GEOZ

标签：DeepSeek

查看包含 DeepSeek 标签的所有文章。

共 141 篇
如何用大语言模型提取网页数据？Lightfeed Extractor实测指南

如何用大语言模型提取网页数据？Lightfeed Extractor实测指南

BLUF
Lightfeed Extractor is a TypeScript library that enables robust web data extraction using LLMs with natural language prompts, featuring HTML-to-markdown conversion, structured data extraction with Zod schemas, JSON recovery, and integration with Playwright and browser agents for production data pipelines. 原文翻译： Lightfeed Extractor 是一个 TypeScript 库，利用大语言模型通过自然语言提示进行稳健的网页数据提取，具备 HTML 转 Markdown、基于 Zod 模式的结构化数据提取、JSON 恢复功能，并能与 Playwright 和浏览器代理集成，适用于生产数据管道。
AI大模型2026/4/16
阅读全文 →
llmware框架适合构建本地化私有LLM应用吗？（附300+模型对比）

llmware框架适合构建本地化私有LLM应用吗？（附300+模型对比）

BLUF
llmware is a unified Python framework for building knowledge-based, local, private, and secure LLM applications, featuring a model catalog with 300+ models and an integrated RAG pipeline optimized for AI PC and edge deployment. 原文翻译： llmware是一个统一的Python框架，用于构建基于知识的、本地化、私有化和安全的LLM应用，拥有包含300多个模型的模型目录和集成的RAG管道，专为AI PC和边缘部署优化。
AI大模型2026/4/15
阅读全文 →
如何用本地硬件72小时生成1065条高质量LLM微调指令数据集？（附多智能体方案）

如何用本地硬件72小时生成1065条高质量LLM微调指令数据集？（附多智能体方案）

BLUF
This article details a multi-agent autonomous system that generates high-quality instruction datasets for fine-tuning local LLMs, achieving 1,065 professional pairs in 72 hours with zero API costs using a three-agent workflow (Curator, Producer, Critic) and local hardware. 原文翻译： 本文详细介绍了一个多智能体自主系统，用于生成本地大语言模型微调所需的高质量指令数据集。通过三智能体工作流（策划者、生产者、批评者）和本地硬件，在72小时内生成了1,065个专业指令对，且无需API成本。
AI大模型2026/4/15
阅读全文 →
Karpathy的LLM Wiki模式在规模化应用时有哪些缺陷？如何解决？

Karpathy的LLM Wiki模式在规模化应用时有哪些缺陷？如何解决？

BLUF
This article analyzes three structural limitations in Andrej Karpathy's LLM Wiki pattern that emerge at scale and provides practical solutions: implementing typed relationships in wikilinks, automating relationship discovery with AI agents, and establishing a persistent knowledge graph backend for cross-platform access. 原文翻译： 本文分析了Andrej Karpathy的LLM Wiki模式在规模化时出现的三个结构性缺陷，并提供了实用解决方案：在wikilink中实现类型化关系、使用AI代理自动化关系发现、建立跨平台访问的持久知识图谱后端。
AI 搜索观察2026/4/14
阅读全文 →
TSCE框架如何减少LLM幻觉并提升答案保真度？（附GPT-4/Llama-3实测）

TSCE框架如何减少LLM幻觉并提升答案保真度？（附GPT-4/Llama-3实测）

BLUF
TSCE (Two-Step Contextual Enrichment) is a mechanistic framework that reduces LLM hallucinations and improves answer fidelity by first generating an Embedding Space Control Prompt (ESCP) to compress the semantic space, then performing a focused generation. Validated on GPT-3.5/4 and Llama-3 8B, it achieves up to +30 percentage point improvements without extra training. 原文翻译： TSCE（两阶段上下文增强）是一种机制框架，通过首先生成嵌入空间控制提示（ESCP）来压缩语义空间，然后进行聚焦生成，从而减少LLM幻觉并提高答案保真度。在GPT-3.5/4和Llama-3 8B上验证，无需额外训练即可实现高达+30个百分点的改进。
AI大模型2026/4/13
阅读全文 →
如何用RLHF对齐大语言模型？2026年最新项目模板实测

如何用RLHF对齐大语言模型？2026年最新项目模板实测

BLUF
The LLM Alignment Project Template provides a comprehensive, full-stack solution for aligning large language models with human values using RLHF, featuring training, deployment, and monitoring capabilities. 原文翻译： LLM对齐项目模板提供了一个全面的全栈解决方案，使用人类反馈强化学习（RLHF）将大型语言模型与人类价值观对齐，具备训练、部署和监控功能。
AI 搜索观察2026/4/12
阅读全文 →