开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何减少构建上下文

构建上下文是指在软件开发过程中，为了完成某个任务而需要了解的相关信息和环境。减少构建上下文的目的是为了提高开发效率和降低错误率。以下是几种减少构建上下文的方法：

使用集成开发环境（IDE）：IDE集成了各种开发工具和功能，可以提供代码自动补全、语法检查、调试等功能，减少开发人员需要查找和记忆的信息。
使用版本控制系统：版本控制系统（如Git）可以帮助开发人员跟踪代码的变化，记录每次修改的详细信息，方便开发人员回顾和理解代码的演变过程。
使用文档和注释：编写清晰、详细的文档和注释可以帮助开发人员理解代码的功能和设计思路，减少对其他开发人员的依赖。
使用代码规范和命名规范：统一的代码规范和命名规范可以使代码更易读、易懂，减少开发人员在理解代码时的困惑。
使用单元测试和自动化测试：编写单元测试和自动化测试可以帮助开发人员验证代码的正确性，减少手动测试的工作量，提高开发效率。
使用持续集成和持续部署：持续集成和持续部署可以自动化构建、测试和部署代码，减少手动操作的需要，提高开发效率。
使用云原生技术：云原生技术可以将应用程序和基础设施紧密集成，提供弹性扩展、自动化管理等功能，减少开发人员对基础设施的关注，专注于业务逻辑的开发。
使用容器化技术：容器化技术可以将应用程序和其依赖的组件打包成一个独立的运行环境，减少开发人员在不同环境中配置和部署的工作量。
使用微服务架构：微服务架构将应用程序拆分成多个小型服务，每个服务独立部署和扩展，减少开发人员在理解整个系统的复杂性上的工作量。
持续学习和知识分享：及时了解最新的技术和行业动态，参加培训和技术交流活动，与同行分享经验和知识，可以帮助开发人员快速掌握新知识，减少构建上下文的时间。

腾讯云相关产品和产品介绍链接地址：

集成开发环境（IDE）：腾讯云开发者工具套件（https://cloud.tencent.com/product/tencentdevtool）
版本控制系统：腾讯云代码托管（https://cloud.tencent.com/product/coderepo）
单元测试和自动化测试：腾讯云测试服务（https://cloud.tencent.com/product/tencenttest）
持续集成和持续部署：腾讯云DevOps（https://cloud.tencent.com/product/devops）
云原生技术：腾讯云容器服务（https://cloud.tencent.com/product/tke）
容器化技术：腾讯云容器实例（https://cloud.tencent.com/product/tci）
微服务架构：腾讯云微服务平台（https://cloud.tencent.com/product/tse）
学习和知识分享：腾讯云学院（https://cloud.tencent.com/developer/edu）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

一文详解 Word2vec 之 Skip-Gram 模型（实现篇）

前言上一篇的专栏介绍了Word2Vec中的Skip-Gram模型的结构和训练，如果看过的小伙伴可以直接开始动手用TensorFlow实现自己的Word2Vec模型，本篇文章将利用TensorFlow来完成Skip-Gram模型。还不是很了解Skip-Gram思想的小伙伴可以先看一下上一篇的专栏内容。本篇实战代码的目的主要是加深对Skip-Gram模型中一些思想和trick的理解。由于受限于语料规模、语料质量、算法细节以及训练成本的原因，训练出的结果显然是无法跟gensim封装的Word2Vec相比的

04

基于TensorFlow实现Skip-Gram模型

作者 | 天雨粟整理 | AI100（rgznai100）原文 - https://zhuanlan.zhihu.com/p/27296712 前言上一篇的专栏介绍了Word2Vec中的Skip-Gram模型(https://zhuanlan.zhihu.com/p/27234078)，如果看过的小伙伴可以直接开始动手用TensorFlow实现自己的Word2Vec模型，本篇文章将利用TensorFlow来完成Skip-Gram模型。还不是很了解Skip-Gram思想的小伙伴可以先看一下上一篇的专

