huggingface下载模型与加载案例
Hugging Face Hub 是一个平台，它旨在促进机器学习模型，特别是自然语言处理（NLP）模型的分享与协作。通过 Hugging Face Hub，研究人员和开发者能够轻松地发布他们的模型、数据集以及相关的代码，同时也能够方便地访问他人分享的资源。这个平台极大地推动了预训练模型的普及和应用，使得更多的人可以利用先进的AI技术。
sentence-transformers文本向量化|语义搜索|相似度计算
sentence-transformers 是一个基于BERT和其变种模型的Python库，用于生成高质量句子向量(sentence embeddings)。这些向量可以用于以下场景： 文本相似度计算 语义搜索（Semantic Search） 文本聚类 多轮问答 向量数据库索引（如FAISS、Milvus）
MCP架构设计模式介绍
在大模型（如GPT、Claude、Genmini等）的工程应用于架构设计中，MCP(Muti-Component Promping，多组件提示) 是一个比较新的概念，它正在逐步成为提升大模型复杂任务的关键方法之一。
向量检索服务DashVector|向量数据库
向量检索服务DashVector基于阿里云自研的Proxima向量引擎，面对非结构化数据（图片、视频、文本、语音、DNA、分子式等），提供具备垂直和水平扩展的高效相似向量比对服务。使用DashVector服务能有效提升向量检索效率，实现针对非结构化数据的高性能向量检索服务，可广泛应用于大模型搜索、多模态搜索、AI搜索、分子结构分析等几乎所有的 AI 搜索场景。
Prompt 提示词技巧、应用与优化
Prompt优化是指针对大语言模型（如ChatGPT、通义千问、文心一言等）设计、调整输入提示词（prompt），以提高输出内容的准确性、逻辑性、一致性、可控性等。
LangChain 文档加载教程（TXT|WORD|PDF|Markdown）
在 LangChain 中，文档加载器（Document Loaders） 用于将各种文件格式（如 txt、PDF 等）读取并转换为统一的数据结构 Document，便于后续进行向量化、问答、摘要等操作。
Milvus向量数据库介绍、安装与配置
Milvus 是一个开源的向量数据库，专门用于处理海量高维向量数据的相似度搜索。它适用于 AI、推荐系统、图像检索、自然语言处理（NLP）等需要处理嵌入向量的场景。
大模型训练|模型精调|什么是强化学习RLHF
RLHF 是Reinforcement Learning from Human Feedback（来自人类反馈的强化学习）的缩写，是近年来在人工智能，特别是大预言模型（LLM）如ChatGPT、Gpt-4中非常关键的一项技术。它结合了强化学习和人类监督的有点，用来训练更加符合人类期望的智能体。
自定义大模型训练 监督微调SFT
SFT 是Supervised Fine-Tuning 的缩写，中文叫做监督微调。它是大模型训练过程中一个关键的阶段，特别是在RLHF（人类反馈强化学习）流程中是第一步。
大模型RAG检索增强生成
在大模型（如ChatGPT、LLMs）中，RAG是Retrieval-Augmented Genration（检索增强生成）的缩写，它是一种结合了信息检索和生成式模型的技术，用于提升语言模型在问答、知识生成等任务中的表现。
Elasticsearch8向量搜索|Python教程案例
Elasticsearch 的 向量搜索（Vector Search） 是近年来为了支持语义搜索、推荐系统、图像搜索等 AI 场景而引入的重要功能。
SentenceTransformer 句子、段落、文本转换成向量 embedding
SentenceTransformer是一个基于封装的高级库，专门用来将句子、段落、文本转换成向量（Embedding）
Linux 系统层面定期释放、内存释放
Linux 系统层面定期释放，通常是指 内存（Memory）的定期释放，尤其是缓存（cache）、缓冲区（buffers）和页缓存（page cache）。这类释放行为，有助于系统在长期运行时保持良好的内存使用状态，避免内存占用持续升高。
RabbitMQ关于队列与交换机的作用说明
在 RabbitMQ 中，“队列（Queue）” 和 “交换机（Exchange）” 是两个核心概念，它们承担不同的职责，彼此配合完成消息传递任务。
