[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Ryota-Kawamura--Generative-AI-with-LLMs":3,"tool-Ryota-Kawamura--Generative-AI-with-LLMs":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",148568,2,"2026-04-09T23:34:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":78,"difficulty_score":10,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":93,"github_topics":94,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":103},6132,"Ryota-Kawamura\u002FGenerative-AI-with-LLMs","Generative-AI-with-LLMs","In Generative AI with Large Language Models (LLMs), you’ll learn the fundamentals of how generative AI works, and how to deploy it in real-world applications.","Generative-AI-with-LLMs 是一套系统化的学习资源，旨在帮助开发者深入掌握生成式人工智能与大语言模型（LLM）的核心原理及实战部署方法。它解决了企业在应用 LLM 时面临的诸多难题，例如如何从零构建项目生命周期、如何在有限算力下优化模型性能、以及如何避免微调过程中的“灾难性遗忘”等关键挑战。\n\n这套内容特别适合具有一定基础的开发者和技术决策者，帮助他们快速建立对前沿技术的直观认知，从而做出更明智的技术选型并加速原型开发。课程不仅涵盖了 Transformer 架构详解、预训练与微调策略对比，还引入了独特的经验缩放定律（Scaling Laws），指导用户根据数据规模和计算预算优化目标函数。此外，它还深入探讨了参数高效微调（PEFT）、基于人类反馈的强化学习（RLHF）以及思维链提示等先进技术，并结合对话摘要等实际案例提供动手实验。通过融合学术界理论与工业界实践故事，Generative-AI-with-LLMs 为用户提供了从理论到落地的完整路径，是通往高效利用大模型技术的实用指南。","# [Generative AI with LLMs](https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fgenerative-ai-with-llms\u002F)\nIn Generative AI with Large Language Models (LLMs), you’ll learn the fundamentals of how generative AI works, and how to deploy it in real-world applications.\n\nBy taking this course, you'll learn to:\n- Deeply understand generative AI, describing the key steps in a typical LLM-based generative AI lifecycle, from data gathering and model selection, to performance evaluation and deployment\n- Describe in detail the transformer architecture that powers LLMs, how they’re trained, and how fine-tuning enables LLMs to be adapted to a variety of specific use cases\n- Use empirical scaling laws to optimize the model's objective function across dataset size, compute budget, and inference requirements\n- Apply state-of-the art training, tuning, inference, tools, and deployment methods to maximize the performance of models within the specific constraints of your project\n- Discuss the challenges and opportunities that generative AI creates for businesses after hearing stories from industry researchers and practitioners\n\nDevelopers who have a good foundational understanding of how LLMs work, as well the best practices behind training and deploying them, will be able to make good decisions for their companies and more quickly build working prototypes. This course will support learners in building practical intuition about how to best utilize this exciting new technology.