- 导读：快手 AB 指标生产场景从 Spark 切换到 Doris 提速 145 倍、资源消耗下降 72%，并刷新了 Doris 单机群最大规模：2000 节点、10 万核。本文介绍快手数据平台团队为什么选择 Apache Doris 构建 AB 实验平台，针对 AB 指标生产场景进行了哪些落地过程中的存储、计算、调度、稳定性等方面优化。快手的干货分享，对需要构建 AB 实验平台的团队有很大的... 导读：快手 AB 指标生产场景从 Spark 切换到 Doris 提速 145 倍、资源消耗下降 72%，并刷新了 Doris 单机群最大规模：2000 节点、10 万核。本文介绍快手数据平台团队为什么选择 Apache Doris 构建 AB 实验平台，针对 AB 指标生产场景进行了哪些落地过程中的存储、计算、调度、稳定性等方面优化。快手的干货分享，对需要构建 AB 实验平台的团队有很大的...
- 前面的文章在构建RAG并检索时，既使用了国外大模型，也使用了国内大模型；既运用了内存向量检索库FAISS，也运用了磁盘向量数据库Chroma。但知识库的原始来源却是knowledge数组，这与现实场合有所出入，因为实际资料都保存在TXT、PDF、WORD等格式的文档中，甚至来自互联网上的HTML网页，于是RAG的前置条件就成了如何从这些文档中提取文本信息。一、读取TXT文件中的文本TXT文件... 前面的文章在构建RAG并检索时，既使用了国外大模型，也使用了国内大模型；既运用了内存向量检索库FAISS，也运用了磁盘向量数据库Chroma。但知识库的原始来源却是knowledge数组，这与现实场合有所出入，因为实际资料都保存在TXT、PDF、WORD等格式的文档中，甚至来自互联网上的HTML网页，于是RAG的前置条件就成了如何从这些文档中提取文本信息。一、读取TXT文件中的文本TXT文件...
- 一次客户端逆向发现揭示了一个被忽视的安全问题——本地程序可以在 API 通信中嵌入用户身份标记。本文探讨如何通过架构设计而非对抗式修改来保护开发者隐私。 一次客户端逆向发现揭示了一个被忽视的安全问题——本地程序可以在 API 通信中嵌入用户身份标记。本文探讨如何通过架构设计而非对抗式修改来保护开发者隐私。
- 本文介绍了一个基于ChatGLM3-6B大模型的本地化部署方案，采用FastAPI后端和Web前端实现完整对话系统。项目特点包括：1）适配RTX4090显卡，支持FP16半精度推理，显存占用优化；2）提供两种推理模式（一次性返回和SSE流式输出）；3）内置完善监控系统，实时采集显存、Token生成速度等指标；4）兼容OpenAI API标准接口；5）包含可视化前端界面。系统采用四层架构设计，包含前 本文介绍了一个基于ChatGLM3-6B大模型的本地化部署方案，采用FastAPI后端和Web前端实现完整对话系统。项目特点包括：1）适配RTX4090显卡，支持FP16半精度推理，显存占用优化；2）提供两种推理模式（一次性返回和SSE流式输出）；3）内置完善监控系统，实时采集显存、Token生成速度等指标；4）兼容OpenAI API标准接口；5）包含可视化前端界面。系统采用四层架构设计，包含前
- 本文系统解析了开源大模型命名规则中的后缀含义，帮助用户根据需求精准选择模型。文章指出模型后缀遵循"基座名称-参数标识-优化类型-功能标签-量化格式"的标准化结构，包含五大类关键信息：1）参数量标识（B/b）区分模型规模；2）微调类型标识（如it/thinking/turbo）决定适用场景；3）量化格式（GGUF/FP16等）影响硬件兼容性；4）专项功能后缀（ASR/Image等 本文系统解析了开源大模型命名规则中的后缀含义，帮助用户根据需求精准选择模型。文章指出模型后缀遵循"基座名称-参数标识-优化类型-功能标签-量化格式"的标准化结构，包含五大类关键信息：1）参数量标识（B/b）区分模型规模；2）微调类型标识（如it/thinking/turbo）决定适用场景；3）量化格式（GGUF/FP16等）影响硬件兼容性；4）专项功能后缀（ASR/Image等
- LLM推理精度：基于学科域语义路由的推理框架构造方法 摘要在160次API调用实验中，通过将教育部14门类学科分类体系映射为LLM推理的认知路由层——在推理前自动识别输入文本涉及的学科域、提取该域的分析框架、结构化注入推理提示词——在不修改模型参数、不增加调用次数的情况下，将单次推理的物质还原比例从36.6%（泛化"专家"角色扮演）提升至61.4%，提升幅度达67.5%。跨轮次标准差0.1... LLM推理精度：基于学科域语义路由的推理框架构造方法 摘要在160次API调用实验中，通过将教育部14门类学科分类体系映射为LLM推理的认知路由层——在推理前自动识别输入文本涉及的学科域、提取该域的分析框架、结构化注入推理提示词——在不修改模型参数、不增加调用次数的情况下，将单次推理的物质还原比例从36.6%（泛化"专家"角色扮演）提升至61.4%，提升幅度达67.5%。跨轮次标准差0.1...