04

ICCV2021 注意力卷积新思路CRAN-上下文推理注意力图像超分辨率网络

论文：Context Reasoning Attention Network for Image Super-Resolution

03

将生成式AI项目投入运营：在生产环境中部署和管理RAG流水线的最佳实践

检索增强生成（Retrieval Augmented Generation, RAG）为组织提供了一个机会，可以通过应用生成式AI（Generative AI, GenAI）功能来利用大型语言模型（LLMs）处理自己的专有数据。使用RAG可以减少风险，因为我们依赖于受控数据集作为模型回答的基础，而不是依赖可能不可靠、不相关或错误的训练数据。然而，您必须持续管理RAG流水线，以确保答案是基于事实和准确的。本文将探讨在生产环境中部署RAG功能时需要注意的关键点，并演示Elastic Search AI平台如何提供所需的见解，让您安心运行RAG流水线。

02

Java 有几种文件拷贝方式？哪一种最高效？

利用 java.io 类库，直接为源文件构建一个 FileInputStream 读取，然后再为目标文件构建一个FileOutputStream，完成写入工作。

00

关于容器中镜像构建的安全问题

确保容器中服务与应用安全是容器化演进的关键点。容器安全涉及到应用开发与维护的整个生命周期，本文主要从镜像构建的视角来看docker容器的一些安全问题及应对措施。

01

清华NLP组发布InfLLM：无需额外训练，「1024K超长上下文」100%召回！

大模型只能够记忆与理解有限的上下文已经成为大模型在真实应用中的能力瓶颈，例如对话式AI系统往往无法记忆你前一天对话的内容，利用大模型构建智能体会产生前后不一致的行为与记忆。

01

万字长文：编写 Dockerfiles 最佳实践

Docker通过读取Dockerfile中的指令自动构建镜像，一个文本文件包含构建镜像的所有指令。Dockerfile遵循特定的格式和指令集，您可以在Dockerfile中引用它们。

02

Meta再放「长文本」杀器Llama 2-Long：70B尺寸登顶最强「32k上下文」模型，超越ChatGPT

虽然大型语言模型在处理日常问答、总结文本等任务上表现非常出色，但如何让LLM在不显著增加计算需求、不降低短文本性能的前提下，能够处理「超长文本输入」仍然是一个难题。

02

结合 Milvus 的医疗问答辅助标记平台

北京妙医佳健康科技集团有限公司是一家以健康数据追踪、人工智能健康干预能力为核心的健康科技公司。妙健康（more）是公司旗下的数字化精准健康管理平台，致力于为用户提供综合性健康服务一站式解决方案。因业务需求，公司需要搭建一个基于多重自然语言处理技术的问答辅助标记平台。

01

程序员指南|学会与大模型相处，提升个人开发效率

过去一年，通过各种平台我们可以轻而易举的接收到人们关于使用大模型遇到诸多问题的声音。然而，显而易见的是，大模型可以在许多方面提高我们的效率，尤其是在处理文档、测试用例和代码等繁琐事务方面。

01

直接扩展到无限长，谷歌Infini-Transformer终结上下文长度之争

谷歌又放大招了，发布下一代 Transformer 模型 Infini-Transformer。

02

吴恩达最新短课，知识很硬核，附中英字幕

该课程由由 llama_index 和 truera_ai的 jerryjliu0和 datta_cs 教授主讲，门槛很低，有 Python 基础知识即可学习。

01

循环神经网络（四） ——words2vec、负采样、golve

循环神经网络（四） ——words2vec、负采样、golve （原创内容，转载请注明来源，谢谢）一、概述本文主要学习几种现有的流行的词嵌入算法，包括words2vec、负采样、golve，另外学

05

DeepMind的新论文，长上下文的大语言模型能否取代RAG或者SQL这样的传统技术呢?

