Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

java程序员怎么转型大模型算法工程师

Answer

以下是为 Java 程序员转型大模型算法工程师提供的一些建议：

  1. 学习相关理论知识：了解大模型的基本原理，包括模型架构、预训练及微调、部署及推理等。
  2. 掌握技术工具：熟悉 LLM 相关技术，如 Transformer、Prompt Tuning、RLHF、Langchain、Agent、MOE、RAG 等。
  3. 提升编程能力：熟悉算法和数据结构，具备扎实的编程基础，尤其是 Python 开发。
  4. 积累项目经验：
    • 可以参考大圣的全网最适合小白的 Llama3 部署和微调教程，该教程手把手教您下载并部署 Llama3 模型，使用甄嬛数据集微调模型，并了解微调的意义和概念。但需注意，此教程不会讲解微调的技术性原理及文中用到的 Python 代码。
    • 关注招聘信息，例如序智科技和中国移动设计院的招聘需求，了解大模型算法工程师的职责和要求，针对性地提升自己的能力。
  5. 增强相关技能：
    • 对至少 2 个框架具备源码级别的理解和优化能力，包括但不限于 Langchain、XAgent、ChatDev、DsPy、AutoGPT、BabyAGI、MetaGPT。
    • 熟悉 GPT Function Calling 原理，熟练掌握 Prompt Engineering。
    • 对预训练/微调（尤其是微调）熟练，熟练掌握 huggingface/deepspeed（或其他框架）。
    • 对多模态大模型有一定了解，精通低代码平台会是加分项。

您可以根据自身情况，有针对性地进行学习和实践，逐步实现从 Java 程序员向大模型算法工程师的转型。

Content generated by AI large model, please carefully verify (powered by aily)

References

大圣：全网最适合小白的 Llama3 部署和微调教程

本文的核心代码全部参考如下开源项目：[GitHub-datawhalechina/self-llm:《开源大模型食用指南》基于Linux环境快速部署开源大模型，更适合中国宝宝的部署教程](https://github.com/datawhalechina/self-llm/tree/master)[heading1]一、引言[content]大家好，我是大圣，一个致力于使用AI技术将自己打造为超级个体的程序员。作为一名程序员，我对大模型技术是非常向往的，但是因为是非科班出身，一直迟迟没有动手。在Llama3出来之后，我萌生了微调的想法，我的目的很简单，不是为了学习多么高深的知识，而是让自己先入门。入门最好的方式就是直接上手实操，这是也是之前的一系列教程中所强调的理念。由于市面上没有找到专门针对我们纯小白的教程，所以这篇教程就来啦！这篇教程的亮点教你如何购买算力，不再为本地电脑的配置不够而发愁手把手教你下载并部署Llama3模型，以前都是玩别人部署的，这次咱们玩自己的！)使用甄嬛数据集微调Llama3模型，并且针对微调后的模型进行实验了解微调的意义和概念但是这篇教程不会讲解微调的技术性原理以及文中会用到的Python代码。原因很简单，因为我是一位Java开发工程师，里面的代码我都是靠GPT4.0帮我读的另外这篇教程需要你充值50块钱，不过不是给我哦，是购买算力的预充值。我不想因为50块钱把你劝退，所以这里我要多说一句，免费的才是最贵的。看完我的教程，你绝对会认为这50块钱花的很值OK，都交代清楚，大家按照决定是否要继续享用，废话不多少，我们直接开始

最近招聘信息-持续更新中

[heading4]序智科技-算法/后端/前端正式&实习职责:负责公司网站、移动应用等前端产品的开发和维护，与产品、设计、后端等团队紧密合作,实现产品需求，优化前端性能,提升用户体验要求:1.计算机相关专业本科及以上学历2.3年以上前端开发经验,有大型网站或应用开发经历者优先3.精通HTML、CSS、JavaScript等前端技术,熟悉主流前端框架如React、Vue、Angular等4.熟悉响应式设计、跨浏览器兼容性、Web性能优化等，熟练使用tailwind框架优先。5.熟练掌握常见打包工具链，如webpack、vite等6.有移动端开发经验优先三.大模型Agent算法工程师工作职责：（1）训练/微调大模型，支持Agent系统。（2）调用GPT4 API进行前沿Agent框架设计。硬性要求：（1）对至少2个框架具备源码级别的理解+优化能力，包括但不限于Langchain,XAgent,ChatDev,DsPy,AutoGPT,BabyAGI，MetaGPT（2）熟悉GPT Function Calling原理，熟练掌握Prompt Enginnering（3）对预训练/微调（尤其是微调）熟练，熟练掌握huggingface/deepspeed（或其他框架）加分项：对多模态大模型有一定了解，精通低代码平台欢迎推荐或自荐简历至tong000tong@126.com，或飞书与我@张晓桐联系发布时间：5月1日

