面向AI时代，所有产品都值得用大模型重新升级

关键字： LangChain、RAG、LangGraph、LlamaIndex， 前端React，后端 node， Typescript 数据库选用 MariaDB（前身MySql）

token

大模型往往无法直接处理原始的文本字符串，因此需要先将文本转化为离散的 Token 序列 Token <font color="#ff0000">的形式可以是单词、字符、子词等</font>。比如，对于英文句子 “I love apples”，就可以将其分割成 ["I", "love", "apples"] 这三个 Token。 当文本被转化为 Token 后，模型便可以将这些 Token 作为输入。通过嵌入层，Token 会被映射到低维向量空间，进而进行各种计算与处理 。在训练过程中，模型会学习每个 Token 的语义信息以及其所处的上下文信息，从而能够生成逻辑合理的文本，或者完成其他相关的自然语言处理任务。

英语大模型的 Token 数量相对较少。与之形成鲜明对比的是，汉字的形式复杂多样，其对应的 Token 数量远远超过英语大模型

大模型是预训练模型

基于深度学习框架构建

超大规模参数的

神经网络模型

GPT 是 4 万亿参数

而且参数可以通过训练不断优化

大模型的分类： 语言大模型 图像大模型 多模态大模型 <font color="#ff0000">行业大模型</font> 这是一个比较值得留意的方向

大模型是啥

大模型是一个预训练好的神经网络模型 通过加载大模型，然后用自己的数据训练，就可以得到符合自己专长的AI

神经网络模型跟普通的模型有什么区别？ 普通模型大多基于一些数学公式，结果相对固定 神经网络模型基于向量数据，采集结果优化输出，结果不固定 **神经网络是一个由大量相互连接的“人工神经元”组成的计算模型， 它通过接收输入、进行加权求和、应用激活函数来处理信息，并层层传递，最终产生输出

神经网络是啥？。。。