数据开发工程师

大模型快速上手实践

代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

新邀入驻腾讯云开发者社区，福利多多！

如何运用「云、端融合的数智化安全体系」高效护航数据安全

左手AI，右手安全 —— 一汽丰田数字化转型之路

如果你一直在跟着Fanstuck博主的脚步探索AI大模型的相关内容，从最初的大模型Prompt工程解析，DeepSeek全面解析，到实际的私有化大模型开发部署，再到深入NL2SQL、知识图谱大模型和ChatBI等更高阶应用.我是Fanstuck，致力于将复杂的技术知识以易懂的方式传递给读者，热衷于分享最新的行业动向和技术趋势。如果你对大模型的创新应用、AI技术发展以及实际落地实践感兴趣，那么请关注Fanstuck。

一文速通ChatGPT模型架构与简介

本文将全面了解DeepSeek的前世今生，文从DeepSeek模型论文和理论数学公式推理为依据，部分设计到复杂数学计算将以通俗易懂的案例解答理解，因此本文适用于刚刚入门DeepSeek探索的新手和想要了解DeepSeek但数学能力又不是很强的朋友，门槛较低。为做到写作全面本文篇幅可能较长，因此本文付出笔者诸多心血，希望大家诸多支持，随时欢迎讨论观点看法和落地运用。本文将从技术创新的角度，我们将深入探讨DeepSeek主流模型的核心优势，并与其他主流大模型进行对比；接着，我们将回顾DeepSeek的成长历程，揭秘它的核心逻辑和成功的关键；随后，我们将聚焦于DeepSeek在大模型蒸馏和实践中的应用；并分享一些实际场景的部署指南和使用技巧；最后，展望DeepSeek在未来AI领域的潜力与发展。

探索DeepSeek：从核心技术到应用场景的全面解读

近年来，随着大模型与多场景应用的蓬勃发展，AI工程师越来越需要快速、高效且低成本地部署和管理模型服务。腾讯云HAI（High-performance AI）平台是一个面向高性能计算与深度学习的综合解决方案，提供了 GPU/CPU 资源调度、自动化部署以及运维监控等功能；而 DeepSeek 则是一个帮助开发者快速搭建数据处理、模型训练与推理的智能化框架。将两者结合后，你可以更轻松地进行 AI 任务的全流程管理，比如数据处理、模型训练、自动化推理，以及持续迭代升级。

如何快速接入DeepSeek | 腾讯云HAI部署指南

如何从零开始实现 AI 项目的落地？这是每个开发者和企业在迈向智能化时都会面临的核心问题。在本人创建的《人工智能项目落地实战指南》专栏中，我从实践角度出发，为大家梳理了大模型技术在市场应用中的三大方向，并根据 AI 运用的深浅程度进行分类。

大模型开发落地实战-长上下文多模态场景大模型运用实战

Prompt工程技术文章专栏系列已更新七章，涵盖了AI开发生态中的多种使用场景，并提供了足够实用的Prompt技巧。而现在，随着大模型调用变得越来越简单，tokens成本也大幅降低，AI开发者可以轻松进行API封装与二次开发。部分平台更是支持定制场景微调，推动着“AI+”模式在市场上蓬勃发展。

一文带你了解大模型微调的前世今生

本系列文章从最初的基础原理与入门实践切入，一直延伸到主流策略、引导策略、RAG（检索增强生成）、思维树（ToT）与避免幻觉（Hallucination）的策略这种渐进的结构方便了对初学者和进阶者的双向照顾。初学者可以先理解基本概念，然后慢慢深入；有一定经验的读者则可以快速跳到策略章节，获取更高阶的经验和方法。在熟练掌握以上技能和熟悉概念理论之后，我们需付出实践，结合场景来实际操作检验一遍，达到融会贯通。