最近招聘信息-持续更新中

中国移动设计院招聘需求（代招）：办公地点：北京海淀中关村需求一AI算法工程师：数量：1名学历：本科及以上资历：5年及以上要求：1、对系统全局调优和预测性维护有一定建模基础2、具有机器学习、深度学习相关项目实践经验，熟悉至少一种算法3、熟悉相关深度学习框架如Tensorflow，能够快速实现研究及设想4、负责AI在智能数据中心、智能网络领域应用研发移动设计院招聘需求需求二大模型开发工程师数量：1名学历：本科及以上资历：5年及以上岗位要求：1、参与大模型技术研究、大模型微调、大模型智能体研发、基于大模型的应用研发等工作；2、大模型相关的数据工程，包括预训练数据、微调数据、行业数据挖掘等；3、大模型相关的落地实现：如推理优化、部署、AI-Agent、工具学习、领域大模型等；技能要求：1、了解大模型基本原理，包括不限于模型架构、模型预训练及微调、模型部署及推理；2、熟悉LLM相关技术，如transformer,prompt tuning,RLHF,langchain,Agent,MOE,RAG等；3、熟悉算法和数据结构，熟悉常用的编程语言，有较好的Python开发经验，编程基础扎实；4、了解或掌握机器学习、深度学习基本算法原理，熟悉AI建模流程，在NLP领域有开发经验优先；5、了解熟悉大模型常用训练框架、推理架构；了解分布式计算、并行计算。[heading4]联络方式：[content]飞书与@史鹏飞联系

Others are asking
基于规则的测试生成： 测试用例生成工具： Randoop：基于代码路径和规则生成测试用例，适用于 Java 应用程序。这个应该怎样使用呢
很抱歉，目前没有关于 Randoop 工具使用方法的相关内容。您可以通过以下途径获取更详细的信息： 1. 官方文档：访问 Randoop 的官方网站，查找其提供的详细使用说明和教程。 2. 技术论坛：在相关的技术论坛上搜索关于 Randoop 使用的讨论和经验分享。 3. 开源社区：参与开源社区中关于 Randoop 的交流，向其他开发者请教。
2025-04-08
Java相关的AI
以下是关于 Java 相关的 AI 的一些信息： 1. 利用固定格式文档结合 AI 进行代码开发的可行性分析：建议优化方面，要强调组员主观能动性，让他们自主设计，组长负责引导和经验分享。文档并非唯一最佳方式，可尝试用简短描述或 Prompt 辅助代码生成。经验分享方面，在 AI 编程中，设计非常重要，模块化低耦合设计和清晰的上下文对代码生成效果尤为关键。参考链接： 2. 后端 Java 程序员转向 LLM 方向的行动建议：借助 AI 编程（如 Cursor），熟悉 LLM 原理，探索复杂 Prompt 和定制化规则。开展 LLM 相关的 Side Project（如翻译工具、AI 对话应用等），通过实践快速掌握技能。将 AI 当老师，边做边学，获取即时反馈，持续提升。核心建议是行动起来，找到正反馈，坚持使用 AI 辅助编程。参考链接：
2025-03-14
java程序员，怎么吧AI结合到公司的业务上去，K12教育公司
对于 Java 程序员将 AI 结合到 K12 教育公司的业务中，以下是一些可能的方向和建议： 首先，可以考虑利用自然语言处理技术来改善学生与学习平台的交互体验。例如，开发智能客服，能够自动回答学生和家长常见的问题，提高服务效率。 其次，通过机器学习算法对学生的学习数据进行分析，从而实现个性化的学习推荐。比如根据学生的学习进度、成绩、学习习惯等因素，为他们推荐适合的课程、练习和学习资源。 另外，运用图像识别技术来辅助教学材料的制作和评估。例如，自动识别和批改学生的手写作业、试卷等。 还可以开发智能辅导系统，为学生提供实时的学习指导和答疑服务。 最后，利用语音识别和合成技术，打造有声读物、语音教学等功能，丰富教学形式。 但在将 AI 引入业务的过程中，需要注意数据的安全性和合法性，以及确保技术的可靠性和稳定性。同时，要充分考虑教育的特点和学生的需求，以实现有效的融合和应用。
2025-02-23
有java scala hadoop spark flink开发经验员工入门AI 学习提纲以及对应学习内容
