通过小型语言模型（SLM）和检索增强生成（RAG）构建更便宜、更安全、可审计的人工智能

通过小型语言模型（SLM）和检索增强生成（RAG）构建更便宜、更安全、可审计的人工智能
The New Stack
The New Stack ·
MCP如何改变像Cursor这样的AI驱动IDE

MCP如何改变像Cursor这样的AI驱动IDE
DEV Community
DEV Community ·
成功实施RAG的提示工程模式

成功实施RAG的提示工程模式
DEV Community
DEV Community ·

本研究提出了一种新方法——视角转变推理（RPT），旨在提升大型语言模型在主观任务中的表现。RPT使模型能够根据任务动态选择视角，从而提高理解和响应的准确性。研究结果表明，RPT在多项主观任务中优于传统方法。

Perspective Shift in Large Language Models for Addressing Subjective Tasks
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·

本研究提出了一种智能驾驶员建议系统（IDAS-LLM），旨在帮助高速铁路驾驶员处理故障。通过领域微调和检索增强生成架构，系统在故障处理中的响应准确性和可解释性显著提高，实验表明效率提升了10%。

A Large Language Model-Based Recommendation System for High-Speed Train Drivers
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
检索增强生成（RAG）评估最佳实践：全面指南

检索增强生成（RAG）评估最佳实践：全面指南
Qdrant - Vector Database
Qdrant - Vector Database ·

作者最初使用AI工具解决编程问题时感到惊艳，但后来效果下降。他发现问题在于提示工程，即如何有效与AI沟通。文章介绍了提示工程的重要性及其提高AI响应准确性的作用，并分享了十个最佳实践，如明确目标、提供示例、设定AI角色等。提示工程需要不断实验和调整。

提示工程的10个最佳实践
DEV Community
DEV Community ·
👤 个人中心
在公众号发送验证码完成验证