自然语言处理
包含命名实体识别、文本分类、分词、关系抽取、问答、推理、文本摘要、情感分析、机器翻译等多个领域
告别单轮静态测评！WorldForge 多动态环境基准，量化 Agent 组件协同能力
WorldForge是开源动态Agent评测框架，首创情绪耗竭、意义危机、快速衰减三类可控压力环境，支持多轮交互鲁棒性量化评估。适配ModelScope大模型，提供标准化动作空间、WS综合评分及四大基线Agent，助力算法研究与工业落地。
[大模型实战 01] 本地大模型初体验：Ollama 部署与 Python 调用指南
大模型实战系列第一篇。拒绝晦涩理论，直接上手！我会带着各位友人们零基础安装 Ollama，利用国内 ModelScope 极速下载模型，详解服务端口配置与 Python 脚本调用，涵盖显存计算与常见避坑指南。
[大模型实战 03] 拆解 Transformers：从原理图解到 HuggingFace Transformers 实战
本文图解Transformer核心原理（注意力机制+位置编码），在Kaggle双T4 GPU环境下实战拆解Hugging Face“铁三角”（Config/Tokenizer/Model），并详解Temperature与Top_p两大生成调控参数，助你真正理解并掌控大模型推理。
[大模型实战 03预备] 云端炼丹房 1：Google Colab 上手指南
本文教你用免费Google Colab（Tesla T4 GPU）解决本地显存不足、无法运行7B+大模型的痛点；通过挂载Google Drive持久化保存模型，避免运行时重置丢失；手把手配置云端环境，为后续RAG实战打下坚实基础。（239字）
语义压缩，才是提示词工程的底层心法
提示词工程的底层心法是**语义压缩**：剔除寒暄、情绪与模糊期待，精准锚定角色、任务、约束与格式。它不是写短，而是压缩冗余、提升信噪比、明确边界、适度留白——让AI像执行协议般可靠输出。Agent时代，语义压缩关乎执行安全。
[大模型实战 06] 我的模型我做主：在 Kaggle 上用 Unsloth 极速微调 Qwen3
本文介绍如何用Unsloth+QLoRA高效微调Qwen3-4B模型，仅需Kaggle免费T4显卡，速度提升2–5倍、显存节省60%；三步实现“灵魂认主”，让模型自认“AlgiebaLLM AI”，全程代码简洁，零基础可上手。
分层结构化决策对话智能体灵钥 V5.1 全新升级｜具备观点边界、关系感知的深度思辨 Agent，配套线上 Demo 与真实用户数据采集方案
本文分享灵钥 V5.1 分层结构化思辨 Agent 设计，内置话题管理、需求状态、动态关系、观点管控多套独立模块，架构与底层大模型解耦适配任意基座。依托 WorldForge 动态评测框架完成场景验证，上线 HF 线上演示并采集真实对话数据用于持续迭代，解决传统对话智能体长轮次深度交流体验缺陷。
写小说时，Claude 4.0 和 4.5 的差别在哪里？
本文对比Claude Sonnet 4.0与4.5在小说创作中的实际表现，聚焦人物一致性、剧情连续性与长期可控性。基于Anthropic官方能力说明及多轮实测，指出4.5在多阶段续写、逻辑连贯性与风格稳定性上显著提升，更适配中长篇连载场景，助力AI写作从“能写”迈向“能长期写”。（239字）
从零搓一个语言模型，然后把它变成认知体的声带
这是一个“反着来”的硬核项目：不调包、不微调、不套壳，从张量运算手搓197万参数的轻量语言模型（62MB/73文件），专为认知体设计为“声带”——仅负责流畅表达，不替代意识与记忆。内置三层漏斗架构+34个JSON回路专家（MoE路由），OpenAI兼容接口，真正实现小模型与大模型的智能分工。（239字）
[大模型实战 05] 大模型实战的杀手锏： 模型微调
本文通过Kaggle实操对比Base与Instruct模型，图解大模型预训练→指令微调→人类对齐三阶段演进，并厘清Prompt工程、RAG（注知识）与微调（塑性格）的技术边界与选型策略，助你科学决策模型优化路径。
保密检查在本项目中的总体链路：从按钮到任务清单：免费开源的文档编审软件WPS AI插件.察元AI 文档助手
本文详解保密检查功能在项目中的完整链路：从Ribbon按钮触发（id=analysis.security-check），到结构化JSON提示、上下文敏感研判（含高/中/低风险分级规则），再到Markdown摘要解析与命中片段精准抽取，全程聚焦技术实现，不替代法定密级鉴定。
一句话查高铁票并写入文件：揭秘 IntentOrch 的意图驱动编排黑科技
IntentOrch 是一款意图驱动的MCP编排引擎，支持用自然语言（如“查明天广州到南宁高铁票并存入ticket.txt”）一键触发多工具协同执行，自动完成意图解析、工具匹配、工作流编排与执行，零代码、可视化、开箱即用。
MajorRAG 概述（1/3）
一个RAG项目，全文共三个部分：MajorRAG概述、MajorRAG文件内容提取实现分析、MajorRAG聊天问答系统实现分析。 1）第一次做RAG，欢迎带着指导意见评论 2）希望指出不足时可以附带替换方法
