Task 6 对案例学习总结 本次内容如下： 对两个精选案例进行学习 对之前的内容进行总结 对之前所做的东西进行优化 对案例学习 1.个人知识库助手 具体项目界面如下：

Task 5 系统评估和优化 评估优化流程 在具体的大模型应用开发中，我们通过寻找并优化Bad Cases来提高系统性能。我们将每个Bad Case加入到验证集中，并在每次优化后重新验证所有案例，以确保系统不会在原有Good Case上失去能力或表现降级。当验证集较小时，我们可以通过人工评估系统输出

llm-universe-Task4 构建RAG应用 基于Datawhale的开源课程：地址 写在前面： 在跟着DW学习途中前几节都是用阿里云服务器，但是好像是服务器配置有点低，进行一系列操作后就会崩溃，但是最近事情，不能老是去调整，所以使用WSL2在本地进行操作

llm-universe-Task3 搭建知识库 使用智谱embeddingAPI  from zhipuai import ZhipuAI  def zhipu_embedding(text: str):  ​      api_key = api      client = ZhipuAI(ap

Task 2 概念： Prompt Temperature token： Token 是模型用来表示自然语言文本的基本单位，可以直观的理解为“字”或“词” Prompt： 理论分析： prompt（提示）就是用户与大模型交互****输入的代称。即我们给大模型的输入称为 Promp

llm-universe Part one 第一部分 大模型开发基本了解 **LLM --（**大语言模型，Large Language Model） 开发流程 LangChain

最近开源的llama模型非常火，BX同学在这里向大家演示一下，如何本地部署。* *本文章谨代表BX个人思考 Meta公司发布的新一代大语言模型， 本期介绍如何在本地，在自己电脑上利用CPU/GPU部署运行， 介绍： <