- 综合排序
- 最热优先
- 最新优先
- 来自专栏周拱壹卒
Chat with LLMs
/chat-llms -t 去掉模板文件 _template 后缀，配置多模型信息、对话内容，如有需要还可配置系统提示词。 /chat-llms 默认每个模型每个温度分别调用3次流式和非流式接口，调用结果默认生成到 ./result 路径下。 参数 $ . /chat-llms -h NAME: chat-llms - Chat with multi-LLMs at the same time. /chat-llms 未读取到系统提示词，请求中将不会添加。如需使用系统提示词，可通过 system_prompt.txt 文件设置。 /chat-llms -r 1 -o .
25000编辑于 2025-03-10 - 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。
47110编辑于 2025-03-06 - 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
40400编辑于 2024-08-15 - 来自专栏生命科学
动物实验文献检索——Sci | MedChemExpress
关键词选的准确，会大大减少文献检索的时间。 Sci-Hub 文献检索 Sci-Hub 文献检索，可以说是文献检索上的科研利器。 然鹅，想要浏览或者下载全文可是有偿的~ 以上述例子 “Autophagy; review” 为关键词分别在 PubMed 和 Sci-Hub 文献检索工具上搜索，可以看到检索结果数目差的还是比较大的。 学会了这么多文献检索的小技巧，小伙伴们是不是已经按捺不住那颗跃跃欲试的心了呢？当然，大家觉得好用的文献检索工具也可以毫无保留的分享给萌 cece 哦！
78050编辑于 2023-03-08 值得收藏的文献检索工具
几个一直在收藏夹中的文献检索工具分享给正在做学术研究的朋友1. 唯学术（https://www.dotaindex.com/wescholar）一个可以看中文和英文摘要的文献检索工具3. PubMed (https://pubmed.ncbi.nlm.nih.gov/)美国国立医学图书馆National Library of Medicine的免费搜索引擎，专注于生命科学和生物医学领域的文献检索
2K00编辑于 2024-11-19- 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
40110编辑于 2025-06-01 写论文必备的几大文献检索工具
在学术探索的征程中，文献检索工具是必不可少的得力助手。国内众多文献检索平台各具特色，包括综合学术、专业领域以及免费开放等多种类型。 专业类文献检索工具专注于特定学科领域，为研究人员提供深入且精准的文献资源。 免费开放类文献检索工具打破了知识付费壁垒，实现了学术资源的共享。 工具类文献检索工具侧重于助力用户高效管理和利用文献资源。 选择适合自己的文献检索工具，如同为学术研究配备精准指南针，助力我们在知识海洋中高效航行，发掘更多学术宝藏，推动学术研究不断深入发展。
1.4K11编辑于 2025-04-21- 来自专栏生命科学
细胞实验文献检索——PubMed | MedChemExpress
当然，除了上述的工具，还有一大票比较热门的搜索引擎可供大家选择，大家觉得好用的文献检索工具也可以毫无保留的分享给萌 cece 哦！
79620编辑于 2023-03-08 - 来自专栏生信菜鸟团
GeenMedical 好用的文献检索工具
很多人在看外文文献时，苦于无法下载全文，而pubmed、sci-hub在国内又经常挂机，需要一个稳定的文献获取工具。今天给大家介绍GeenMedical
5.9K10发布于 2020-06-17 - 来自专栏爬虫资料
LLM + 抓取：让学术文献检索更聪明
负责抓取）清洗层：BeautifulSoup / 正则（负责提取结构化内容）存储层：向量数据库（Milvus / Weaviate / Pinecone）RAG 层：先检索再问 LLM（保证上下文相关性）应用层
52110编辑于 2025-09-24 - 来自专栏全栈程序员必看
分布式搜索elasticsearch 文献检索索引 入门
{“number”:32768,”singer”:”杨坤”,”size”:”5109132″,”song”:”今夜二十岁”,”tag”:”中国好声音”,”timelen”:319} {“number”:32769,”singer”:”汪峰”,”size”:”6001697″,”song”:”我爱你中国”,”tag”:”中国好声音”,”timelen”:375} {“number”:32780,”singer”:”汪峰”,”size”:”4070469″,”song”:”我如此爱你”,”tag”:”中国好声音”,”timelen”:254} {“number”:32796,”singer”:”大小姐”,”size”:”3046005″,”song”:”登大人”,”tag”:”儿歌”,”timelen”:190} {“number”:32896,”singer”:”Bandari”,”size”:”3869593″,”song”:”The Golden Land”,”tag”:”胎教音乐”,”timelen”:241} {“number”:32977,”singer”:”Bandari”,”size”:”3477514″,”song”:”Childhood Memory”,”tag”:”欧美”,”timelen”:217}