- 如何避开80% AI项目失败率？ 如何避开80% AI项目失败率？
- 随着 AI 应用和实时分析场景深入，进入数据平台的不再只是结构化业务表。日志、JSON、文本内容、行为事件、模型推理结果等半结构化和非结构化数据，正在成为实时分析的常见对象。与此同时，分析链路中要完成的工作也在变化：它不再只是 COUNT、SUM、GROUP BY，还包括规则判断、字段解析、特征加工、标签抽取、模型打分等更复杂的业务逻辑。这些逻辑往往更适合用 Python 实现。但如果把数据... 随着 AI 应用和实时分析场景深入，进入数据平台的不再只是结构化业务表。日志、JSON、文本内容、行为事件、模型推理结果等半结构化和非结构化数据，正在成为实时分析的常见对象。与此同时，分析链路中要完成的工作也在变化：它不再只是 COUNT、SUM、GROUP BY，还包括规则判断、字段解析、特征加工、标签抽取、模型打分等更复杂的业务逻辑。这些逻辑往往更适合用 Python 实现。但如果把数据...
- 当AI客服已成为企业标配，如何从“能回答问题”进化到“能转化商机”？2026年，企业客户服务领域正在经历一场深刻变革。根据Salesforce对全球3075名服务行业专业人士的调查，部署AI智能体的企业比例已从2025年的39%大幅跃升至66%。更值得关注的是，七成企业在部署AI客服智能体后的60天内就实现了投资回报。与此同时，国家市场监督管理总局发布了《顾客联络服务 人工与智能客户服务协同... 当AI客服已成为企业标配，如何从“能回答问题”进化到“能转化商机”？2026年，企业客户服务领域正在经历一场深刻变革。根据Salesforce对全球3075名服务行业专业人士的调查，部署AI智能体的企业比例已从2025年的39%大幅跃升至66%。更值得关注的是，七成企业在部署AI客服智能体后的60天内就实现了投资回报。与此同时，国家市场监督管理总局发布了《顾客联络服务 人工与智能客户服务协同...
- 在2026年的今天，搭建全域账号矩阵已是企业社交媒体营销的共识。然而，当矩阵营销沦为“体力活”——内容创作靠搬运、多账号管理靠手记、用户互动靠盯梢——投入巨大却增长乏力，便成了许多品牌的真实写照。这也是为什么“账号矩阵管理工具推荐”的搜索量持续走高。但什么样的工具才算“好用”？多数产品只能解决“发布”这一环节，而真正能打通“内容-分发-转化”全链路的工具，才是破局关键。结合我对营销技术领域的... 在2026年的今天，搭建全域账号矩阵已是企业社交媒体营销的共识。然而，当矩阵营销沦为“体力活”——内容创作靠搬运、多账号管理靠手记、用户互动靠盯梢——投入巨大却增长乏力，便成了许多品牌的真实写照。这也是为什么“账号矩阵管理工具推荐”的搜索量持续走高。但什么样的工具才算“好用”？多数产品只能解决“发布”这一环节，而真正能打通“内容-分发-转化”全链路的工具，才是破局关键。结合我对营销技术领域的...
- 在数字化转型的深水区，B2B企业的获客成本逐年攀升。当流量红利见顶，如何高效转化每一个进入官网的访客，成为了企业增长的关键。市面上的“AI客服”琳琅满目，但很多仅停留在“自动回复”的初级阶段。今天，我们就来深度评测一款专为B2B营销设计的AI智能客服系统——赛诺贝斯 MIP AI客服云，看看它为何能成为多家企业的共同选择。🤖 一、 7x24小时“不打烊”：做你的第一道销售漏斗对于B2B企业... 在数字化转型的深水区，B2B企业的获客成本逐年攀升。当流量红利见顶，如何高效转化每一个进入官网的访客，成为了企业增长的关键。市面上的“AI客服”琳琅满目，但很多仅停留在“自动回复”的初级阶段。今天，我们就来深度评测一款专为B2B营销设计的AI智能客服系统——赛诺贝斯 MIP AI客服云，看看它为何能成为多家企业的共同选择。🤖 一、 7x24小时“不打烊”：做你的第一道销售漏斗对于B2B企业...
- Claude用户面临“独用浪费、共享封号”困局：Max 20x额度闲置，多人拼车却因IP跳变、指纹泄露等触发风控。Key池化方案通过本地代理+虚拟Key分发，实现额度共享而不共号，规避风控，降低成本（3人仅$200/月），提升安全与体验。 Claude用户面临“独用浪费、共享封号”困局：Max 20x额度闲置，多人拼车却因IP跳变、指纹泄露等触发风控。Key池化方案通过本地代理+虚拟Key分发，实现额度共享而不共号，规避风控，降低成本（3人仅$200/月），提升安全与体验。
- 大模型底层不是“概率生成器”，而是三段式机械执行系统：归档收纳库（静态知识切片）、范式计算库（SFT/RLHF注入的推理规则与道德护栏）、计算输出器（分类检索→范式调用→约束解耦分段闭环输出）。模型生成首字前必须先做分类检索，按任务类型匹配四层范式（常识检索/计算执行/推理闭环/发散合成），昂贵算力仅分配给推理与发散层。此架构将千亿参数全量激活改为索引式精准调度，可大幅度降本增效并适配昇腾芯片。 大模型底层不是“概率生成器”，而是三段式机械执行系统：归档收纳库（静态知识切片）、范式计算库（SFT/RLHF注入的推理规则与道德护栏）、计算输出器（分类检索→范式调用→约束解耦分段闭环输出）。模型生成首字前必须先做分类检索，按任务类型匹配四层范式（常识检索/计算执行/推理闭环/发散合成），昂贵算力仅分配给推理与发散层。此架构将千亿参数全量激活改为索引式精准调度，可大幅度降本增效并适配昇腾芯片。
- DeepSeek联合北大开源DSpark，大模型推理速度提升60%–85%，实现“秒回”级响应。无需更换模型，兼容主流开源架构。 DeepSeek联合北大开源DSpark，大模型推理速度提升60%–85%，实现“秒回”级响应。无需更换模型，兼容主流开源架构。
- 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2... 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
即将直播
热门标签