https://blog.ans20xx.com/tags/llm/Recent content in LLM on 安橙的博客Hugo -- 0.161.1zhTue, 17 Mar 2026 00:00:00 +0000https://blog.ans20xx.com/posts/ai/anthropic%E5%A6%82%E4%BD%95%E8%AE%BE%E8%AE%A1%E5%A4%9Aagent%E7%A0%94%E7%A9%B6%E7%B3%BB%E7%BB%9F/Tue, 17 Mar 2026 00:00:00 +0000https://blog.ans20xx.com/posts/ai/anthropic%E5%A6%82%E4%BD%95%E8%AE%BE%E8%AE%A1%E5%A4%9Aagent%E7%A0%94%E7%A9%B6%E7%B3%BB%E7%BB%9F/<h1 id="1-学习主题">1. 学习主题</h1> <p>我要学习的内容： 如何设计一个多 Agent 系统用于研究</p>https://blog.ans20xx.com/posts/ai/llm-%E8%87%AA%E5%8A%A8%E8%B0%83%E7%A0%94agent-langgraph/Tue, 24 Feb 2026 00:00:00 +0000https://blog.ans20xx.com/posts/ai/llm-%E8%87%AA%E5%8A%A8%E8%B0%83%E7%A0%94agent-langgraph/<h1 id="实验元数据-meta-data">实验元数据 (Meta Data)</h1> <p>用于日后检索和归档，建立知识索引。</p> <p>实验编号/标题：例如：自动调研 Agent (LangGraph + Plan-And-Execute)</p>https://blog.ans20xx.com/posts/ai/llm-rag-%E4%B8%AA%E4%BA%BA%E7%9F%A5%E8%AF%86%E5%BA%93%E5%8A%A9%E6%89%8B/Mon, 23 Feb 2026 00:00:00 +0000https://blog.ans20xx.com/posts/ai/llm-rag-%E4%B8%AA%E4%BA%BA%E7%9F%A5%E8%AF%86%E5%BA%93%E5%8A%A9%E6%89%8B/<h1 id="实验元数据-meta-data">实验元数据 (Meta Data)</h1> <p>实验编号/标题：LLM-RAG-个人知识库助手</p>https://blog.ans20xx.com/posts/ai/llm-react%E6%90%9C%E7%B4%A2agent-%E5%AE%9E%E9%AA%8C/Mon, 23 Feb 2026 00:00:00 +0000https://blog.ans20xx.com/posts/ai/llm-react%E6%90%9C%E7%B4%A2agent-%E5%AE%9E%E9%AA%8C/<h1 id="实验元数据-meta-data">实验元数据 (Meta Data)</h1> <p>实验编号/标题：例如：LLM-ReAct 搜索 Agent 实验</p>https://blog.ans20xx.com/posts/ai/llm-%E6%99%BA%E8%83%BD%E7%BF%BB%E8%AF%91%E5%8A%A9%E6%89%8B-%E5%AE%9E%E9%AA%8C/Mon, 23 Feb 2026 00:00:00 +0000https://blog.ans20xx.com/posts/ai/llm-%E6%99%BA%E8%83%BD%E7%BF%BB%E8%AF%91%E5%8A%A9%E6%89%8B-%E5%AE%9E%E9%AA%8C/<h1 id="实验元数据-meta-data">实验元数据 (Meta Data)</h1> <p>实验编号/标题：例如：LLM-智能翻译助手-实验</p>https://blog.ans20xx.com/posts/ai/llm-%E5%A4%8D%E4%B9%A0/Sun, 22 Feb 2026 00:00:00 +0000https://blog.ans20xx.com/posts/ai/llm-%E5%A4%8D%E4%B9%A0/<h1 id="预备知识">预备知识</h1> <div class="mindmap-container" id="mindmap-54821367" style="width:100%; height:860px; min-height: 860px;" ></div> <textarea id="mindmap-data-54821367" style="display:none;"> - 预备知识 - 线性代数 - 向量与矩阵乘法 - 向量与向量乘法 - 内积 - 计算：对应元素相乘再相加，结果是一个标量 - $a\cdot b=\sum_{i=1}^n a_ib_i$ - 几何意义：衡量两个向量的相似度 - 如果内积为 0，向量正交 - 内积也可以表示为 $||a||||b||cos(\theta)$，即 a 在 b 方向上的投影长度乘以 b 的长度 - 外积 - 计算：一个列向量乘以一个行向量，结果是一个矩阵 - 意义：构造一个秩为 1 的矩阵。