AAA344545

在这段时间的智算技术学习过程中，我系统地了解了当前智算领域的一些关键概念和技术实践，包括算力基座、大模型基础设施、思维链、提示词工程、RAG以及智算 Agent等核心内容。通过学习，我认识到算力和基础设施是支撑大模型发展的根本，而提示词工程和思维链则是提升模型响应质量和逻辑性的有效手段。在RAG方面，我深入理解了其通过“先检索、再生成”的机制，解决了大模型知识时效性差、幻觉率高以及无法访问私有知识的问题。RAG将用户的问题向量化后，在外部知识库中检索最相关的信息片段，再将这些事实与原始问题一同传入大语言模型生成答案，从而显著提升了回答的准确性可靠性，也让LLM具备了“用外脑做决策”的能力。同时避免了对大模型微调之后虽然专业知识提升，但是通用能力退化的问题。通过学习和实践，我初步掌握了如何构建RAG流程。同时，我也了解了智算 Agent的基本框架，体会到将大模型嵌入自动化智能体中的广阔应用潜力。在实践部分，我学习到了本地编程调用API，尝试构建交互应用，加深了对模型调用逻辑、以及python的request的库的理解。而且尝试调用文生图等功能。这次学习不仅拓宽了我的知识结构，也提升了我将智算技术落地应用的能力。未来我希望能深入探索多模态大模型，并尝试开发结合RAG机制的实用型智算工具，持续提升技术水平与应用能力。