搜尋結果
2024年3月7日 · Watch on. 隨著我在文件上輸入、修改，底下會出現一排依照相似度排序的推薦筆記。 而由於我的筆記包含廣泛的領域，當我輸入的是「行銷規劃」，底下只會出現關於行銷的筆記；當切換到「樂理」，則只會推薦音樂相關的筆記。 本文會先簡單介紹 RAG 的原理與優勢，接著分享我的實作經驗（相關的教學文章連結我整理在文末），並討論 RAG 應用產品化過程中可能面臨的問題。 在文章最後，則會進一步探討：當 LLM 具備長文本理解能力，可以讓我們把資料全部塞進 prompt 裡，此時還需要 RAG 嗎？ RAG 是什麼？ RAG 解決了大型語言模型（LLM）實際應用時的兩大侷限：幻想（hallucination）與資料時限。
2024年3月22日 · RAG比我原本想的還有趣. 次世代LLM應用——打造虛擬團隊. 「軟體工程」仍是打造生產級LLM應用的關鍵. 本文作者是賴冠州（Edison Lai），曾任職於國內大型媒體的資深數據工程師。 這篇文章是他記錄自己今年三月參加 ALPHA Camp 與 ihower 共同推出的「 Generative AI Engineer：LLM 應用開發工作坊 」完課心得與收穫，我們獲得授權刊登， 原文刊登在他的 Medium。 自從ChatGPT在2022年底問世以來，以LLMs為中心的應用服務已掀起一股革命。
2024年2月26日 · 首頁 Blog. AI 人工智慧 / 其他. 為什麼要用 RAG？ 不用微調模型就能低成本讓 LLM 理解專業知識的 AI 技術. 發佈日期: 2024 年 2 月 26 日 作者: Matt Yu. 內容目錄. 什麼是 RAG？ 跟模型微調有什麼差別？ 快速掌握 LLM 應用全局觀. 何時要使用 RAG？ 何時要使用模型微調？ RAG 發展趨勢：科技巨頭爭相投入，相關產品遍地開花. 在使用 ChatGPT、Gemini 等奠基於大型語言模型（Large Language Models，以下簡稱 LLMs）的人工智慧服務時，很常會遇到一個問題就是：請它們提供與特定專業領域相關的資訊，往往只能獲得極為空泛、甚至是充滿幻覺（hallucination）的回覆。
2024年1月30日 · Claude是Anthropic開發的一系列大型語言模型，旨在改變人們與人工智能互動的方式。 Claude擅長處理各種涉及語言、推理、分析、寫程式等任務。 Anthropic的Claude模型經過預訓練，並使用Constitutional AI進行微調，以使其成為有益、誠實且無害的AI系統。 Constitutional AI是Anthropic開發的一種方法，用於訓練AI系統，特別是像Claude這樣的語言模型，使其無害且有益，而不依賴於大量人類反饋。 Claude模型通過監督學習和從AI反饋中，進行強化學習的兩個階段進行微調，以確保其對人類的幫助和無害性。 Claude模型還具有能夠解釋對有害請求的反對意見的能力，增強了透明度並減少了對人類監督的依賴。
2023年7月25日 · 小結. Reference. reflection 回顧與發現. 體驗用 ORID 強化全端網頁開發學習效果，3 分鐘小測驗找到你的學習起點. Reflection 與做中學. OBJECTIVE ：具體的事實，做了哪些事情、看到與觀察哪些事情. REFLECTIVE ：感受與反應，在當下直接的感受、反應與印象深刻的地方. INTERPRETIVE ：事後詮釋與分析，試著解釋與分析事實與自己的感受. DECISIONAL ：訂定目標與下一步，找出下一步可應用、執行與改善的地方. AC 學生 David 的實際 ORID 評估. Objective 客觀、事實. Objective: DOM實戰操作.
2023年4月2日 · 給新手的入門教學指南. AJAX：掌握 AJAX ，能夠進行非同步數據通信。 RWD響應式和跨平台開發： RWD 響應式設計：熟悉媒體查詢（media queries）和移動優先設計原則，能夠開發適應不同設備的響應式網頁。 Progressive Web Apps（PWA）：了解 PWA 概念，能夠開發具有離線支持和性能優化的 Web 應用。 跨平台框架：了解 React Native、Ionic 或 Flutter 等跨平台開發框架，能夠開發適用於多個平台的應用。 軟技能： 團隊合作：具備良好的團隊合作精神，能夠與設計師、後端工程師和產品經理有效地協同工作。 溝通能力：具備清晰的表達能力，能夠向團隊成員解釋技術問題和解決方案。
2023年11月8日 · LangChain的特點. 易於使用 ：LangChain提供了一系列API，讓開發者可以快速啟動和運行LLM，而無需深入了解模型的內部運作機制。 高度靈活 ：透過配置和擴展機制，開發者可以根據需要自定義LangChain的行為，使其適應不同的應用場景。 生態系統整合 ：LangChain旨在與現有的AI工具和框架無縫集成，支持多種LLM和第三方服務，從而促進生態系統的互操作性。 LangChain的應用場景. 自動文本生成 ：利用LLM生成文章、報告或其他文本內容。 智能問答系統 ：構建基於LLM的問答系統，提供精確的答案和解釋。 語言理解和分析 ：使用LLM進行語言分析，從文本中提取有用的見解和信息。 個性化推薦 ：根據用戶的互動和偏好，利用LLM生成個性化的內容和推薦。