以下是为有 Java、Scala、Hadoop、Spark、Flink 开发经验的员工提供的 AI 入门学习提纲及对应学习内容： 1. 学习资源推荐： 系统化学习：观看李弘毅老师的生成式 AI 导论、吴达的生成式 AI 入门视频等，并整理学习笔记与大家交流互动。 社区共创学习：参与社区共创活动，通过做小项目反向推动学习。 参考资料：A16Z 推荐的 AI 相关原理内容，包括 GPT 相关知识、Transformer 模型运作原理、大语言模型词语接龙原理等基础知识。 官方 cookbook：open AI 的官方 cookbook，小琪姐做了中文精读翻译。 历史脉络资料：整理 open AI 的发展时间线、万字长文回顾等。 2. 学习路径： 从提示词开始学习与各类模型的对话，了解其重要性和结构化提示词的优势。 学习过程中可以先从国内模型工具入手，不花钱，若想进阶再考虑高阶方向。 3. 其他学习方式： 创作者将内容做成可视化形式，后续会发到群里。 上传相关 PPT 用作参考。 从温达、李弘毅老师课程等学习入门。 了解时代杂志评选的百位领军人物。 学习 AI 相关名词解释，如 AGI、AIGC、agent、prompt 等，可通过与 AI 对话或李继刚老师的课程来理解。 订阅赛博蝉星公众号、国外优质博主的 blog 或 Twitter 等获取最新信息并投稿。 参与社区活动，如 AIPU、CONFIUI 生态大会、每月的切磋大会、新活动 AIPO 等。
2025-02-21
大模型在软件开发公司（主java+vue）的应用场景有哪些
大模型在以 Java 和 Vue 技术为主的软件开发公司中，具有以下一些应用场景： 1. 代码自动生成：大模型可以根据需求描述生成 Java 或 Vue 的代码片段，提高开发效率。 2. 代码优化建议：分析现有代码，提供优化的建议和策略，提升代码质量。 3. 智能错误检测与修复：快速识别代码中的错误，并提供可能的修复方案。 4. 需求分析与理解：帮助更好地理解和梳理复杂的业务需求，转化为技术实现的思路。 5. 自动化测试用例生成：根据代码和需求生成有效的测试用例，提高测试效率和覆盖度。 6. 技术选型辅助：在面临新的项目或技术难题时，提供相关技术选型的参考和建议。
2025-02-06
35岁java后端开发如何转型AI开发
对于 35 岁的 Java 后端开发人员转型 AI 开发，以下是一些建议： 1. 利用固定格式文档结合 AI 进行代码开发时，要强调组员的主观能动性，让他们自主设计，组长负责引导和经验分享。文档并非唯一最佳方式，可尝试用简短描述或 Prompt 辅助代码生成。在 AI 编程中，设计非常重要，模块化低耦合设计和清晰的上下文对代码生成效果尤为关键。参考链接： 2. 借助 AI 编程工具（如 Cursor），熟悉 LLM 原理，探索复杂 Prompt 和定制化规则。开展 LLM 相关的 Side Project（如翻译工具、AI 对话应用等），通过实践快速掌握技能。将 AI 当老师，边做边学，获取即时反馈，持续提升。核心建议是行动起来，找到正反馈，坚持使用 AI 辅助编程。参考链接：
2025-01-29
对程序员在 AI 能力上不同维度的分析
以下是对程序员在 AI 能力上不同维度的分析： AI 对程序员工作的影响： AI 可代替的部分：代码生成、补全、分析问题和数据提取、辅助架构设计文档等。 AI 无法代替的部分：需求分析、复杂项目拆分、线上问题排查、调试及安全性保障。 企业考察候选人 AI 能力的要点： 基础 AI 应用能力：包括提示词工程，会用合适的方式提问以引导 AI 输出高质量答案；内容评估能力，能够判断 AI 生成的内容是否靠谱并加以优化；熟练使用 AI 工具，能快速上手各类 AI 工具，如 DeepSeek、Cursor、Midjourney 等。 高级 AI 应用能力：任务拆解能力，知道哪些工作适合用 AI，哪些环节需要人工把控；业务场景应用能力，能在实际工作中灵活运用 AI 提高效率。 加分项：快速学习能力，能跟上 AI 技术的快速迭代，主动学习新工具、新方法。 不同领域考察 AI 能力的方式：因领域而异。 程序员与 AI 编程助手： 约 2/3 的 730 名程序员已在使用 AI 编程助手（如 ChatGPT、GitHub Copilot、Cursor 等），原因包括对新技术的敏感性、尝试后获得效率红利、习惯养成。 使用比例远超预期，AI 编程助手迅速渗透开发者日常，好奇心驱动和效率反馈形成正向循环，AI 的使用逐渐成为程序员的“标配能力”。 AI 对编程行业的影响： 不止于“效率提升”，还带来岗位结构、心理预期、安全风险等深层变化。 技能退化与岗位压缩令人焦虑，使用 AI 成为职场新基本素养，心理压力、合规风险需同步应对。 积极影响与未来趋势：人机协作成为主流，AI 释放开发者创造力；门槛降低促使创新频率提升；持续学习与能力更新成为行业新常态。
2025-04-09
分析程序员在AI能力上的不同维度，比如AI框架，AIPrompt等
