AI.x社区
- 登录/注册
默认
发布时间
热度
原创
精华
多阶段工作流加持，高级RAG代理如何实现智能对话与精准回答
原创在当今数字化时代，智能问答系统已经渗透到我们生活的方方面面，从在线客服到智能语音助手，它们都在努力为我们提供便捷的信息获取方式。然而，传统的问答系统在面对复杂的对话场景时，常常显得力不从心。今天，就让我们一起探索如何构建一个能够应对复杂对话的高级RAG（RetrievalAugmentedGeneration）代理，让它具备改写用户问题、分类、验证文档相关性等强大功能，为用户提供更加智能、精准的回答。一、为什么需要高级RAG代...RAGRAG代理为什么以及何时需要构建多智能体系统？
原创AI和分布式计算领域快速发展，标志着昔日的单体范式迎来彻底变革。它引领我们进入由智能智能体组成的复杂网络相互协作的时代。多智能体系统（MAS）已成为一种至关重要的架构范式，正彻底改变业界处理复杂计算问题的方法。从穿梭城市街道的自动驾驶汽车车队，到能够立即做出财务决策的AI系统，我们都能亲眼见证。但究竟是什么促使人们使用这种互联的智能系统？设计和维护多个协作智能体面临的障碍何时证明有必要放弃更简单的单智...多智能体MAS大语言模型新思路 | 效果绝佳的组合预测模型！
基于CEEMDANTransformerBiLSTM并行+XGBoost的组合预测模型！组合预测模型思路：使用复杂模型去预测数据的分量特征，因为复杂模型参数量大，适合预测高频复杂分量特征，但是低频分量特征比较简单，要是还用复杂模型的话，就容易过拟合，反而效果不好，所以对于低频分量特征我们采用简单模型（或者机器学习模型）去预测，然后进行预测分量的重构以实现高精度预测。环境：python3.9pytorch1.8及其以上1.Transformer：Transformer是...预测模型简单模型R2没来，却等来综合性能更优的DeepSeek R1T2
最近抱抱脸热门排行榜出现了一个R1变体模型，冲到了Top9。DeepSeekTNGR1T2Chimera模型构建于DeepSeekR10528、R1和V30324父模型之上，R1T2在智能与输出token长度之间达到了一个新的最佳平衡点。比常规的R1快约20%，并且比R10528快两倍以上；在GPQA和AIME24等基准测试中，比常规的R1更智能；与第一代R1ChimeraT0426相比，更智能且<think>token一致；总体表现良好，即使没有系统提示，它也有着令人愉悦的交流风格。模型选择建议R1T...DeepSeek R1T2V3R1T一篇持续强化学习技术最新综述
强化学习（RL）是一种用于解决序列决策问题的重要机器学习范式，然而，RL依赖于大量的训练数据和计算资源，跨任务泛化能力方面的局限性。随着持续学习（CL）的兴起，持续强化学习（CRL）作为一种有前景的研究方向应运而生，旨在通过使智能体能够持续学习、适应新任务并保留先前获得的知识，来解决这些局限性。文章对CRL进行了全面的考察，重点关注其核心概念、挑战和方法，提出了一种新的CRL方法分类体系，从知识存储和或转移的...强化学习机器学习CRL怎样通过 API 实现自动化邮件处理、文档协作权限的批量管理
若要将GoogleWorkspace（如Gmail、GoogleDocs等）深度集成到企业办公流程中，怎样通过API实现自动化邮件处理、文档协作权限的批量管理等功能，提高办公效率？Google Workspac大脑的秘诀，能否成就真正的人工智能？
精华为了早日实现通用人工智能AGI，行业一直在思考这个问题：如何让AI像人类或其他动物一样，在不断变化的世界中持续学习、灵活适应？7月4日，arXiv热门论文《WhatNeuroscienceCanTeachAIAboutLearninginContinuouslyChangingEnvironments》站在神经科学与AI交叉的最前沿，提出了一个发人深省的问题：面对非静态环境——无论是现实世界中的交通系统、在线互动、还是生物演化的复杂生态——AI能否汲取生物大脑亿万年来的生存智慧，突...人工智能AI模型将智能植根于运动之中——从AI模型到具身智能的下一个跃迁