\n\n## Week 1\nGenerative AI use cases, project lifecycle, and model pre-training\n\n### Learning Objectives\n- Discuss model pre-training and the value of continued pre-training vs fine-tuning\n- Define the terms Generative AI, large language models, prompt, and describe the transformer architecture that powers LLMs\n- Describe the steps in a typical LLM-based, generative AI model lifecycle and discuss the constraining factors that drive decisions at each step of model lifecycle\n- Discuss computational challenges during model pre-training and determine how to efficiently reduce memory footprint\n- Define the term scaling law and describe the laws that have been discovered for LLMs related to training dataset size, compute budget, inference requirements, and other factors\n\n[Lab 1 - Generative AI Use Case: Summarize Dialogue](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-1\u002FLab_1_summarize_dialogue.ipynb)\n\n[Week 1 quiz](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-1\u002FWeek-1_Quiz.md)\n\n## Week 2\nFine-tuning and evaluating large language models\n\n### Learning Objectives\n- Describe how fine-tuning with instructions using prompt datasets can improve performance on one or more tasks\n- Define catastrophic forgetting and explain techniques that can be used to overcome it\n- Define the term Parameter-efficient Fine Tuning (PEFT)\n- Explain how PEFT decreases computational cost and overcomes catastrophic forgetting\n- Explain how fine-tuning with instructions using prompt datasets can increase LLM performance on one or more \n\n[Lab 2 - Fine-tune a generative AI model for dialogue summarization](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-2\u002FLab_2_fine_tune_generative_ai_model.ipynb)\n\n[Week 2 quiz](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-2\u002FWeek-2_Quiz.md)\n\n## Week 3\nReinforcement learning and LLM-powered applications\n\n### Learning Objectives\n- Describe how RLHF uses human feedback to improve the performance and alignment of large language models\n- Explain how data gathered from human labelers is used to train a reward model for RLHF\n- Define chain-of-thought prompting and describe how it can be used to improve LLMs reasoning and planning abilities\n- Discuss the challenges that LLMs face with knowledge cut-offs, and explain how information retrieval and augmentation techniques can overcome these challenges\n\n[Lab 3 - Fine-tune FLAN-T5 with reinforcement learning to generate more-positive summaries](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-3\u002FLab_3_fine_tune_model_to_detoxify_summaries.ipynb)\n\n[Week 3 Quiz](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-3\u002FWeek-3_Quiz.md)\n","# [使用大型语言模型的生成式AI](https:\u002F\u002Fwww.deeplearning.ai\u002Fcourses\u002Fgenerative-ai-with-llms\u002F)\n在“使用大型语言模型的生成式AI”课程中，你将学习生成式AI的工作原理及其基础知识，并掌握如何将其部署到实际应用中。