第 8 章 预训练模型
8.1 预训练模型概述 早期的自然语言处理方法通常针对每个具体任务单独训练模型,且严重依赖大量人工标注数据。虽然在部分场景下效果可观,但也暴露出显著局限: 语言知识难以复用:每个模型都需...
小节一:为什么 Agent 比普通 API 更需要 Streaming——长执行、多步骤、状态变化决定了它不能只返回最终结果
普通 CRUD API 通常很快。 例如: GET /users/123 几十毫秒到几百毫秒。 用户不太需要知道: 数据库查到第几步 序列化做到哪里 但 Agent 完全不同。 Agent 的执行本身就是一个过程 一个任务可能...
Run:每一次 Agent 任务都应该有生命周期
上一节,我们已经第一次真正把 Agent 包成了 HTTP Backend Service。 现在客户端可以调用: POST /api/v1/chat 请求: { 'message': '检查这个 Python 项目' } 然后服务端返回: { 'answer': '....
失败案例复盘:为什么 Agent 明明聪明却把任务做坏了?
前面三节,我们已经把 AgentOps 最关键的基础设施搭起来了。 Tracing 让我们看到: Run ├─ Step 01 ├─ Step 02 ├─ Step 03 └─ Step 04 Token、成本与耗时监控让我们知道: 用了多少 Tok...
小节一:Session 和 Run 到底为什么必须拆开——一个管“会话”,一个管“执行”
先看这张图,整体结构会一下子顺很多。它把 Session 负责“谁在聊、上下文怎么延续”,以及Run 负责“这次执行到底发生了什么” 这两件事分开画出来了。 如图可以很直观地看到:同一个 Sessio...
小节三:把 State 真正接进 Main Loop——Agent = Loop + State 到底怎么落到代码里?
现在我们把前两节合起来。 上一节是 Loop。 这一节是 State。 真正的 Agent 结构应该是: Loop 推进 State State 约束 Loop 这句话很关键。 不是 Loop 单方面使用 State。 而是两者互相影响。 ...
小节二:实现第一个完整 Flask Agent API——真正跑通 POST /api/v1/chat
这一节可以理解成:我们开始把原来只能在本地 agent.run() 跑起来的能力,往“别人也能稳定调用”的方向推进。下面这张图把这条演进路径拆成了 7 步,看起来会特别顺。 图里最值得记住的一点...
第 2 章 神经网络基础
2.1 神经网络的构成 在生物体中,神经元 是神经系统最基本的结构和功能单位。 神经元从树突接收其它神经元细胞发出的电化学刺激脉冲,这些脉冲叠加后,一旦强度达到临界值,这个神经元就会...
2.4 应用案例:手写数字识别
我们依然使用Digit Recognizer数据集来进行手写数字识别:https://www.kaggle.com/competitions/digit-recognizer。 文件train.csv中包含手绘数字(从0到9)的灰度图像,每张图像为28×28像素,...