长上下文大型语言模型（LCLLMs）确实引起了一些关注。这类模型可能使某些任务的解决更加高效。例如理论上可以用来对整本书进行总结。有人认为，LCLLMs不需要像RAG这样的外部工具，这有助于优化并避免级联错误。但是也有许多人对此持怀疑态度，并且后来的研究表明，这些模型并没有真正利用长上下文。还有人声称，LCLLMs会产生幻觉错误，而其他研究则表明，较小的模型也能高效解决这些任务。

01

docker容器如何精简镜像减小体积

我们在上篇《Docker容器关于镜像构建的安全问题》一起学习了如何构建一个基于安全的镜像，这篇小作文我们会学习镜像构建的另一个关键性问题，为何别人打造的镜像只有10MB而我的有几百MB？如何精简镜像减小镜像体积？

01

第二章--第五篇：闭合式对话系统

对话系统作为人机交互领域的重要研究方向，在现实生活和技术领域具有广泛的应用。它的重要性体现在以下几个方面。首先，对话系统能够提供自然、直观的人机交互方式。传统的人机交互方式主要依靠键盘、鼠标等输入设备，但对于一些用户，使用自然语言进行对话更加便捷和直观。对话系统通过语音识别和自然语言处理技术，能够理解用户的语言输入，并以自然语言的形式回复用户，使用户能够像与人类对话一样与计算机交流。其次，对话系统在实现智能个人助理、智能客服和虚拟人物等领域具有重要应用。智能个人助理可以帮助用户处理日常事务、提供个性化的推荐和建议，提升用户的生活品质。智能客服能够为用户提供实时的技术支持和服务，提高客户满意度。虚拟人物则能够与用户进行情感交流、提供娱乐和教育等功能。此外，对话系统在知识获取和信息检索方面发挥着重要作用。对话系统可以与用户进行语义理解和意图识别，从海量的数据中提取有用的信息，为用户提供准确、实时的答案和解决方案。对话系统还可以通过与用户的对话交互，逐步获取并更新知识库，实现知识的持续积累和更新。最后，对话系统的发展也推动了人工智能技术的进步。为了实现对话系统的自动化、智能化，需要运用自然语言处理、机器学习、深度学习等前沿技术。对话系统的研究和应用促进了这些技术的发展，提升了人工智能在其他领域的应用水平。

05

Autonomous bubble pattern | 雷达哔哔哔

ThoughtWorks每年都会出品两期技术雷达，这是一份关于科技行业的技术趋势报告，在四个象限：技术、平台、工具以及语言和框架对每一个条目（Blip）做采用、试验、评估、暂缓的建议。（第十九期雷达已发布，点击文末[阅读原文]下载）

01

开源11天，马斯克再发Grok-1.5！128K代码击败GPT-4

11天前，Grok-1模型的权重和架构开源，展示了Xai在去年11月之前取得的进展。

01

函数式编程的后期架构

许多软件架构方法都是假设该架构在一开始时就进行了规划。但不幸的是，以这种方式规划的架构之后很难更改。函数式编程可以帮助我们实现松耦合，从而可以将预先的规划保持在最低限度，并可以在之后更改架构决策。

01

【论文解读】System 2 Attention提高大语言模型客观性和事实性

本文简要介绍了论文“System 2 Attention (is something you might need too) ”的相关工作。基于transformer的大语言模型（LLM）中的软注意很容易将上下文中的不相关信息合并到其潜在的表征中，这将对下一token的生成产生不利影响。为了帮助纠正这些问题，论文引入了System 2 Attention（S2A），它利用LLM的能力，用自然语言进行推理，并遵循指示，以决定要处理什么。S2A重新生成输入上下文以使输入上下文只包含相关部分，然后再处理重新生成的上下文以引出最终响应。在实验中，S2A在包含意见或不相关信息的三个任务：QA、数学单词问题和长形生成上优于标准的基于注意力的LLM，其中S2A增加了事实性和客观性，减少了虚假性。