52920编辑于 2022-07-05 - 来自专栏生物信息与临床医学专栏
Meta分析之文献检索与筛选
在讲解文献检索和筛选之前，我想和大家讲讲如何选题？ 一般来说，Meta分析的选题和一般的科研选题几乎没有差别，但是meta分析其实更偏向与临床实践应用，在这一点上它和一般的理论研究和基础实验研究有较大的差别。
2.7K30发布于 2020-08-06 - 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. 核心组件在LangChain中，两个核心组件是llms和embeddings：LLMs：大语言模型，负责文本生成、对话等任务。Embeddings：将文本转换为向量表示，用于语义搜索、相似度计算等。 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。
32121编辑于 2026-01-31 - 来自专栏机器学习AI算法工程
开源大语言模型LLMs汇总
文心一言的底层技术基础为文心大模型，底层逻辑是通过百度智能云提供服务，吸引企业和机构客户使用API和基础设施，共同搭建AI模型、开发应用，实现产业AI普惠。
2.9K10编辑于 2023-09-04 - 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。 这些应用强调了NER在提高效率、确保合规性和支持战略决策中的重要作用。 15. 情感分析 在现代金融市场预测，特别是在比特币交易方面，情感分析的重要性已经通过多项学术研究得到证实 。 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 - 来自专栏数据探险家专栏
LangChain Java - a framework for developing applications with LLMs
This is the Java language implementation of LangChain.Large language models (LLMs) are emerging as a But using these LLMs in isolation is often not enough to create a truly powerful app - the real power .build() .init();---The following test code can be used to view the QuickStart.java2.3 LLMs 2.5 Chains: Combine LLMs and prompts in multi-step workflowsUp until now, we’ve worked with the PromptTemplate a combination of them.A chain in LangChain is made up of links, which can be either primitives like LLMs
1.4K30编辑于 2023-06-14 - 来自专栏自然语言处理(NLP)论文速递
剑桥 | 提出Hypernetwork，解耦LLMs分词器(Tokenizer)，提高LLMs跨语言处理性能！
大模型（LLM）主要依赖于分词器（Tokenizer ）将文本转换为Tokens，目前主流开源大模型基本上都是基于英文数据集训练得到的，然而，此类模型当处理其它语言时效率会降低。为此，为了能够将原始 LM 分词器替换为任意分词器，而不会降低性能，本文作者定义了一个新挑战：零样本分词器迁移(ZeTT，Zero-Shot Tokenizer Transfer），训练了一个适配各种模型的超网络（Hypernetwork），解耦LLM分词器(Tokenizer)，增强LLM跨语言处理性，实验表明：在跨语言和编码任务上可媲美原始模型。
62810编辑于 2024-05-17 - 来自专栏DrugOne
AI智能体在药物发现中的应用概述
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)。 该系统由与Misogi Labs相关的作者开发，采用层级监督模式，其中一个Orchestrator智能体协调具有不同领域专长的专业子智能体，包括专利提取智能体、文献检索智能体以及交叉比对智能体。 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)。 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。
46310编辑于 2025-12-17 - 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。
43210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 privatGPT——私有化GPT模型的全新应用 另外，LocalAI与Flowise结合还能有更奇妙的用处，比如本地打好Embedding存入向量数据库中来辅助搜索、分类、推荐和AIGC等，可用于打造一个完全智能化的知识库 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]。
10.6K30编辑于 2023-08-10
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