精华语言可以建模，图像可以合成，声音可以模仿。但唯独“动作”，这个看似直观、日常而简单的维度，却一直是人工智能最“心虚”的领域。你有没有注意到：生成模型已经可以输出篇章结构清晰的文章，甚至能“画”出栩栩如生的图像，但它依然难以生成一次“自然的跌倒”，一个“真实的击掌”，或是一个符合物理规律的“拥抱”。原因并不复杂——我们在追逐人工通用智能时，或许遗漏了最根本的一点：智能从来不是悬浮在代码和数据上的...AI模型智能系统上下文工程：LangGraph四大高效调度策略，Agent告别“记忆过载”！
想象一下，让你只看一页纸的参考文献，却要写一篇博士论文——这就是AI代理面临的“上下文窗口困境”。随着Agent在推理、调用工具、解决多轮任务中的能力飞跃，如何构建更聪明的上下文调度机制（ContextEngineering），已成为决定AI系统上限的关键。本文将从Anthropic、OpenAI、LangChain等前沿研究中提炼出写入、选择、压缩、隔离四大核心策略，并展示如何用LangGraph实战落地。掌握这门新兴“上下文工程学”，你将真正解锁智...LangGraphAgentAI 系统超强 RAG 工作流实战：LangGraph + Elasticsearch 强强联手，让 AI 检索效率飙升 300%！
还在为海量数据检索效率低下而头疼？本文将手把手教你用LangGraph和Elasticsearch搭建一套智能RAG工作流，5步实现精准文档问答！无论你是开发者还是技术决策者，都能快速构建企业级AI解决方案。为什么选择LangGraph+Elasticsearch？Elasticsearch原生集成主流生成式AI工具，而LangGraph检索代理模板是由LangChain开发的开源RAG应用框架。两者结合，不仅能快速构建基于多模态检索的问答系统，还能通过可视化流图显著提升开发效率...RAGLangGraphElasticsearch时间序列Transformer模型中灵活引入不同类型外部特征的方法
今天给大家介绍一篇关于如何在深度模型中引入外部变量的时间序列预测工作，通过crossattention灵活引入多种类型的外部变量补充信息，提升时序预测效果。论文标题：CITRAS:CovariateInformedTransformerforTimeSeriesForecasting下载地址：https:arxiv.orgpdf2503.240071.研究背景现有的时间序列预测模型，大多数都是在优化待预测变量的关系建模方式上。例如一些transformer模型，核心都是通过不同的attention方式建模每个时间步...Transformer模型变量Transformer时序预测哪些模块有效，哪些模块无效？模型内部运行原理深入分析
今天给大家介绍一篇ICML2025中比较有意思的论文，这篇文章深入研究了Transformer在时间序列中为什么有效，以及什么情况下效果比较差，Transformer中的哪些结构对于时间序列预测最有效。论文标题：ACloserLookatTransformersforTimeSeriesForecasting:UnderstandingWhyTheyWorkandWhereTheyStruggle下载地址：https:papers.coolvenuekHEVCfES4QOpenReview1.研究背景基于Transformer的时间序列预测是目前的主流方法，具体...Transformer时序模块首超 30 分！中国开源方案在 "人类最后的考试" 中超越国际巨头
原创“人类最后的考试”，被一支国内团队打破了纪录。最近，国内团队在一场“人类最后的考试”中取得了历史性突破。 由上海交通大学和深势科技联合研发的XMaster系统，在这场覆盖数学、物理、生物医药等100多个学科的高难度测试中，首次突破30分大关，以32.1分的成绩刷新了全球纪录。  可能很多人还不了解这个测试的分量。人类最后的考试（HLE），是今年初由AI安全中心和ScaleAI联手推出的超难测试集。之所以被叫做...X-MasterDeepSeek-R1HLEAI测评算家云免费！快Claude十倍！一秒1000个token！硅谷创业公司新推编程神器炸翻了！
