<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[这里有最新的AI应用资讯，这里有最全的AI应用体验场景.]]></title><description><![CDATA[人工智能、大模型、数据挖掘技术交流]]></description><link>https://blog.csdn.net/class4715</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; class4715]]></copyright><item><title><![CDATA[【PaddleOCR-VL】基于PaddleOCR-VL构建论文格式规范器]]></title><link>https://blog.csdn.net/class4715/article/details/154395591</link><guid>https://blog.csdn.net/class4715/article/details/154395591</guid><author>class4715</author><pubDate>Tue, 04 Nov 2025 14:35:47 +0800</pubDate><description><![CDATA[摘要：本项目开发了一个基于PaddleOCR-VL和大语言模型的智能文档转换系统，可将学术论文PDF自动转换为标准LaTeX格式。系统通过OCR识别文档中的文本、表格、公式等多模态内容，经Markdown中间格式处理后，利用大模型完成LaTeX格式转换。该系统支持109种语言文档处理，显著提升学术文档准备效率，适用于期刊投稿、会议论文等多种场景。关键技术包括轻量高效的PaddleOCR-VL(0.9B参数)文档解析、智能分段处理和大模型驱动的格式转换，实现从PDF到LaTeX的端到端自动化流程。]]></description><category></category></item><item><title><![CDATA[【PaddleOCR-VL】ChatOffice：多模态 RAG 智能问答系统]]></title><link>https://blog.csdn.net/class4715/article/details/154395458</link><guid>https://blog.csdn.net/class4715/article/details/154395458</guid><author>class4715</author><pubDate>Tue, 04 Nov 2025 14:32:48 +0800</pubDate><description><![CDATA[ChatOffice是一个基于百度AIStudio生态的多模态RAG（检索增强生成）系统，支持处理PPT、PDF、Word、Excel、图片、文本等7种文档格式。系统核心技术包括：1）PaddleOCR-VL实现本地文档解析；2）ERNIE-4.5-VL-28B-A3B视觉大模型进行多模态理解；3）LlamaIndex框架构建RAG流程。系统通过文档类型检测、内容转换、OCR解析、向量嵌入等多步骤处理，实现了智能文档问答、多文档对比分析等功能，可应用于企业知识库、研究报告分析等场景。]]></description><category></category></item><item><title><![CDATA[快来考个AI人工智能训练师吧]]></title><link>https://blog.csdn.net/class4715/article/details/154355206</link><guid>https://blog.csdn.net/class4715/article/details/154355206</guid><author>class4715</author><pubDate>Mon, 03 Nov 2025 17:43:46 +0800</pubDate><description><![CDATA[为响应国家 “人工智能 +” 战略，《广东省推动人工智能与机器人产业创新发展若干政策措施》明确提出从核心技术攻关、人才培养等方面给予专项支持，如：广州，佛山等地已将人工智能训练师纳入紧缺工种目录，持证者可享最高3120元职业技能补贴，并在职称评定、落户积分等方面获得政策倾斜。]]></description><category></category></item><item><title><![CDATA[dify案例分享-数据库查询图表显示]]></title><link>https://blog.csdn.net/class4715/article/details/147578464</link><guid>https://blog.csdn.net/class4715/article/details/147578464</guid><author>class4715</author><pubDate>Mon, 28 Apr 2025 11:23:09 +0800</pubDate><description><![CDATA[今天主要带大家了解了如何完成一个 Dify 与数据库查询整合的案例，实现从 Dify 对本地数据库进行数据查询并显示查询结果的功能。介绍了数据库的重要性及随着数据量增加飞书表格记录信息可能出现的问题。详细展示了数据库查询图表工作流的制作过程，包括定义开始节点，接入大语言模型（选择书生浦语 internlm3 - 8b - instruct 模型）将用户输入信息转换成规定参数，根据判断结果进行条件分支判断，以及接口调用（包含 3 个 http 请求）。]]></description><category></category></item><item><title><![CDATA[dify案例分享-0 代码搭建 Text2SQL 智能查询！用 Dify + 知识库 + Agent 实现自然语言秒变 SQL]]></title><link>https://blog.csdn.net/class4715/article/details/147578019</link><guid>https://blog.csdn.net/class4715/article/details/147578019</guid><author>class4715</author><pubDate>Mon, 28 Apr 2025 11:10:25 +0800</pubDate><description><![CDATA[今天主要带大家了解并实现了基于 Dify 知识库与 AI Agent 的 Text2SQL 工作流方案。