Prompt提示工程上手指南(七)Prompt编写实战-基于智能客服问答系统下的Prompt编写

系列文章的上一篇我们已经进行了UIE抽取，非结构化知识抽取整理，转化。但是目前仅在于通过分词提取实体、属性、关系，还没有通过大模型来进一步高效率高精准度来提取这些关键字段，因此后续我们都整个流程优化空间都很大，最终我们的目标就是集成数据库以及大模型，对非结构化知识(包含图片，PDF等通过OCR算法识别)自动化抽取，再落库分发接口展示。目前我们需要进一步认识知识存储数据库，这里使用Neo4j进行讲解演示。如觉得项目有用请不吝支持。

一文速学-知识图谱从零开始构建实战:知识图谱搭建构架实践-知识展示

之前写过一篇《如何优雅的在页面上嵌入AI-Agent人工智能》,本篇文章很多基础架构都是集成于上篇文章，也是对上篇文章继续深化挖掘，从更基础的开始搭建，做到从设计到实现再到代码层业务层的实践运用。本篇文章集成演示系统设置为网页端，对于交互界面本篇文章UI前端也有设计，很多灵活设计的内容不必严格按照本篇文章代码效果编写，按照生产规则设计即可。如果本篇文章有帮助请不吝支持！

手把手教你从0到1集成混元AI问答客服系统

根据系列上篇文章，我们已经了解了知识图谱的基本概念，以及现在知识图谱发展状况，与前沿AI结合方向。现在就差真正实践构建知识图谱这临门一脚，基本上就会对知识图谱这一产品有更加清晰的认识。

一文速学-知识图谱从零开始构建实战:知识图谱搭建构架实践-信息抽取

目前设计到很多企业专业领域的知识库构建基本都没有很好的思路对现有的领域知识作一个很好的思路拆分理解，想要落地私域多模态大模型的应用我想还是绕不过想现有的知识库转换为知识图谱，知识图谱不论是对业务还说还是对各个员工来说都是对业务清晰认识了解的有力工具。

一文速学-知识图谱从零开始构建实战:知识图谱的基本概念

GBI概念以及DB-GPT不了解的可以去看看本人之前的两篇博文。本篇文章主要详细记录DB-Chat部署使用。

GBI探索体验DB-GPT部署使用

最近在探索如何发展AI在业务上的驱动力时了解到了生成式商业智能这一概念，同时本人也在探索ChatBI这一技术的实际落地运用，其实二者几乎在实现效果层面是一个意思，GBI(Generative Business Intelligence)是偏向业务方面，而ChatBI更多是偏向技术方面。二者最终导向都是实现让企业可以更加快速地实现从数据到决策的转化，满足企业在不同场景下的数据分析需求。

GBI(生成式商业智能)实际业务生产落地运用上的探索和实践

上期写了NL2SQL，相信看过的朋友应该都对现在大模型在数据交互办公层面的探索和发展都十分感兴趣，在此商业化的产品市场上也有很多，比如阿里云的析言GBI：

一文速学ChatBi“与数据库对话“大模型技术原理及框架一览

关于NL2SQL的技术，如果大家最近有关注AI圈的话，或多或少都有所了解。其实很多业务场景下，于用户而言更多的是想要获取到最终数据的呈现效果，关于数据是如何获取得到的学习成本，是尽可能越少越好。众所周知当学习成本越低，那么产品的获客率也越高，当然对于我们技术人员来说，更多的还是研发思维。最终我们开发的服务主要还是为了业务服务，NL2SQL必然是以后数据开发的趋势所在，因此我们数据开发人员来说，暂且不谈掌握这门技术，清楚理念还是十分必要的。