以下是对程序员在 AI 能力上不同维度的分析，包括 AI 框架和 AI Prompt 等方面： AI 框架： PromptPal：专为 AI 领域中的初创公司和个人开发者设计的提示管理工具，是一个集中化平台，便于在 AI 项目中管理提示，实现协作和工作流程优化。具有本地部署和云原生、简易设置、数据库支持、SDK 支持、提示跟踪与分析、协作工具等特点。开发指向： ChainForge：开源的可视化编程环境，专门用于测试大型语言模型（LLMs）的提示。允许用户进行快速而有效的提示想法测试和变化，具有多模型测试、响应质量比较、评估指标设置、多对话管理等特点。开发指向： AI Prompt： Promptknit：为 AI Prompts 测试提供服务的平台，可能提供工具和资源来帮助用户设计、测试和优化 AI 模型的提示。网站： 对于律师等法律人写好 Prompt 的建议： 明确 Prompt 是给人工智能（AI）系统提供的信息或问题，用来引导其产生特定回答或执行特定任务。 建议框架及格式：CRISPE 包括 Capacity and Role（能力与角色）、Insight（洞察）、Statement（陈述）、Personality（个性）、Experiment（举例）。例如，在处理合同纠纷案件时，为 AI 赋予角色和能力，提供背景信息和上下文，明确期望其完成的任务，设定回答风格等。
2025-04-09
ai论文程序员是什么岗位
在现行法律体系框架下，AI 论文中关于程序员在著作权归属方面存在以下情况： 程序员不是编写 AI 代码所生成内容的著作权归属主体。虽然构建 AI 模型耗费了程序员大量脑力劳动，但他们只是代码的创作主体，其权利可通过计算机软件著作权进行保护。 以 Stable Diffusion 生成的图片为例，程序员对最终产出的图像没有创作的主观意愿，不能成为图片的创作主体。
2025-04-08
我不会写代码，怎么像个程序员一样利用ai帮我写代码
如果您不会写代码但想利用 AI 帮您写代码，可以参考以下方法： 1. 对于编程小白来说，最好向 AI 提供代码节点中的范例，也就是新进入代码节点的 IDE 中所看到的那些代码（从 async def 到 return 的内容）。因为 AI 可能并不清楚代码中规定的输入输出格式（比如代码节点的 Python 语言使用字典的形式来组织输入和输出的变量），所以提供范例可以尽可能减少您需要对 AI 所写代码的改动。 2. 需要向 AI 说清楚输入变量与输出变量的类型。 3. 最好说明与工作流中匹配或想要的变量名称，以减少二次修改。 4. 最好列出输入变量的具体书写形式，以方便 AI 尽可能准确地理解。如果是 Object 或 Array 这样较为复杂的形式，您不会写，可以使用下面这个方法：在前一个节点后接一个“文本处理”节点，选择字符串拼接，输入选择前一个节点输出中所需的那个变量，拼接内容写{{String1}}就行，然后试运行，展开该节点的运行结果，复制最终输出中“output:”后面的内容即可，如果内容太长，提问时可省略不重要的具体内容，保留书写形式即可。 5. 说清楚代码要实现什么功能，如果功能较为复杂，尽量将运行逻辑说清楚，越清楚越好。描述中尽量用变量名称来指代所涉及到的各个变量。 这里给出一个提问范式供大家参考： 请仿照上述代码的结构，用 python 编写代码，实现以下功能： 输入变量为。 输出变量为。 。关键步骤请附上注释。 另外，如果您在处理 SQL 代码时不会写，也可以让 AI 帮忙。例如，您可以将以下内容发送给 AI：学习这个文档 https://www.coze.cn/docs/guides/database，然后帮我撰写用于工作流的 sql。之后按照 AI 的回复要求提供具体需求，如数据库表名称、操作类型、相关字段等，AI 会为您生成相应的 SQL 语句。 在使用代码节点时，即使您不是程序员，也可以让 AI 帮您写代码。但要先搞清楚输入和输出以及想要代码实现的逻辑。比如在处理谷歌搜索节点的输出作为 Code 节点的输入时，要先了解相关字段，如 link（网址）、title（标题）、snippet（简短介绍）、source（来源）等。
2025-03-08
程序员在使用AI的时候会涉及哪些AI工具，帮我分别具体列举出来
程序员在使用 AI 时，可能会涉及以下一些 AI 工具： 1. GitHub Copilot：由 GitHub 联合 OpenAI 和微软 Azure 团队推出，支持多种语言和 IDE，能为程序员快速提供代码建议，帮助提高编写代码的效率。 2. 通义灵码：阿里巴巴团队推出，基于通义大模型，提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码注释生成等多种能力。 3. CodeWhisperer：亚马逊 AWS 团队推出的由机器学习技术驱动的代码生成器，为开发人员实时提供代码建议。 4. CodeGeeX：智谱 AI 推出的开源免费 AI 编程助手，基于 130 亿参数的预训练大模型，可快速生成代码。 