借助 Dify 提供的功能，我们首先创建了知识库，上传创建表的 SQL 语句文本，完成文本向量的创建。接着制作工作流，添加开始、知识检索、Agent 和直接回复等节点，对每个节点进行细致配置，尤其在 Agent 节点配置中选择合适的工具、模型和策略，完成工作流 AI Agent 的搭建。之后，我们又创建了 AI Agent，配置系统提示词、工具及模型等。]]></description><category></category></item><item><title><![CDATA[dify案例分享-基于文本模型实现Fine-tune 语料构造工作流]]></title><link>https://blog.csdn.net/class4715/article/details/147506396</link><guid>https://blog.csdn.net/class4715/article/details/147506396</guid><author>class4715</author><pubDate>Fri, 25 Apr 2025 13:44:42 +0800</pubDate><description><![CDATA[微调（Fine-tuning）是指在已经预训练好的大规模模型基础上，通过进一步训练来适应特定任务或数据集的过程。这一过程体现了迁移学习的思想，即利用预训练模型在通用数据上学习到的知识，通过微调使其更好地服务于特定的应用场景.今天我们就带大家dify新功能dify案例分享-微调（Fine-tuning）语料构工作流，来感受一下dify的强大。感兴趣的小伙伴可以持续关注我的文章，今天的分享就到这里，我们下个文章见。]]></description><category></category></item><item><title><![CDATA[一键万能公式去除Ai味，从90%降到0%]]></title><link>https://blog.csdn.net/class4715/article/details/145061806</link><guid>https://blog.csdn.net/class4715/article/details/145061806</guid><author>class4715</author><pubDate>Fri, 10 Jan 2025 17:02:05 +0800</pubDate><description><![CDATA[在AI生成的文字中，我们经常会遇到机械化、生硬和模板化的问题。本文将探讨如何通过一系列策略，从90%降至0%，有效去除AI写作的机械味，使文章更加自然和贴近人类的阅读习惯。]]></description><category></category></item><item><title><![CDATA[TipDM数据挖掘案例：电子商务网站用户分群]]></title><link>https://blog.csdn.net/class4715/article/details/145060551</link><guid>https://blog.csdn.net/class4715/article/details/145060551</guid><author>class4715</author><pubDate>Fri, 10 Jan 2025 16:13:17 +0800</pubDate><description><![CDATA[本案例的研究对象是泰迪杯竞赛网站，泰迪智能科技是一家专门从事大数据挖掘研发、咨询和培训服务的高科技企业。泰迪杯竞赛网致力于为用户提供丰富的泰迪杯竞赛信息、数据挖掘培训咨询，并提供往届优秀作品作为参考，以及面向高校的丰富教学资源，如：案例教程、教学视频、教学书籍、建模工具等。访问用户的增加使得网站越发难以掌握用户的需求。为更好满足用户的需求，本案例依据用户的历史浏览记录，研究用户的兴趣偏好，分析需求并发现用户的兴趣点，从而将用户分成不同群体。公司后续可以针对不同群体提供差异化的服务，提高用户的使用体验。]]></description><category></category></item><item><title><![CDATA[COZE应用：COZE打工你躺平]]></title><link>https://blog.csdn.net/class4715/article/details/145038690</link><guid>https://blog.csdn.net/class4715/article/details/145038690</guid><author>class4715</author><pubDate>Thu, 09 Jan 2025 17:26:58 +0800</pubDate><description><![CDATA[我接触到了Coze，这个无需编程技能，人人都能上手的平台。通过Coze，链接丢过去，工作就结束，甚至还能与飞书结合，真正实现“AI打工你躺平”。接下来，我将带你一步步了解如何让Coze为你工作，务求让中学生也能看懂。]]></description><category></category></item><item><title><![CDATA[TipDM数据挖掘案例：金融服务机构的资金流量预测]]></title><link>https://blog.csdn.net/class4715/article/details/145033851</link><guid>https://blog.csdn.net/class4715/article/details/145033851</guid><author>class4715</author><pubDate>Thu, 09 Jan 2025 14:57:58 +0800</pubDate><description><![CDATA[某金融服务机构拥有上亿会员，并且业务场景中每天都涉及大量的资金流入和流出，面 对如此庞大的用户群，资金管理压力会非常大。在既保证资金流动性风险最小，又满足日常 业务运转的情况下，精准地预测资金的流入流出情况变得尤为重要。