\n\n完成本课程后，你将能够：\n- 深入理解生成式AI，描述基于LLM的典型生成式AI生命周期中的关键步骤，从数据收集、模型选择，到性能评估和部署；\n- 详细阐述驱动LLM的Transformer架构、其训练方式，以及通过微调使LLM适应各种特定用例的方法；\n- 利用经验性的规模法则，在数据集大小、计算预算和推理需求之间优化模型的目标函数；\n- 应用最先进的训练、调优、推理技术及工具与部署方法，以在项目的具体约束条件下最大化模型性能；\n- 在聆听行业研究人员和从业者的故事后，讨论生成式AI为企业带来的挑战与机遇。\n\n对LLM的工作原理及其训练和部署的最佳实践有扎实基础的开发者，将能够为所在公司做出明智决策，并更快地构建可用原型。本课程将帮助学员建立关于如何最佳利用这一令人振奋的新技术的实用直觉。\n\n## 第1周\n生成式AI用例、项目生命周期与模型预训练\n\n### 学习目标\n- 讨论模型预训练以及持续预训练与微调的价值；\n- 定义“生成式AI”、“大型语言模型”、“提示词”等术语，并描述驱动LLM的Transformer架构；\n- 描述基于LLM的生成式AI模型生命周期中的各个步骤，探讨在每个阶段推动决策的制约因素；\n- 讨论模型预训练过程中的计算挑战，并确定如何高效地减少内存占用；\n- 定义“规模法则”这一术语，阐述针对LLM已发现的与训练数据集大小、计算预算、推理需求等因素相关的规律；\n\n[实验1 - 生成式AI用例：总结对话](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-1\u002FLab_1_summarize_dialogue.ipynb)\n\n[第1周测验](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-1\u002FWeek-1_Quiz.md)\n\n## 第2周\n大型语言模型的微调与评估\n\n### 学习目标\n- 描述如何利用提示词数据集进行指令微调，从而提升模型在一项或多项任务上的表现；\n- 定义“灾难性遗忘”，并解释可用于克服该问题的技术；\n- 定义“参数高效微调（PEFT）”这一概念；\n- 解释PEFT如何降低计算成本并克服灾难性遗忘；\n- 解释如何通过使用提示词数据集进行指令微调来提高LLM在一项或多项任务上的性能；\n\n[实验2 - 针对话摘要任务微调生成式AI模型](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-2\u002FLab_2_fine_tune_generative_ai_model.ipynb)\n\n[第2周测验](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-2\u002FWeek-2_Quiz.md)\n\n## 第3周\n强化学习与LLM驱动的应用\n\n### 学习目标\n- 描述RLHF如何利用人类反馈来提升大型语言模型的性能与对齐度；\n- 解释从人工标注者那里收集的数据如何用于训练RLHF的奖励模型；\n- 定义“思维链提示”，并说明其如何用于提升LLM的推理与规划能力；\n- 讨论LLM在知识截止方面面临的挑战，并解释信息检索与增强技术如何克服这些挑战；\n\n[实验3 - 使用强化学习微调FLAN-T5，生成更积极的摘要](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-3\u002FLab_3_fine_tune_model_to_detoxify_summaries.ipynb)\n\n[第3周测验](https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs\u002Fblob\u002Fmain\u002FWeek-3\u002FWeek-3_Quiz.md)","# Generative AI with LLMs 快速上手指南\n\n本指南基于 DeepLearning.AI 的《Generative AI with LLMs》课程配套开源项目，旨在帮助开发者快速掌握大语言模型（LLM）的核心原理、微调技术及实际应用。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：Python 3.8 或更高版本\n*   **前置知识**：具备基础的机器学习概念，了解深度学习基本流程\n*   **硬件建议**：\n    *   基础学习：普通 CPU 即可（部分实验可能需要较长时间）\n    *   进阶微调\u002F推理：建议使用支持 CUDA 的 NVIDIA GPU (显存 16GB+ 推荐) 或使用云端 GPU 实例\n*   **依赖管理**：推荐使用 `conda` 或 `venv` 创建独立虚拟环境\n\n> **注意**：本课程实验主要依托于云端环境（如 Coursera Lab 环境）。若在本地运行，需自行安装相关深度学习框架。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n首先，将包含课程代码、Notebook 和测验的仓库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FRyota-Kawamura\u002FGenerative-AI-with-LLMs.git\ncd Generative-AI-with-LLMs\n```\n\n*(国内用户若下载缓慢，可尝试使用 Gitee 镜像或配置 git 代理)*\n\n### 2. 创建并激活虚拟环境\n使用 conda 创建名为 `llms-course` 的环境：\n\n```bash\nconda create -n llms-course python=3.9\nconda activate llms-course\n```\n\n### 3. 安装核心依赖\n根据实验需求，安装 PyTorch、Transformers、Datasets 等关键库。建议使用国内镜像源加速下载：\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install transformers datasets accelerate peft trl evaluate rouge_score nltk -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注：若无 NVIDIA GPU，请移除 `--index-url` 参数安装 CPU 版本 PyTorch，或访问 PyTorch 官网获取对应命令。*\n\n### 4. 