最近科技圈出现了一种有趣的观点：“提示工程已死”。 这种观点认为，随着大模型日益复杂，精心设计提示词的需求正在下降。似乎只要以自然的语言与AI交流，它就能理解我们的意图。然而，这种观点虽然可以理解，却从根本上误解了提示工程的演变方向，也忽视了它所要达成的目标。 事实上，这种误解源于混淆了两种截然不同的活动。诚然，普通用户现在无需掌握任何特殊技巧，也能从ChatGPT等工具中获得不错的结果。但这种消
在大语言模型（LLM）的世界里，早期的焦点集中在预训练上，即输入海量数据集并调整数十亿个参数。但是，训练之后发生的事情同样至关重要，这就是 LLM 推理时推理 (Inference-time reasoning) 的概念。本文将深入探讨 LLM 推理时推理 的细微之处，即模型如何应用所学知识来动态地生成连贯且正确的响应。我们将分析不同的采样方法如何影响输出，以及开发者如何通过实验更好地理解模型推理
在金融服务和保险行业（BFSIA）的转型项目中，风险管理往往滞后于问题的发展。那些最初在会议中不经意的紧张氛围、回顾中被忽略的评论，或是以“资源调配”为借口拖延的交付，往往会在数周或数月后演变成引人注目的重大问题。尤其是在复杂的银行业转型中，涉及跨职能、合作伙伴和地域的变革，传统的风险管理方法显得越来越被动。那么，我们能否在症状显现之前捕捉到风险信号？能否在事态升级之前听到潜在问题的低语？大型语言
在竞争激烈的银行转型领域，项目负责人面临着永无止境的积压需求（backlog）。各种用例、系统增强和流程优化等待着被优先处理。由于资源有限，艰难的抉择不可避免：哪些项目应该启动？哪些项目应该暂停？哪些项目应该延后？本文将探讨大模型 (LLM) 如何帮助银行项目负责人更好地理解和量化这些决策背后的战略机会成本，从而做出更明智的战略选择。 1. 积压需求（Backlog）管理的挑战与机会成本 银行的数
AI智能体文艺复兴：从规则到自主，大模型驱动的智能涌现
人工智能智能体的概念由来已久，经历了从基于简单规则的系统到如今由大型语言模型（LLM）驱动的自主智能体的演变。本文将深入探讨这一演进历程，剖析规则、自主性、大模型以及智能体协作在塑造未来数字智能中的关键作用，并展望AI智能体的未来。 1. 规则至上：早期智能体的萌芽 人工智能智能体的概念可以追溯到上世纪70年代，当时的系统主要依赖于预定义的规则和指令集。这些早期智能体，通常被称为规则系统或专家系统
人工智能（AI）正在深刻地改变我们与技术的互动方式，但要真正发挥其潜力，关键在于掌握与这些系统沟通的艺术。Prompt Engineering（提示工程）正是这样一项技能，它能帮助你从ChatGPT等大模型中获得精准的结果。本文将深入探讨提示工程的原理、技巧以及如何负责任地使用AI，避免“幻觉”的产生，从而解锁大模型的真正潜力。 大模型的工作原理：从Token到预测 要理解提示工程，首先要了解大模
每个人都经历过批评、鼓励、尝试和成功的时刻。正是通过这些体验，我们得以学习、成长和适应。令人惊讶的是，这种人类学习的旅程与大型语言模型（LLMs）和人工智能系统（AI）的演变有着惊人的相似之处。本文将探讨人类学习的体验如何与AI训练相联系，以及如何利用这种力量来塑造智能系统的未来。 1. 人类学习：试错、同理心与经验积累 核心关键词：人类学习, 经验积累 人类学习是一个持续的进化过程，它深深植根于
模型上下文协议（MCP） 正在改变 AI 助手与外部世界交互的方式。本文将深入探讨 MCP，展示如何使用它将 GitHub CoPilot 连接到外部工具，并通过 Google Books API 的具体例子，说明其强大的功能和灵活性。通过构建自定义 MCP 服务器，你可以让 CoPilot 具备更强大的能力，超越简单的对话，真正成为你的智能助手。 1. MCP 概述：连接 AI 助手与外部世界的
在构建强大的人工智能（AI）能力上，雄心壮志是基石。然而，当雄心超越了实际，便可能陷入自欺欺人的幻境。印度本土AI公司Sarvam AI的经历，或许正是对这一点的深刻诠释。Sarvam AI曾立下豪言壮语，要打造一款真正属于印度的 大语言模型（LLM），一个主权模型，代表十亿人民的声音，理解“巴拉特”（印度）的文化，而不仅仅是英语。然而，其推出的Sarvam-M模型，却并未达到预期效果，引发了人们
网络安全日益重要，钓鱼邮件作为一种常见的网络攻击手段，给企业和个人带来巨大的风险。传统的钓鱼邮件识别难度较低，企业需要一种更高效、更具挑战性的方式来测试员工的网络安全意识。本文将探讨如何利用大模型（LLM）和RAG（Retrieval Augmented Generation，检索增强生成）技术，结合个性化上下文数据，生成更逼真的钓鱼邮件内容，从而提升员工的安全意识，降低企业面临的Phishing
llmtrend