5. Cody：代码搜索平台 Sourcegraph 推出的 AI 代码编写助手，借助强大的代码语义索引和分析能力，了解开发者的整个代码库。 6. CodeFuse：蚂蚁集团支付宝团队为国内开发者提供的智能研发服务的免费 AI 代码助手，基于蚂蚁集团自研的基础大模型进行微调。 7. Codeium：一个由 AI 驱动的编程助手工具，通过提供代码建议、重构提示和代码解释来帮助软件开发人员提高编程效率和准确性。 此外，还有一些其他相关的 AI 工具，如： 1. ChatAll：可以同时与多个 AI 机器人实时聊天的开源工具，支持多种主流 AI 聊天机器人。 2. AIProductsAllInOne：整理了一些 ChatGPT 以及 AI 相关的生产力工具。 3. Shell GPT：在命令行中集成了 ChatGPT，帮助快速编写 shell 命令、代码片段等。 4. 飞书 GPT：集成了飞书、GPT3.5、Dall·E、Whisper 等 API，支持多种功能。 5. ChatPDF：提取 PDF 文件内容并交给 ChatGPT 分析，实现一对一对话交流。 6. GitHub Copilot X：基于 AI 驱动的跨时代代码编辑器，带来全新编程体验。 在 PPT 制作方面，有以下 AI 工具： 1. MindShow 2. 爱设计 3. 闪击 4. Process ON 5. WPS AI 每个工具都有其特色和适用场景，程序员可以根据自己的需求选择最适合的工具。
2025-03-07
通义灵码AI程序员
通义灵码是基于通义大模型的 AI 研发辅助工具，具有以下特点和能力： 提供代码智能生成、研发智能问答、多文件代码修改、自主执行等能力，为开发者带来智能化研发体验，引领 AI 原生研发新范式。 具备多文件代码修改和工具使用的能力，可与开发者协同完成编码任务，如需求实现、问题解决、单元测试用例生成、批量代码修改等。 核心能力包括：从片段级到多文件级的 AI 编码，能完成涉及工程内多文件级的编码任务；新增多种上下文感知、意图理解、反思迭代、工具使用等能力，开发者可与 AI 协同完成更复杂的编码任务；自动完成工程内多个文件的代码修改的 Diff 生成，并提供多文件的变更审查视图，高效完成 AI 生成代码的确认；构建人机协同工作流，通过多轮对话逐步完成编码任务，产生多个快照版本，可任意切换、回退。 第二期「AI 实训营」手把手学 AI 【第二期：大咖带你快速上手通义灵码 AI 程序员】相关信息： 讲师：梦飞，WaytoAGI Agent 核心创作者，词元映射 CEO。 课表： 01/22 20:00 【直播回放】 ，主题为0 基础入门篇：写代码像聊天一样简单，可以进入钉钉群获取更多文档：https://alidocs.dingtalk.com/i/nodes/yQod3RxJKGvvkP3rfj5Lgoy7Jkb4Mw9r?utm_scene=person_space ，课程内容包括 AI 编程的能力与边界、通义灵码上手指南、一句话 AI 编程小游戏展示。 01/23 20:00 【直播回放】 ，主题为AI 编程实战篇：人人都能“福从天降”，课程内容包括 0 基础带练“福从天降”小游戏、自然语言生成更多小游戏、如何在 Github 部署并生成在线链接。 本期共学直播地址： 会议时间：20:00 21:30 会议 ID：932 264 694 会议链接：vc.feishu.cn/j/932264694 加入通义灵码钉钉共学群（钉钉群号：78080029971），大咖在线答疑。春节专题，现场发红包！2 天课程，带你从小白到进阶，从学习到实践，全面了解 AI 应用开发！和百万开发者一起共学、共享、共实践！
2025-03-07
minimax的大模型算法热点
以下是关于 MiniMax 的大模型算法热点的相关内容： 1. MiniMax 有两个适合特定任务的大模型：MiniMaxText01 支持 400 万 token 的上下文，能应对超长文章；T2A v2（speech01turbo）拥有最好的声音复刻效果。可以通过其开放平台（https://platform.minimaxi.com/login ）进行注册登录及实名认证。首次注册会赠送 15 元，API 消耗会消耗余额，生成一条 3 分钟的语音，文本模型消耗 1 分钱，语音模型消耗 5 毛钱，克隆音色有额外费用，现优惠 9.9 元。接着创建 API Key 并保存好，以及 groupid。还可以克隆声音，相关链接为 https://platform.minimaxi.com/examinationcenter/voiceexperiencecenter/voiceCloning ，有创建 voice id、上传复刻音频及音频 prompt、试听文本等操作，勾选用户协议点击“克隆”选项一段时间后完成克隆，使用填写的 voice id 生成声音。 2. MiniMax 推出了 MoE 架构的新模型，其“星野”是目前国内最成功的 AI 陪聊 APP。 3. MiniMax 近日发布新模型 MiniMax01，采用线性注意力机制和 MoE 架构，显著提升上下文处理能力，支持超长上下文（400 万 Token），在多项学术基准上表现优异，超越许多国际顶尖模型。其开源旨在促进长上下文研究和应用，加速 Agent 时代的到来，通过精细架构设计和训练策略，在处理长输入时实现接近线性的计算效率。