企业希望能精准预测未 来每日的资金流入流出情况。对货币基金而言，资金流入意味着申购行为。资金流出意味着 赎回行为。]]></description><category></category></item><item><title><![CDATA[tipdm数据挖掘案例：信用卡高风险客户识别]]></title><link>https://blog.csdn.net/class4715/article/details/144999411</link><guid>https://blog.csdn.net/class4715/article/details/144999411</guid><author>class4715</author><pubDate>Wed, 08 Jan 2025 09:51:00 +0800</pubDate><description><![CDATA[为了推进信用卡业务良性发展，减少坏账风险，该地区各大银行都进行了信用卡客户风。当属性间的量级相差较大时，数据标准化将数据统一映射到特定的区间，消除数据的量。运行完成后，对数据标准化组件右键，选择查看数据，数据标准化的输出表结果如。在本地路径上选择文件，填写在平台新建的目标表名，如图。根据文件的数据，可以修改文件的字段名和类型，如图。选择字段属性，单击更新数据，勾选全部字段。选择字段属性，在脚本处填入数据变换代码，选择字段属性，在脚本处填入数据变换代码，选择字段属性，在脚本处填入数据变换代码，]]></description><category></category></item><item><title><![CDATA[探索智能驾驶的未来：运输车辆安全驾驶行为分析]]></title><link>https://blog.csdn.net/class4715/article/details/144990500</link><guid>https://blog.csdn.net/class4715/article/details/144990500</guid><author>class4715</author><pubDate>Tue, 07 Jan 2025 17:49:07 +0800</pubDate><description><![CDATA[在当今快速发展的科技时代，智能驾驶技术正逐渐改变我们的出行方式。其中，运输车辆的安全驾驶行为分析成为了一个重要的研究领域。今天，我们就来探讨一下这一领域的最新进展和应用前景。]]></description><category></category></item><item><title><![CDATA[数据挖掘案例：肝病患者临床数据诊断分析]]></title><link>https://blog.csdn.net/class4715/article/details/144989217</link><guid>https://blog.csdn.net/class4715/article/details/144989217</guid><author>class4715</author><pubDate>Tue, 07 Jan 2025 16:56:18 +0800</pubDate><description><![CDATA[可应用于处理海量数据、高复杂性的数据挖掘任务，提供准确、高精度的计算结果。支持CRISP-DM数据挖掘标准流程，功能一站式覆盖数据接入、数据预处理、特征工程、模型训练调试、模型评估比较、模型应用部署的建模全流程，实现数据到模型应用各环节中数据连接、数据源、算法组件、工程、模型、调度任务统一集中管理，有助于快速挖掘数据价值。底层算法开发支持R、Python、Spark等多种计算引擎，平台独创多计算引擎混合编排，提供实时计算、离线分析、机器学习算法、人工智能算法互相调用能力，可实现一体化、跨语言的模型开发。]]></description><category></category></item><item><title><![CDATA[【问卷猩】基于 ERNIE Bot 和 LLM2Json 的问卷生成器]]></title><link>https://blog.csdn.net/class4715/article/details/139934421</link><guid>https://blog.csdn.net/class4715/article/details/139934421</guid><author>class4715</author><pubDate>Mon, 24 Jun 2024 18:32:26 +0800</pubDate><description><![CDATA[我们需要做好数据结构体的定义，一份问卷的生成结构至少有两层。第一层WenJuan是title（问卷标题）、（问卷描述）和最核心的data（问题列表）结构体。第二层是对data嵌套数据的定义，在data下面有若干个问题和选项，并且问题类型有单选题、多选题、填空题等等，因此这里需要针对问题定义一个新的对象Question，第一个键是types，用于确定问题类型，它是整数型的数据（1为单选，2为多选，3为填空）；第二个是question，定义问题；第三个是choices。]]></description><category></category></item><item><title><![CDATA[【本地知识库】本地知识库+语言大模型=知域问答]]></title><link>https://blog.csdn.net/class4715/article/details/139934342</link><guid>https://blog.csdn.net/class4715/article/details/139934342</guid><author>class4715</author><pubDate>Mon, 24 Jun 2024 18:30:20 +0800</pubDate><description><![CDATA[本地知识库通常是指存储在本地计算机或服务器上的数据库或数据集，用于提供本地环境下的知识和信息。langchain是一个开发基于语言模型应用程序开发框架，链接面向用户程序和LLM之间的中间层。利用LangChain可以轻松管理和语言模型的交互，将多个组件链接在一起，比如各种LLM模型，提示模板，索引，代理等等。]]