Large Language Model - 標籤 - DataSci Ocean

Large Language Model

2026

SketchVLM：讓 VLM 直接在圖上畫出推理過程 08-08

拆解 Persona-Aware-D2S：同一份文件，怎麼依受眾和長度長出不同簡報 07-29

拆解 Claude Code：Agentic Loop、工具系統、Skills 與權限機制 07-24

拆解 Cerebras 企業知識庫 RAG：窄腰設計、檢索推理解耦與 Pipeline 的邊界 07-23

SkillOpt:把 AI Agent 的技能文件當成可訓練的權重來優化,不用碰模型本身 07-22

Adaptive Chunking：讓 RAG 系統學會「因材施教」的切分策略 07-22

拒絕 Text-to-SQL 玩具！從 OpenAI 內部 Data Agent 看企業級 AI Agent 的「六層脈絡」與閉環除錯 04-25

突破大模型排行榜迷思：用 AgentOpt 自動尋找性價比最高的 AI Agent 模型組合 04-17

別讓 AI 每次都從零開始！深度解析 ERL 框架：讓 LLM Agent 透過「單次反思」實現持續學習 04-10

掌握 Harness Engineering：結合 Ralph Loop 與 MemRL，打造具備持續學習能力的 AI Agent 04-05

告別長文本帶來的「智力退化」：WebResearcher 如何透過迭代研究架構超越 OpenAI？ 04-02

不再需要微調！MemRL 如何讓 AI Agent 透過強化學習實現「自我進化」？ 03-29

vLLM Semantic Router 重點介紹 03-29

UniversalRAG 深度解析：破解多模態 RAG 偏見，提升異質數據的檢索能力 03-25

賦予 AI 長效記憶：深入解析 AI Agent 的核心技術「上下文工程 (Context Engineering)」 03-22

別再只會寫 Prompt：深度解構 AI Agent 的系統工程學 —— 從 OpenClaw 看長效記憶與自主執行機制 03-16

為什麼你的 RAG 遇到表格就智商歸零？KDD 2026 頂會論文 MixRAG 帶來的破局之道 03-15

RAG 懂語義卻不懂時間？深入剖析 EMNLP 2025 的 MRAG 模組化檢索框架 03-10

面對模稜兩可的問題，AI 該學會反問：詳解 CLAM 論文與自動化 Oracle 評估機制 02-25

[EMNLP 2025] TableRAG 深度解析：表格不是拿來「讀」的，是用 SQL 來「查」的！ 02-13

1
2
3