一文速学-零成本与数据沟通NL2SQL的概念和实现技术

IDEA启动！大模型的title想必不用我多说了，多少公司想要搭上时代前言技术的快车，感受科技的魅力。现在大模型作为降本增效的强大工具，基本上公司大多人都想要部署开发一把，更多的想要利用到这些模型放到生产中来提高生产力。但是对于我们开发者来说，找到实际落地场景可以说是产品的活，我们需要思考如何高效维护AI这个模块，如何建立项目层级结构才能更好的解耦。正巧最近遇到了这个需求，来和大家分享项目搭建流程，此项目将运用到我个人开发的网页和网站上面，感兴趣的同学可以去体验一下，再来看看项目设计结构会更有心得。

如何优雅的在页面上嵌入AI-Agent人工智能

如果能够本地自己搭建一个ChatGPT的话，训练一个属于自己知识库体系的人工智能AI对话系统，那么能够高效的处理应对所属领域的专业知识，甚至加入职业思维的意识，训练出能够结合行业领域知识高效产出的AI。这必定是十分高效的生产力工具，且本地部署能够保护个人数据隐私，能够内网搭建办公使用也十分的方便。

手把手教你搭建自己本地的AIChat

此篇文章已经是本系列的第五篇文章，之前我们已经将检索增强生成(RAG)策略，逐渐我们掌握的知识和技术都在不断提高，对于Prompt的技巧策略也不能只局限于局部运用而要适应LLM大模型的整体框架去进行改进休整。较为主流的LLM模型框架设计基于链式思考（CoT）、思维树 (ToT)和检索增强生成 (RAG)这三大框架我们现在要开始了解学习思维树 (ToT)。

Prompt提示工程上手指南:基础原理及实践-思维树 (ToT)策略下的Prompt

这是本系列的第六篇文章，在这篇中我们需要了解并处理语言模型最为棘手的问题，也就是AI"幻觉”（Hallucination）问题。在大型语言模型和聊天机器人的世界里，"幻觉"现象指的是这些智能系统有时会基于给定的提示，创造出并不存在的信息或事实。简而言之，就是这些先进的AI在对话过程中可能会偶尔"脱轨"，提供与问题无关的回答，或者讲述一些与现实不符的内容。这种现象反映了AI在理解和生成语言时，尽管它们通常表现出色，但有时仍会犯错或产生与期望不符的输出。

Prompt提示工程上手指南(六):AI避免"幻觉”（Hallucination）策略下的Prompt

损失函数无疑是机器学习和深度学习效果验证的核心检验功能，用于评估模型预测值与实际值之间的差异。我们学习机器学习和深度学习或多或少都接触到了损失函数，但是我们缺少细致的对损失函数进行分类，或者系统的学习损失函数在不同的算法和任务中的不同的应用。因此有必要对整个损失函数体系有个比较全面的认识，方便以后我们遇到各类功能不同的损失函数有个清楚的认知，而且一般面试以及论文写作基本都会对这方面的知识涉及的非常深入。故本篇文章将结合实际Python代码实现损失函数功能，以及对整个损失函数体系进行深入了解。

天天用AI还不知道AI是怎么反馈的？一文了解生成模型常见损失函数Python代码实现+计算原理解析

此篇文章已经是本系列的第四篇文章，意味着我们已经进入了Prompt工程的深水区，掌握的知识和技术都在不断提高，对于Prompt的技巧策略也不能只局限于局部运用而要适应LLM大模型的整体框架去进行改进休整。较为主流的LLM模型框架设计可以基于链式思考（CoT）、思维树 (ToT)和检索增强生成 (RAG)。其中RAG框架可以算得上是AI平台研发的老生常谈之一了，因为无论是个人还是企业，都想要培养出一个属于自己领域专业的AI。但伴随而来的问题，不限于产生幻觉、缺乏对生成文本的可解释性、专业领域知识理解差，以及对最新知识的了解有限。

Prompt提示工程上手指南:基础原理及实践(四)-检索增强生成(RAG)策略下的Prompt

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

腾讯云开发者社区推出了大模型快速上手实践专栏，为你提供了大模型快速上手实践的相关文章，致力于帮助开发者快速成长与发展。

大模型快速上手实践

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