2025-03-28
我是一个没有技术背景且对AI感兴趣的互联网产品经理，目标是希望理解AI的实现原理并且能够跟开发算法工程师沟通交流，请给我举出AI模型或者机器学习的分类吧。
以下是 AI 模型和机器学习的分类： 1. AI（人工智能）：是一个广泛的概念，旨在使计算机系统能够模拟人类智能。 2. 机器学习：是人工智能的一个子领域，让计算机通过数据学习来提高性能。包括以下几种类型： 监督学习：使用有标签的训练数据，算法学习输入和输出之间的映射关系，包括分类和回归任务。 无监督学习：学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习：从反馈中学习，以最大化奖励或最小化损失，类似训练小狗。 3. 深度学习：是机器学习的一个子领域，模拟人脑创建人工神经网络处理数据，包含多个处理层，在图像识别、语音识别和自然语言处理等任务中表现出色。 4. 大语言模型：是深度学习在自然语言处理领域的应用，目标是理解和生成人类语言，如 ChatGPT、文心一言等。同时具有生成式 AI 的特点，能够生成文本、图像、音频和视频等内容。 2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它基于自注意力机制处理序列数据，不依赖循环神经网络或卷积神经网络。生成式 AI 生成的内容称为 AIGC。
2025-03-26
人工智能算法的发展历程是怎么样的？
人工智能算法的发展历程大致如下： 早期的国际象棋对弈程序以搜索为基础，发展出了阿尔法贝塔剪枝搜索算法。在对局开始时搜索空间巨大，随后通过学习人类棋手对局采用了基于案例的推理。现代能战胜人类棋手的对弈程序基于神经网络和强化学习，能从自身错误中学习，且学习速度快于人类。 创建“会说话的程序”的方法也在变化，早期如 Eliza 基于简单语法规则，现代助手如 Cortana、Siri 或谷歌助手是混合系统，使用神经网络转换语音并识别意图，未来有望出现完整基于神经网络的模型处理对话，如 GPT 和 TuringNLG 系列神经网络取得了巨大成功。 在机器学习方面，算法通过分析数据和推断模型建立参数，或与环境互动学习，人类可注释数据，环境可为模拟或真实世界。 深度学习是一种机器学习算法，由 Geoffrey Hinton 开创，1986 年发表开创性论文引入反向传播概念，2012 年 Hinton 和学生表明深度神经网络在图像识别方面击败先进系统。为使深度学习按预期工作，需要数据，如李飞飞创建的 ImageNet。 AI 技术发展历程包括早期阶段的专家系统、博弈论、机器学习初步理论；知识驱动时期的专家系统、知识表示、自动推理；统计学习时期的机器学习算法；深度学习时期的深度神经网络、卷积神经网络、循环神经网络等。 当前 AI 前沿技术点有大模型（如 GPT、PaLM 等）、多模态 AI、自监督学习、小样本学习、可解释 AI、机器人学、量子 AI、AI 芯片和硬件加速等。
2025-03-26
ai算法该从哪里开始学习
学习 AI 算法可以从以下几个方面入手： 1. 神经网络和深度学习方面： 了解麦卡洛克皮兹模型，感知机的学习机制，如罗森布拉特受唐纳德·赫布基础性工作的启发想出的让人工神经元学习的办法，包括赫布法则。 熟悉感知机学习算法的具体步骤，如从随机权重和训练集开始，根据输出值与实例的差异调整权重，直到不再出错。 2. Python 与 AI 基础方面： 掌握 AI 背景知识，包括人工智能、机器学习、深度学习的定义及其关系，以及 AI 的发展历程和重要里程碑。 巩固数学基础，如统计学基础（熟悉均值、中位数、方差等统计概念）、线性代数（了解向量、矩阵等基本概念）、概率论（基础的概率论知识，如条件概率、贝叶斯定理）。 学习算法和模型，包括监督学习（如线性回归、决策树、支持向量机）、无监督学习（如聚类、降维）、强化学习的基本概念。 了解模型的评估和调优方法，如性能评估（包括交叉验证、精确度、召回率等）、模型调优（如使用网格搜索等技术优化模型参数）。 熟悉神经网络基础，如网络结构（包括前馈网络、卷积神经网络、循环神经网络）、激活函数（如 ReLU、Sigmoid、Tanh）。 3. 强化学习方面： 了解在人工智能发展中，利用新算法解决挑战性问题的思路，如在某些领域找到适合的模拟任务环境进行训练和学习，不依赖人类专家先验。 以 AlphaZero 为例，理解其模型公式，包括定义神经网络、网络权重、棋盘状态表示、网络输出等。