验证安装\n进入任意一个实验目录（例如 Week-1），尝试导入核心库以验证环境：\n\n```bash\npython -c \"import torch; import transformers; print('Environment ready!')\"\n```\n\n## 基本使用\n\n本项目主要通过 Jupyter Notebook 进行交互式学习。以下是启动第一个实验的步骤：\n\n### 1. 启动 Jupyter Notebook\n在项目根目录下运行：\n\n```bash\njupyter notebook\n```\n\n### 2. 运行第一个实验：对话摘要\n在浏览器中导航至 `Week-1\u002FLab_1_summarize_dialogue.ipynb`。该实验演示了如何使用预训练模型进行零样本（Zero-shot）对话摘要。\n\n**核心代码示例（简化版）：**\n\n```python\nfrom transformers import pipeline\n\n# 加载预训练的摘要模型\nsummarizer = pipeline(\"summarization\", model=\"facebook\u002Fbart-large-cnn\")\n\n# 准备输入文本\ndialogue = \"\"\"\nAlice: Hi Bob, how is the project going?\nBob: It's going well, but we are facing some issues with the database.\nAlice: Let's schedule a meeting to discuss the solutions.\n\"\"\"\n\n# 执行摘要\nsummary = summarizer(dialogue, max_length=50, min_length=10, do_sample=False)\nprint(summary[0]['summary_text'])\n```\n\n### 3. 后续实验路径\n完成第一周内容后，可按顺序探索以下核心实验：\n\n*   **Week 2 (微调)**: `Week-2\u002FLab_2_fine_tune_generative_ai_model.ipynb`\n    *   学习如何使用指令数据集对模型进行微调，以及参数高效微调（PEFT）技术。\n*   **Week 3 (强化学习与对齐)**: `Week-3\u002FLab_3_fine_tune_model_to_detoxify_summaries.ipynb`\n    *   实践基于人类反馈的强化学习（RLHF），优化模型输出的安全性和积极性。\n\n通过按顺序执行这些 Notebook，您将完整体验从模型预训练理解、微调到最终应用部署的全流程。","某电商公司的客服团队每天需处理数万条用户对话，急需将冗长的沟通记录自动转化为简洁摘要以供管理层复盘。\n\n### 没有 Generative-AI-with-LLMs 时\n- 开发人员仅凭直觉调用大模型 API，缺乏对 Transformer 架构和预训练原理的理解，导致生成的摘要经常遗漏关键投诉细节或产生幻觉。\n- 面对特定业务术语（如“极速退款”、“破损理赔”），直接使用的通用模型表现不佳，团队因不懂指令微调（Fine-tuning）和参数高效微调（PEFT）技术，只能盲目增加算力成本尝试全量训练。\n- 模型输出风格不可控，时常出现语气生硬甚至负面的总结，由于未掌握基于人类反馈的强化学习（RLHF）及评估方法，无法有效对齐业务所需的“客观且积极”的语调。\n- 项目迭代周期长达数周，团队在数据清洗、模型选型和部署环节反复试错，缺乏标准化的生命周期管理思路，严重拖慢产品上线速度。\n\n### 使用 Generative-AI-with-LLMs 后\n- 团队深入理解了生成式 AI 的全生命周期，能够科学地设计提示词并选择合适的基础模型，显著提升了摘要对关键信息的提取准确率。\n- 利用课程中掌握的 PEFT 技术和指令数据集，开发人员以极低的计算成本完成了模型微调，使其精准掌握电商专有术语，同时避免了“灾难性遗忘”问题。\n- 通过应用 RLHF 理念和思维链（Chain-of-Thought）提示技术，模型生成的摘要不仅逻辑严密，还能自动调整为符合公司规范的专业语气，大幅减少人工校对工作量。\n- 借助实证缩放定律（Scaling Laws）优化资源分配，团队在有限的预算下快速构建了高性能原型，将原本数周的開發周期缩短至几天内完成。\n\nGenerative-AI-with-LLMs 帮助团队从盲目调参转向科学决策，以最低成本实现了大模型在垂直业务场景中的高效落地与价值最大化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FRyota-Kawamura_Generative-AI-with-LLMs_2b47d9b8.png","Ryota-Kawamura","Ryota Kawamura","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FRyota-Kawamura_5d46b068.jpg","川村亮太","Foxconn","Japan",null,"https:\u002F\u002Fgithub.com\u002FRyota-Kawamura",[81],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",100,611,442,"2026-04-07T12:29:52","","未说明",{"notes":91,"python":89,"dependencies":92},"README 内容主要为课程大纲和学习目标介绍，未包含具体的运行环境配置、依赖库列表或硬件需求说明。该项目为深度学习课程代码实验，通常需要在支持 Python 和主流深度学习框架（如 PyTorch、Transformers）的环境中运行，具体配置需参考各周 Lab 笔记本文件内的实际代码导入情况。",[],[14,35],[95,96,97,98,99],"generative-ai","large-language-models","llms","machine-learning","python-programming","2026-03-27T02:49:30.150509","2026-04-10T15:54:56.007961",[],[]]