原创编辑云昭出品51CTO技术栈（微信号：blog51cto）一秒钟输出高达1100tokens！昨天，一款专为编码场景设计的“相当另类”的模型成功出圈了。等等党，这次终于不用再苦等了令人万万没想到的是，一直在图像视频领域炙手可热的Diffusion模型也可以用到编程模型上来。这可以说是对以Transformer模型架构为主的LLM圈的一次“地基式”的革命。关键是，速度提升了510倍的同时，编码的性能测试分数并没有牺牲掉，反而取得了让开发者眼前一...tokenClaude编程又颠覆了！Vidu Q1新功能太炸裂了，打破原有AI视频制作流程，零分镜、素材即剧组，小白2分钟搞定大片！
原创编辑云昭出品51CTO技术栈（微信号：blog51cto）大模型赛道从来都是多线开花，不止编程赛道风生水起，AI视频赛道的进程今天又往前推进了一步！可以说AI视频的二次革命。就在今天晚上，突然就收到了一个消息：多模态领域的扛把子生数科技带着新一波的王炸功能炸街了。可怕之处在于，这次打破了原来AI视频创作的流程！去年，大家还沉浸在“文生视频”、“图生视频”的惊讶之中，现在，生数科技可以说直接重新定义了“内容”制作流...Vidu Q1AI视频解析 AI 深度研究（Deep Research）功能
原创 精华编者按：当你在使用ChatGPT、Claude或Perplexity时，是否好奇过为什么它们不仅能够回答你的问题，还能主动挖掘相关信息、交叉验证事实性信息，甚至提出你没想到的关联问题？为什么同样是AI，有些只能机械地重复训练数据，而有些却能进行真正的“DeepResearch”？本文详细解析了AI研究助手从理解用户查询到答案生成的完整工作流程。作者基于对Perplexity、ChatGPT等前沿AI系统的理解，阐述了ReAct推理循环、向量搜索技术、RAG检...LLMAIICCV 2025 | 32倍瘦身成功！英伟达最新DC-AR，秒杀扩散模型！图像生成进入“光速时代”
精华论文链接：https:arxiv.orgpdf2507.04947Git链接：https:github.comdcaiprojectsDCAR亮点直击构建了DCHT，该方法显著减少了token数量，从而提升了自回归（AR）模型的效率，同时保持了具有竞争力的重建质量和跨分辨率泛化能力。提出了一种有效的三阶段适应策略，用于提升DCHT的重建质量。在DCHT的基础上构建了DCAR。DCAR相较于以往的masked自回归模型和扩散模型，在大幅提升效率的同时，提供了更优的图像生成质量。效...AI模型图像生成如何使用渐进式模型剪枝在混合云-雾拓扑中部署LLM
原创由于规模和资源方面的限制，将LLM部署到边缘计算设备上面临诸多挑战。本文对渐进式模型剪枝如何实现可扩展的混合云雾推理进行了探讨。大型语言模型（LLM）如今已经成为对话式人工智能、代码生成、摘要等众多场景的核心技术。然而，在计算资源有限的环境中，LLM的部署带来了重大挑战，主要是在混合云雾架构中，实时推理可能需要在边缘设备上运行。在这些情况下，渐进式模型剪枝（Pruning）可以在不影响精度的情况下减少模型大小...混合云雾计算LLM理论表明，意识是一种量子过程，将我们与整个宇宙相连
我们的意识看起来非常私密，仿佛仅属于每一个独立的个体。然而，许多研究人员猜想，意识可能连接着某种更宏大的存在。一项颇具争议的新理论提出，一种“量子纠缠”的机制可能发生在微管之中——那是构成我们每一个神经元支架的微小蛋白质管道。韦尔斯利学院的神经科学家迈克·韦斯特（MikeWiest）认为，这些微管中可能传递着一种永不停留的量子信息。理解量子纠缠量子纠缠是量子物理中的一种现象，指的是两个或多个粒子之间形成...量子电磁模型Agentic AI在企业流程中的生命周期
精华1.引言关于ChatGPT（或者更广义的AenerativeAI）的讨论，如今已经演变成了AgenticAI。ChatGPT主要是个能生成文本回复的chatbot，而AI代理则能自主执行复杂任务，比如完成一笔销售、规划一次旅行、预订机票、雇佣承包商干家务活，甚至点个披萨。下面的图表展示了AgenticAI系统的演变。比尔·盖茨最近设想了一个未来：我们将拥有一个能处理自然语言、完成多种任务的AI代理。以旅行规划为例，传统上你得自己订酒店、机票、餐厅等。...AgenticAI企业流程