2025-03-15
所以我可以理解为CNN是一种图像分类识别的AI算法技术吗
卷积神经网络（CNN）是一种用于图像分类识别的 AI 算法技术。 ImageNet 成为深度神经网络革命的首选数据集，其中由 Hinton 领导的 AlexNet 就是基于卷积神经网络（CNN）。自 2012 年以来，在深度学习理论和数据集的支持下，深度神经网络算法大爆发，包括卷积神经网络（CNN）等。 连接主义的全面逆袭从 2012 年开始，欣顿教授和他的学生建立的 AlexNet 就是使用反向传播算法训练的卷积神经网络（CNN），其在图像识别方面击败了当时最先进的逻辑程序。 虽然 CNN 模型取得了显著成果并解决了许多问题，但也存在一些缺陷，如不能从整幅图像和部分图像识别出姿势、纹理和变化，池化操作导致模型不具备等变、丢失很多信息，需要更多训练数据来补偿损失，更适合像素扰动极大的图像分类，对某些不同视角的图像识别能力相对较差。因此，在 2011 年，Hinton 和他的同事们提出了胶囊网络（CapsNet）作为 CNN 模型的替代。
2025-03-07
假如你是一名测试工程师，要写一个关于《AI智能体输入输出验证》专利申请书，申请书的内容包括以下几点： 1、发明名称（一种xxxxxxxx算法/架构/设计/外观等等等等） 2、发明背景技术 3、具体的技术方案描述 4、本发明的有益效果
以下是为您生成的关于《AI 智能体输入输出验证》的专利申请书内容： 发明名称：一种基于 Coze 工作流的 AI 智能体输入输出验证算法 发明背景技术： 在当前的 AI 应用中，构建和测试智能体的功能至关重要。特别是在处理复杂的任务，如生成思维导图时，需要确保输入和输出的准确性和有效性。然而，现有的技术在配置子任务节点和验证其可用性方面存在不足，导致效率低下和结果不稳定。 具体的技术方案描述： 1. 对于生成思维导图的任务，首先确定处理方式为“单次”，因为一次精读任务仅需生成一张思维导图。 2. 在输入方面，<generateTreeMind>插件节点仅需设置{{query_text}}变量，格式为 string 字符串，通过引用“标题、导语、大纲”节点的{{enTreeMind}}变量来提供输入。 3. 在输出方面，观察输出区的众多字段，根据字段名称、「查看示例」中的示例说明或试运行来确定所需的字段。对于生成图片格式的思维导图，确定 pic 为所需的输出。 4. 完成任何一个节点的配置后，进行试运行测试。具体步骤包括：点击「测试该节点」，按格式要求输入待测试的内容（对于 array 等其他格式，自行对话 AI 或搜索网络确认格式要求），点击「展开运行结果」，检查输入、输出项是否有误。若有误，依次检查“测试输入内容”、“节点配置”以及优化“提示词”，以提升对生成内容的约束力。 本发明的有益效果： 1. 提高了 AI 智能体在处理生成思维导图等任务时输入输出配置的准确性和效率。 2. 通过明确的步骤和规范的测试流程，有效减少了错误和不确定性，提升了智能体的稳定性和可靠性。 3. 能够更好地满足用户在复杂任务中的需求，为相关领域的应用提供了更优质的解决方案。
2025-03-04
如何成为提示词工程师
提示词工程师是在与人工智能模型交互时，负责设计和优化提示的专业人员，旨在通过精心构造的提示引导模型产生准确、有用和相关的回答。 其主要职责包括： 1. 设计提示：根据用户需求和模型能力设计有效的提示，考虑提示的长度、结构、措辞和信息量等因素，以清晰传达用户意图并引导模型生成满意结果。 2. 优化提示：通过收集用户反馈、分析模型结果和实验不同的提示策略等方式不断优化提示，提高模型性能。 3. 评估提示：使用各种指标如模型的准确率、流畅度和相关性等来评估提示的有效性。 提示词工程师需要具备以下技能和知识： 1. 领域知识：对所工作的领域有深入了解，以便设计出有效的提示。 2. 自然语言处理（NLP）：了解 NLP 的基本原理和技术，能够理解和生成自然语言文本。 3. 人工智能（AI）：了解 AI 的基本原理和技术，以便理解和使用 AI 模型。 4. 沟通能力：具备良好的沟通能力，与用户、团队成员和其他利益相关者有效沟通。 以下是一些提示词工程师工作的实际案例，比如在市场营销类和商业类中，有自动优化 Prompt 的案例，如 JackeyLiu 熟悉的转化步骤包括： 1. 角色和能力：基于问题思考 chatGPT 最适合扮演的角色，应是该领域最资深的专家，适合解决问题。 2. 上下文说明：思考提出问题的原因、背景和上下文。 3. 任务陈述：基于问题进行陈述。 提示词工程师是一个新兴职业，随着人工智能技术的不断发展，对其需求将会越来越大。
2025-04-15
我是一名硬件工程师 如何让ai快速理解我的原理图并优化