在 SVD 中，复杂的举证就是由多个这样的秩 1 矩阵加权累加的 - 列空间 - 定义 - 想象矩阵 A 的每一列都是一个导航箭头（向量） - 如果 A 有两列 a1,a2，那么这两根箭头张开所能到达的所有地方，就是一个平面 - 这个平面就是矩阵 A 的列空间 - 列空间就是利用矩阵里的列向量，通过加减、缩放所能拼凑出的所有可能的结果向量的集合 - 矩阵与向量的乘法 - 假设有矩阵 A 和向量 x - 线性组合 - 矩阵 A 乘以向量 x，等价于将 A 的列向量按照 x 中的元素进行加权求和 - 结果向量 b 必然落在矩阵 A 的列空间内 - 线性变换 - 将矩阵 A 看作一个函数或算子，它把输入向量 x 旋转、伸缩或投影到了一个新的位置 - 特征值/特征向量的学习，本质就是在寻找这个变换中方向不变的特殊向量 - 矩阵与向量的乘法 - 行乘列（传统定义） - C 中第 i 行第 j 列的元素，是 A 的第 i 行与 B 的第 j 列的内积 - 列变换视角 - 把 B 看作一组列向量[b1,b2,...,bn]，那么 AB 的结果就是[Ab1,Ab2,...,Abn] - 意义：矩阵 A 同时对 B 的每一列进行了相同的线性变换 - 分块矩阵乘法 - 将大矩阵划分为子矩阵进行运算 - 是计算机高性能计算和处理大数据时的核心原理 - 关键运算性质 - 不满足交换律：一般情况下 AB!=BA，矩阵乘法的顺序至关重要 - 满足结合律：A(BC)=(AB)C，意味着在计算长链乘法时，可以通过改变计算顺序来优化计算量 - 转置性质：$(AB)^T=B^TA^T$ - 范数 - 定义：范数是一个将向量映射到非负实数的函数，直观可以理解为衡量向量的大小或长度 - 没有范数，无法定义距离，也无法优化模型 - 性质 - 非负性：||x||&gt;=0，且只有当 x 是零向量时，范数才是 0 - 齐次性：$||kx||=|k|\cdot ||x||$，向量放大 k 倍，长度也放大 k 倍 - 三角不等式：||x&#43;y||&lt;=||x||&#43;||y||，两边之和大于第三边 - 常见的向量范数 - 公式 -  - L1 范数 - 计算：所有元素绝对值之和。$||x||_1=\sum|x_i|$ - 几何：只能沿格子线走 - 特性：会倾向于让向量中的许多元素变为 0，从而产生稀疏性 - 应用：L1正则化，用于特征选择，剔除不重要的变量 - L2 范数 - 计算：元素平方和再开方。$||x||_2=\sqrt{\sum x_i^2}$ - 几何：计算两点之间的直线距离（最直观的距离） - 特性：对大数值非常敏感，处处可导，计算方便 - 应用：L2 正则化，防止模型过拟合；深度学习中的权重衰减。 - $L\infty$ 范数 - 计算：向量中绝对值最大的那个元素的值 - 应用：用于衡量最坏情况下的误差 - 矩阵范数 - Frobenius 范数 - 计算：把矩阵看成一个大向量，所有元素的平方和再开方 - 用途：衡量两个矩阵之间的距离，用于矩阵分解（SVD 或推荐系统）的损失函数。 - 基 - 定义 - 在向量空间里，基就是坐标系 - 在二维平面上，习惯用 x 轴 (1,0) 和 y 轴(0,1) 作为基。 - 任何一个点 (3,4) 都可以看作是：在 x 轴方向走 3 步，在 y 轴方向走 4 步。 - 基决定了观察和描述向量的视角。 - 特征值与特征向量 - 定义 - 对于一个方阵 Ai，如果存在一个非零向量 v 和一个标量 $\lambda$，满足如下等式 -  - 那么 v 就是特征向量，$\lambda$ 就是对应的特征值 - 特征值分解 - 如果一个 nxn 矩阵 A 有 n 个线性无关的特征向量，它可以被分解为 -  - Q：由特征向量组成的矩阵 - $\Lambda$ (Lambda)：对角矩阵，对角线上是对应的特征值 - 奇异值分解 - 数学定义 - 对于任何 m*n 的矩阵 A，都可以分解为 -  - U(m x n 阶)：左奇异值向量矩阵，它是正交矩阵（各列互相垂直且长度为 1），代表了变换后的输出空间的基。 - $\sum$ (m x n 阶)：奇异值矩阵，只有对角线有值，称为奇异值（$\sigma_1,\sigma_2, \dots$$），按从小到大排列，代表了每个方向上的权重或重要性。 - $V^T$ (n x n 阶)：右奇异向量矩阵的转置，也是正交矩阵，代表了输入空间的基。 - 几何直观 - 如果把矩阵 A 看作一个变换，SVD 告诉我们这个变换可以拆为 3 步： - $V^T$（旋转）：将输入向量旋转到特定的方向，使其与奇异向量对齐。 - $\sum$（缩放）：在这些特定的方向上进行拉伸或压缩，奇异值越大，拉伸幅度越大。 - U （旋转）：再次旋转，将结果映射到最终的输出空间。 - 概率统计 - 最大似然 - 有一组数据 $D={x_i}^n_{i=1}$，选择了一个参数化模型 p(x|θ) - 似然：把数据当成已发生的事实，把 θ 当成变量，问在这个 θ 下，数据出现的可能性有多大 - 最大似然估计：选一个 $\hat\theta$ 让 L(θ) 最大 </textarea>