01

PaymentWorks 如何使用 Slim.AI 实现其开发者平台的现代化

翻译自 How PaymentWorks Modernized Its Developer Platform with Slim.AI 。

01

最新Claude 200K严重「虚标」？大神壕掷1016美元实测，90K后性能急剧下降

OpenAI正忙着政变的时候，他们在硅谷最大的竞争对手Anthropic，则悄悄地搞了个大新闻——发布了支持200K上下文的Claude 2.1。

01

CVPR2020 | Strip Pooling：语义分割新trick，条纹池化取代空间池化

代码链接：https://github.com/Andrew-Qibin/SPNet

03

(转) Dockerfile 中的 COPY 与 ADD 命令

Dockerfile 中提供了两个非常相似的命令 COPY 和 ADD，本文尝试解释这两个命令的基本功能，以及其异同点，然后总结其各自适合的应用场景。

03

AI与React结合，打造更智能的前端

MongoDB资深开发者倡导者Jesse Hall阐述了将人工智能技术融入React应用的基础框架。

01

Dockerfile 中的 COPY 与 ADD 命令

Dockerfile 中提供了两个非常相似的命令 COPY 和 ADD，本文尝试解释这两个命令的基本功能，以及其异同点，然后总结其各自适合的应用场景。

02

docker使用过程中需要留意的几个知识点

不要使用从整个操作系统从头安装的模式来构建应用，比如我们使用node环境的时候，我们应该直接使用node镜像，而不是使用centos或者ubuntu镜像，然后自己安装node环境。

04

RAG-GPT实践过程中遇到的挑战

大型语言模型(LLM)的新进展，包括ChatGPT，为AI应用提供了新的能力，使其能够构建新的人机交互解决方案、完成复杂任务、总结文档、回答文献中的问题并生成新内容。然而，LLM在获取最新知识或企业内部知识库中的领域特定知识时仍存在局限性。解决此问题的两个选项是：

00

零基础入门 GitHub/Gitea Actions 流程自动化

几年前开始，为了将自己的杂七杂八的代码托管起来，自己建了代码私服，当时综合调研了下选择了比较轻量的Gitea，一是防止github、gitee、coding等产品托管的代码审查，二是为了应对墙，不然推送代码真吃力，Gitea1.19 版本之前不支持内置的CI/CD解决方案，所以是我自己使用的Gitea+Drone实现流程自动化。

01

CVPR2020 | Context Prior：在语义分割中引入上下文先验，Cityscapes上81.3％mIoU

论文链接：https://arxiv.org/pdf/2004.01547.pdf

01

【Spring 学习笔记】1、带你了解 Spring 是个啥

为了解决我们开发者在 J2EE 开发时所遇到的众多问题，Rob Johnson 等人发起了 Spring 框架项目。Spring 是一个开源的 J2EE 应用程序框架，是针对 Bean 的生命周期进行管理的轻量级容器。它既可以单独用于构建程序，也能和当前众多的 Web 框架进行组合使用，能够十分方便的降低当前企业应用开发的复杂性。既然 Spring 如此强大，那我们今天就来探究一下 Spring 的内容。

03

Dockerfile add_dockerfile copy和add区别

Dockerfile 中提供了两个非常相似的命令 COPY 和 ADD，本文尝试解释这两个命令的基本功能，以及其异同点，然后总结其各自适合的应用场景。

03

python 上下文管理器、 else 块、@contextmanager

使用最广泛的是 @contextmanager 装饰器，因此要格外留心。这个装饰器也有迷惑人的一面，因为它与迭代无关，却要使用 yield 语句

02

大模型+RAG，全面介绍！

大型语言模型（LLMs）在处理特定领域或高度专业化的查询时存在局限性，如生成不正确信息或“幻觉”。缓解这些限制的一种有前途的方法是检索增强生成（RAG），RAG就像是一个外挂，将外部数据检索集成到生成过程中，增强模型提供准确和相关响应的能力。

01

开源又优化的F-LOAM方案：基于优化的SC-F-LOAM

文章：Optimized SC-F-LOAM: Optimized Fast LiDAR Odometry and Mapping Using Scan Context

01

清华微软开源全新提示词压缩工具，长度骤降80%！GitHub怒砍3.1K星

然而，作为依据的信息熵仅仅考虑了文本的单向上下文，进而可能会遗漏对于压缩至关重要的信息；此外，信息熵的计算方式与压缩提示词的真正目的并不完全一致。

01

编码原理（六）--熵编码--CABAC

CABAC编码的目的是从概率的角度再做一次压缩，编码的过程主要分为二值化，上下文建模，二进制算术编码。

02

Pieter Abbeel 新工作“大世界模型”：轻松玩转 1 小时长视频，一对一 QA 视频内容细节

自3天前Sora发布以来，由图灵奖得主、Meta首席科学家Yann LeCun提出的“世界模型”又一次引起了广泛关注。

01

使用大语言模型 (LLMs) 构建产品一年后的经验总结 (第一部分) [译]