以下是关于让 AI 理解原理图并优化的相关知识： 1. 在 AI 硬件发展方面，存算一体的方式是未来的趋势。对比人脑，其能耗低，使用存算一体的芯片有望诞生全新算法，运行几百亿参数的大模型的最佳架构也是存算一体，因其避免了数据搬运。 2. 大模型在通用知识方面较强，但对专业领域知识了解不足。将大模型与私域知识结合有 5 种方法：重新训练（拿私域数据重新训练大模型）、微调（拿私有数据 finetuning 大模型）、RAG（将知识库里的知识搜索送进大模型）、关键词工程（写好提示词）、加长 Context（当 Context 能无限长时，可将知识和记忆 prefill 到 Context 里）。学术界中，做深度学习的人偏向于用 RAG，做过搜索的人偏向于用 Long Context。 3. 在 Trae 优化代码方面，当请求“帮我把当前的代码给优化一下”时，请求先到 Trae 自己的服务器，服务器再请求对应模型返回数据。不会发送本地代码文件，只发送“文件名”加“问题”，且在最开始 Trae 打开项目进行索引构建时，已在云端构建好项目文件。 对于您作为硬件工程师让 AI 快速理解原理图并优化的需求，目前可能需要进一步探索如何将原理图的特征和相关信息转化为适合 AI 处理和理解的形式，或许可以借鉴上述将专业知识与大模型结合的方法，以及利用高效的数据库和模型架构来提高处理效率。
2025-03-23
懂编程但是不了解大模型的工程师如何系统的学习深度学习？
对于懂编程但不了解大模型的工程师，系统学习深度学习可以参考以下路径： 1. 掌握深度学习和自然语言处理基础： 学习机器学习、深度学习、神经网络等基础理论。 掌握自然语言处理基础，如词向量、序列模型、注意力机制等。 相关课程推荐吴恩达的深度学习课程、斯坦福 cs224n 等。 2. 理解 Transformer 和 BERT 等模型原理： 熟悉 Transformer 模型架构及自注意力机制原理。 掌握 BERT 的预训练和微调方法。 阅读相关论文，如 Attention is All You Need、BERT 论文等。 3. 学习 LLM 模型训练和微调： 进行大规模文本语料预处理。 熟悉 LLM 预训练框架，如 PyTorch、TensorFlow 等。 学会微调 LLM 模型进行特定任务迁移。 参考相关资源，如 HuggingFace 课程、论文及开源仓库等。 4. LLM 模型优化和部署： 掌握模型压缩、蒸馏、并行等优化技术。 了解模型评估和可解释性。 熟悉模型服务化、在线推理、多语言支持等。 运用相关开源工具，如 ONNX、TVM、BentoML 等。 5. LLM 工程实践和案例学习： 结合行业场景，进行个性化的 LLM 训练。 分析和优化具体 LLM 工程案例。 研究 LLM 新模型、新方法的最新进展。 6. 持续跟踪前沿发展动态： 关注顶会最新论文、技术博客等资源。 此外，为了更好地理解相关技术原理和建立框架，还可以了解以下内容： 1. 概念：生成式 AI 生成的内容称为 AIGC。 2. 概念与关系： AI 即人工智能。 机器学习是电脑找规律学习，包括监督学习、无监督学习、强化学习。 监督学习使用有标签的训练数据，目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习的数据没有标签，算法自主发现规律，经典任务包括聚类。 强化学习从反馈里学习，最大化奖励或最小化损失，类似训小狗。 深度学习是一种参照人脑有神经网络和神经元的方法（因有很多层所以叫深度），神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 是大语言模型，对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型，可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类。 3. 技术里程碑：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制来处理序列数据，而不需要依赖于循环神经网络或卷积神经网络。
2025-03-13
微软认证AI工程师
以下是关于微软认证 AI 工程师的相关信息： MQ 老师是知乎的 AI 讲师，考过了国家工信部、微软、讯飞三个初级人工智能工程师证书，在教育行业工作 15 年以上，过去半年一直在探索教育场景中的 AI 实践。 胡凯翔是微软、讯飞认证提示词工程师，曾担任破局俱乐部企业培训和 AI+教育行动营教练，共创有约 10 万字 AI+教育手册。 韦恩是微软提示词工程师，智能体创业者，WayToAGI 共建者，多平台 Agent 开发者，企业级 AI Agent 定制专家，荣获多家 AI 开发平台的比赛奖项，有 12 年程序开发背景，是多家企业的 AI 落地顾问。
2025-03-02