></description><category></category></item><item><title><![CDATA[第十九届全国大学生智能汽车竞赛智慧交通组线上资格赛baseline]]></title><link>https://blog.csdn.net/class4715/article/details/139849563</link><guid>https://blog.csdn.net/class4715/article/details/139849563</guid><author>class4715</author><pubDate>Sat, 22 Jun 2024 08:30:00 +0800</pubDate><description><![CDATA[在百度智慧交通赛项中，百度飞桨场景化地设计了基于深度学习的智能车趣味赛题，要求同学们在一套故事线中，使用飞桨完成特定场景的自动驾驶任务及系列自动化操作，赛题旨在在为创新人才的培养提供综合演练平台，拓宽高校人工智能相关专业的教学内容，提升高校科技创新能力。从标签的情况来看，数据集包含了英文、中文、字符等，本项目中我们使用了PaddleOCR自带的字典进行训练，当然大家可以根据数据集情况来定制化字典。并且，数据集质量不是很高，图片分辨率很低很低，这就是一个需要解决的问题，大家可以开动脑筋。]]></description><category></category></item><item><title><![CDATA[【ErnieRAG】用 ErnieBot 打造通用企业级RAG应用]]></title><link>https://blog.csdn.net/class4715/article/details/139849374</link><guid>https://blog.csdn.net/class4715/article/details/139849374</guid><author>class4715</author><pubDate>Sat, 22 Jun 2024 08:00:00 +0800</pubDate><description><![CDATA[本文介绍了如何使用ErnieBot和Milvus向量数据库打造企业级RAG（检索增强生成）应用。RAG架构通过将大模型的生成能力与外部知识库的检索能力相结合，实现了在回答问题或执行任务时能够引入最新、最准确的专业知识。文章详细阐述了RAG的原理和环境安装，包括ErnieBot的配置和Embedding模型的选择。同时，还介绍了文本生成模型的选择、知识库数据的准备、向量数据库的启动、数据表的创建、索引和加载数据库、插入数据以及检索数据等步骤。最终，通过检索数据，验证RAG应用的有效性。]]></description><category></category></item><item><title><![CDATA[【Agent应用】运营数据分析与决策建议]]></title><link>https://blog.csdn.net/class4715/article/details/139849274</link><guid>https://blog.csdn.net/class4715/article/details/139849274</guid><author>class4715</author><pubDate>Fri, 21 Jun 2024 09:28:16 +0800</pubDate><description><![CDATA[In [7]# 第一个类其实就是描述这个工具接受的参数。需要注意的是，咱们需要继承官方给的类：ToolParameterViewneed: str = Field(description="数据分析需求")# 第二个类就是描述response这个变量，这是这个工具输出的参数。response: str = Field(description="数据分析结果")# 第三个类将输入和输出，以及工具的描述组合起来，调用文心大模型实现对数据的分析等。]]></description><category></category></item><item><title><![CDATA[使用ERNIE Bot SDK和一条核心prompt开发AI“划拳“游戏！]]></title><link>https://blog.csdn.net/class4715/article/details/139849235</link><guid>https://blog.csdn.net/class4715/article/details/139849235</guid><author>class4715</author><pubDate>Fri, 21 Jun 2024 09:27:06 +0800</pubDate><description><![CDATA[通过ERNIE Bot SDK调用文心大模型的能力开发大模型应用是不是超简单？只需要将你的想法转化为合适的prompt,任何想法都能轻易实现！不会写prompt?没关系！免费课程教你：https://aistudio.baidu.com/education/group/info/28604 快动动脑筋，行动起来吧！]]></description><category></category></item><item><title><![CDATA[基于Baichuan2的新冠流感中医自我诊断治疗(大模型微调+Gradio)]]></title><link>https://blog.csdn.net/class4715/article/details/139800770</link><guid>https://blog.csdn.net/class4715/article/details/139800770</guid><author>class4715</author><pubDate>Wed, 19 Jun 2024 13:42:13 +0800</pubDate><description><![CDATA[项目使用paddleNLP提供的大模型套件对Baichuan2-7b/13b进行微调，使用《中医治疗新冠流感支原体感染等有效病历集》进行Lora训练，使大模型具备使用中医方案诊断和治疗新冠、流感等上呼吸道感染的能力。]]></description><category></category></item></channel></rss>