目录
Agent Skills 最近非常火，它是既 MCP 后 Anthropic 推出的又一个 Agent 领域的行业标准。它的成长路线和 MCP 也非常像，25 年 10 月份发布时只有 Anthropic 自家产品支持，后来 Cursor、Codex、Opencode、Gemini CLI 等产品看到了 Skills 的优势于是纷纷开始支持。再后来社区开始涌现大量的开源 Skills 以及 Skills 开放市场，当下大家已经默认 Skills 成为了又一个扩展 Agent 能力的标准实践。
简单来说，Skills 的作用就是将那些重复性的、专业的流程进行打包封装。当你需要使用某种能力时，不再需要像过去那样每次都去查阅手册或重新输入冗长的提示词，而是像调用工具一样直接使用。
从零到一：Ubuntu上llama.cpp的编译艺术与性能调优实战 在人工智能技术快速发展的今天，大型语言模型(LLM)已成为开发者工具箱中不可或缺的一部分。而llama.cpp作为一款高效、轻量级的LLM推理框架，因其出色的性能和跨平台支持，越来越受到开发者的青睐。本文将带您深入探索在Ubuntu环境下编译和优化llama.cpp的全过程，从基础环境搭建到高级性能调优，为您呈现一套完整的解决方案。 1. 环境准备与基础编译 在开始编译llama.cpp之前，我们需要确保系统环境满足基本要求。Ubuntu 22.04 LTS是最推荐的系统版本，它提供了稳定的软件包支持和良好的兼容性。 首先更新系统并安装必要的开发工具： sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential cmake git curl libcurl4-openssl-dev 对于希望使用CUDA加速的用户，还需要安装NVIDIA驱动和CUDA工具包： sudo apt install
目录 1.MiniMax海螺AI视频简介 2.使用教程 1.MiniMax海螺AI视频简介 海螺视频，作为 MiniMax 旗下海螺 AI 平台精心打造的 AI 视频生成工具，致力于助力用户产出高品质视频内容。该工具依托 abab-video-1 模型，具备强大的文生视频功能。用户仅需输入关键词或简短语句，海螺视频就能据此创作出情节丰富的完整视频。此外，海螺视频运用 DiT 架构，能够精准模拟现实世界的物理规律，尤其在生成复杂场景与高动作场景时，展现出卓越的性能。 2.使用教程 点击如下链接，进入蓝耘元生代智算云平台主页 https://cloud.lanyun.net/#/registerPage?promoterCode=11f606c51e 点击主页上方栏的“MaaS平台” 然后点击左侧栏的“视觉模型” 可以看到可以免费体验一次I2V-01图片生成视频 点击如下红框处将图片上传 例如输入如下的图片 例如想让小狗动起来，可以在如下红框处输入相应的指令，然后点击立即生成
LLaMA-Factory评估指标实战：困惑度与BLEU分数深度解析 还在为LLM微调后的模型质量评估发愁吗？🤔 作为AI开发者和研究者，我们常常面临这样的困境：训练损失下降明显，但实际生成效果却让人失望。今天，我将带你深度解析LLaMA-Factory中的两大核心评估指标——困惑度（PPL）与BLEU分数，让你从"盲调"走向"精调"！ 🎯 评估指标：模型优化的"导航仪" 在LLaMA-Factory微调框架中，评估指标就像GPS导航系统，实时告诉我们模型的学习状态和优化方向。困惑度衡量模型对文本序列的预测能力，数值越低越好；而BLEU分数则评估生成文本与参考文本的相似度，分数越高质量越优。 评估指标应用场景速览 场景类型推荐指标理想范围关键影响因素预训练任务困惑度<20数据质量、模型架构文本生成BLEU-420-40解码策略、训练数据量多轮对话综合评估多维度上下文理解能力 🚀 困惑度计算：从原理到实践 困惑度是评估语言模型性能的重要指标，它反映了模型预测下一个词的不确定性程度。简单来说，困惑度越低，模型对文本的理解就越准确。 困惑度计算技术内幕 在
COT思维链 * 引言 * 理解实践 * 存疑例子 * COT解决 * 内置COT * COT的优势 * COT的未来展望： * 结语 引言 在人工智能领域，我们一直在追求让机器像人类一样思考。然而，即使是最先进的AI，也常常被诟病缺乏“常识”，难以理解复杂问题，更不用说像人类一样进行逻辑推理和解决问题了。最经常的表现就是遇到不会的地方，或者一些人一眼能看出来的地方AI在那里胡扯。 为了解决这个问题，一种名为“思维链（Chain of Thought, COT）”的技术应运而生。COT的核心思想是：将复杂问题分解成一系列简单的子问题，并逐步推理出最终答案。 这就像人类在解决问题时，会先将问题拆解成一个个小步骤，然后一步步推理，最终得出结论。 理解实践 存疑例子 为了理解COT我们先来看个例子。经典的数strawberry里面的r有几个 from langchain_openai import ChatOpenAI from langchain.chains import LLMChain from