现在是使用大语言模型 (LLMs) 构建产品的激动人心的时刻。在过去的一年中，LLMs 的表现已经“足够好”可以应用于现实世界。LLMs 改进的速度，加上社交媒体上的大量演示，将推动预计到 2025 年 AI 投资达到 2000 亿美元。LLMs 的广泛可用性，让每个人，而不仅仅是机器学习工程师和科学家，都能在他们的产品中构建智能。虽然构建 AI 产品的门槛已经降低，但要创建那些不仅仅是演示效果好的产品，仍然充满挑战。

01

ArchGuard Co-mate：一次关于大语言模型与架构治理、架构设计的探索

我们发起 Co-mate 项目的原因，可以归于：在 LLM 优先的应用开发时代，掌握相关的开发技能。这些相关的技能包含但是不限于：

02

大模型为啥这么慢，原来是想多了：新方向是和人一样的思维算法

人类直觉是一种常被 AI 研究者忽视的能力，但其精妙程度连我们自身也没有彻底理解。弗吉尼亚理工大学和微软的一个研究团队在近日的一篇论文中提出了思维算法（AoT），其组合了直觉能力与算法方法的条理性，从而能在保证 LLM 性能的同时极大节省成本。

02

如何构建基于 DDD 领域驱动的微服务？

尽管微服务中的“微”一词表示服务的规模，但它并不是使用微服务的唯一标准。当团队转向基于微服务的架构时，他们旨在提高敏捷性以及自主且频繁地部署功能。很难确定这种架构风格的简单定义。我喜欢Adrian Cockcroft的关于微服务的简短定义：“ 面向服务的体系结构，它由松散耦合的、具有上下文边界的元素组成。”

01

Meta对Transformer架构下手了：新注意力机制更懂推理

大型语言模型（LLM）很强已经是一个不争的事实，但它们有时仍然容易犯一些简单的错误，表现出较弱的推理能力。

01

领域驱动建模与面向对象建模的差异

在我的《解构领域驱动设计》一书中，提炼了领域驱动设计之精髓，在于对边界的控制。其中，限界上下文与聚合是解空间边界控制中最为重要的两个要素。我们构建的领域模型必然位于限界上下文中，构成领域模型中的主力军——实体和值对象——又必然位于聚合的边界内：

03

「自然语言处理(NLP)速递」ACL--FaceBook（上下文自适应Attention跨度）&& 树Transformer

本次的两篇文章主要和Attention相关。第一篇是FaceBook AI团队基于Transformer提出的一种自适应注意力跨度算法，该算法在Transform的时候能够显著的扩展上下文的跨度。第二篇提出了一种新的Tree Transformer模型，该模型只需通过注意力机制进行递归遍历，就可以捕获用于选区树的短语语法，以及用于依赖树的单词依赖性。

02

ICCV 2023 | SwiftFormer：基于Transformer的实时移动视觉应用中的高效加性注意

在各种视觉应用中，自注意力已经成为捕获全局上下文的一种事实上的选择。然而，它在图像分辨率方面的二次计算复杂性限制了它在实时应用程序中的使用，特别是在资源受限的移动设备上的部署。虽然已经提出了混合方法来结合卷积和自注意的优点，以获得更好的速度和精度权衡，但自注意中昂贵的矩阵乘法运算仍然是一个瓶颈。

01

RAG 技术综述

检索增强生成（Retrieval Augmented Generation，简称 RAG）向 LLM 提供了从特定数据源检索的信息，以此作为生成答案的基础。简而言之，RAG 结合了搜索和 LLM 的提示功能，在此基础上，模型根据搜索算法提供的信息，作为上下文来回答问题。这些查询和检索到的上下文会一并被注入到发送给 LLM 的提示中。

01

Prompt Learning-使用模板激发语言模型潜能

最近又出了个比较吸引人眼球的Prompt Learning，甚至该方法还被称之为NLP的“第四范式”，具体有哪几项请参考以下链接：

03

Docker学习路线7：构建容器镜像

容器镜像是可执行的软件包，包括运行应用程序所需的所有内容：代码、运行时、系统工具、库和设置。通过构建自定义镜像，您可以在任何支持Docker的平台上无缝地部署应用程序及其所有依赖项。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