化转型 6 大能力建设，6 大价值评估和 5 级成熟度模型。 宏观上具有指导价值 2.微观上粒度不够，无法指导企业实践 3.标准制定者缺乏一线实战的经验 四、未完待续 本文是《10大数字化转型能力成熟度模型》第一篇，由中国信通院推出的《企业IT数字化能力和运营效果成熟度模型 下一篇，我们将介绍，由华为制定数字化转型能力成熟度模型《开放数字化成熟度模型（ODMM）》。
4.5K10编辑于 2023-12-01 与AI协作2000小时后：发现人类对大模型能力的挖掘，还不足10%
我认为这不仅是一个极佳的应用场景，更近乎于一种超能力。以往，我们或许需要花费金钱聘请顾问来协助我们，但AI提供了一种更为普适的解决方案。 过去，我们似乎总想着复制一个自己的数字员工，根据他的知识库生成内容，但我们真正需要的是这个人当下的动态适应能力，他如何处理当前的信息，应该如何行动。 说到这里，我们目前对AI协作的很多认知都是基于AI的能力和AI本身去做事情，前面的很多用法都是从AI的能力出发。 我们都在谈论AGI的未来和威胁，但经过2000个小时的协作后，我认为现有的大模型能力已经非常强大。作为普通人的我，都已经把AI用到这个程度，那就代表这件事情在未来的不久就会发生。 我下一个暴论，我们现在对当下大模型能力的挖掘还不足10%。因此，很多人可能会持悲观态度，但当我真正与AI协作2000小时后，我发现很多事情正在发生。
41010编辑于 2025-02-20- 来自专栏新智元
ChatGPT代码生成飙升10%！北大华人一作：细化prompt，大幅改进大模型代码能力
新智元报道 编辑：桃子 【新智元导读】大模型代码生成能力如何，还得看你的「需求表达」好不好。 在大模型时代，高质量的代码生成已经强大到，让人惊叹。 从通过HumEval中67%测试的GPT-4，到近来各种开源大模型，比如CodeLlama，有望成为码农编码利器。 然而，现实中，程序员们不会精炼表达需求，因此误导、限制了LLM生成优秀代码的能力。 说白了，大模型代码能力行不行，取决于你的提示妙不妙。 对此，来自北大实验室的研究团队提出了，通过与LLM聊天来细化需求的方法——ChatCoder。 而现在，在大模型时代，人类用户是客户，LLM是「供应商」。 为了通过需求细化让大模型生成更好地满足用户需求的代码，就需要研发人类和LLM协作的方法。 经过两轮细化后，得到细化后的需求，然后发送给大型语言模型，得到用户想要的程序。 ChatGPT代码能力10% 实验设置 数据集：Sanitized-MBPP、HumanEval。
54420编辑于 2023-11-19 - 来自专栏机器学习之禅
10 | 多层神经网络、激活函数、学习能力
前面的训练过程我们已经了解的差不多了，但是我们所用到的模型还是一个线性模型，这一小节就让我们正经开始神经网络的搭建，研究怎么把之前的线性模型替换成神经网络来解决我们的问题。 看看神经网络模型和我们前面用的线性模型有什么区别。大家估计都已经知道了，神经网络这个词大概是受到了大脑神经系统的启发，所以被称作人工神经网络。 回想我们最开始手工搞的resnet分类模型，假设我们现在有一个识别狗的模型，我们给模型看一个卡车的图片，给的结果可能就是-1000，给一个狗熊的图片结果可能是-1，给一个狗的图片结果可能是100，通过激活函数的运算之后 强大学习能力 让我们看一下，有了激活函数之后，为什么具备强大学习能力。如下图所示，总共有9个图像。其中左上角的ABCD是原始图形，也可以认为是一个神经元，由一个线性变换+一个激活函数构成。 到了这里就可以看到神经网络的强大学习能力，我们并不知道我们的数据所对应的模型函数是什么样的，也不需要预先去定义它，而是给出一堆最基本的线性变换和激活函数，经过我们前几节那样的迭代，找到一些权重，最后就能过模拟出一个很复杂的模型结果
46320编辑于 2022-07-11
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