万字长文详解|DLRover LLM Agent:大模型驱动的高效集群资源调优
一、背景 蚂蚁集团的日常业务中,搜推广模型有着广泛的应用。而这些模型大多数是通过 Parameter Server 训练任务生成的。日常有大量推荐模型训练任务需要消耗极为可观的 CPU 资源。通常这些训练任务由用户配置后提交到集群运行。但是,相当部分提交的任务存在资源配置不当的问题,从而导致了难以忽视的问题: 训练任务资源配置不足,可能导致训练任务 OOM...

借助 Assistant API 构建具备自动规划能力的 Multi Agent 系统
本文将通过构建一个查询阿里云资源信息的Multi Agent系统,帮助您了解如何通过阿里云百炼平台的Assistant API构建一个无需提前定义、可自动规划编排任务流程的Multi Agent系统。
一文揭秘|如何速成RAG+Agent框架大模型应用搭建(二)
一文揭秘|如何速成RAG+Agent框架大模型应用搭建(一)https://developer.aliyun.com/article/1655112 四、搭建示例 我们以产品架构师角度,搭建一个支持语音输入输出,并且具有开通资源和回答技术文档能力的AI助手。通过对于功能的分析,并且对应到以上的原子能力,我们的大模型应用首先要解决两个事情:问答功能和开通资源的功能。 ...

一文揭秘|如何速成RAG+Agent框架大模型应用搭建(一)
编者荐语: 一文教你用原子能力,实现快速搭建RAG+Agent大模型应用 以下文章来源于阿里云开发者 ,作者砚染 阿里妹导读 本文侧重于能力总结和实操搭建部分,从大模型应用的多个原子能力实现出发,到最终串联搭建一个RAG+Agen...

从理论到实践:使用JAVA实现RAG、Agent、微调等六种常见大模型定制策略
引言 大语言模型(LLM)在过去几年中彻底改变了自然语言处理领域,展现了在理解和生成类人文本方面的卓越能力。然而,通用LLM的开箱即用性能并不总能满足特定的业务需求或领域要求。为了将LLM更好地应用于实际场景,开发出了多种LLM定制策略。本文将深入探讨RAG(Retrieval Augmented Generation)、Agent、微调(Fine-Tuning)等六种常见的大模型定制策...
Agent与大模型的区别
在人工智能领域,Agent和大模型是两个重要的概念,它们各自具有独特的特点和应用场景。本文将详细介绍Agent与大模型的区别,包括它们的定义、功能、技术架构以及应用场景。 1. 定义 大模型:大模型通常指的是大规模预训练的语言模型,如GPT-3、BERT、通义千问等。这些模型通过在大量文本数据上进行预训练,学习到...
LangChain-26 Custom Agent 自定义一个Agent并通过@tool绑定对应的工具 同时让大模型自己调用编写的@tools函数
安装依赖 pip install -qU langchain-core langchain-openai ...

如何让智能客服像真人一样对话?容联七陌揭秘:多Agent大模型
科技云报到原创。 经历了多年的“答非所问”、“一问三不知”,很多人已经厌倦了所谓的“智能客服”。哪怕是技术已经非常成熟、可以模拟真人发音的外呼机器人,也会因为“机感”重而被用户迅速挂机或转向人工客服。 智能客服似乎遇到了一道坎,在理解用户、和用户对话方面,始终无法实现真正的“智能”。然而大模型技术的出现,让智能客服看到了前所未...

你的Agent稳定吗?——基于大模型的AI工程实践思考
一、背景 随着大模型技术的发展,越来越多的大模型应用开始涌现,并且应用到越来越多的业务场景中,比如AIGC生图、小蜜机器人、客服机器人、自动文档处理等等;并且Agent的planning能力使得基于大模型的底座,AI应用可以处理越来越高级的事情。但是随着大模型的广泛应用,在面对各种复杂的场景时,其稳定问题也变得凸显,比如Agent的回答幻觉问题、知识语料训练质量问题、工程重试和异常处理问...

速成RAG+Agent框架大模型应用搭建
一、概况 目前有关大模型的定义与算法介绍的文章已经很多,本文侧重于能力总结和实操搭建部分,从大模型应用的多个原子能力实现出发,到最终串联搭建一个RAG+Agent架构的大模型应用,让个人对于大模型应用如何落地更加具有体感。 二、大模型发展现状 目前大模型发展笼统的可以分为两个部分,自然语言处理大模型(Qwen语言系列等)和多模态大模型,同时多模态大模...

本页面内关键词为智能算法引擎基于机器学习所生成,如有任何问题,可在页面下方点击"联系我们"与我们沟通。
通义大模型
阿里云自主研发的通义大模型,凭借万亿级超大规模数据训练和领先的算法框架,实现全模态高效精准的模型服务调用。https://www.aliyun.com/product/tongyi
+关注