前几天看了港中深的graphrag，看到ToG实现的还相对挺复杂的，所以有兴趣再重新读一下ToG2的代码 基本思路从这里就可以看出来： * ToG1是让模型在图上自行探索，每次探索一跳的子图，然后让模型做prune实体/关系，最终得到结果 * ToG2相比于ToG1的点在于做entity prune的时候，会加上context来对entity打分。然后在每次reason的时候，也会带上这次得分高的chunk context 看实现的话，核心在： * para_rank_topk中，这里会把每个实体对应的chunk，…
AI is Creating a Generation of Illiterate Programmers https://nmn.gl/blog/ai-illiterate-programmers 这篇文章，下面可以看我和ds的对话 帮我总结一下这篇文章 以下是文章的总结： 核心论点 AI工具虽提升开发效率，但导致程序员技能退化，形成过度依赖，威胁行业长期发展。 关键问题与影响 技能衰退过程 文档阅读消失：依赖AI即时解释，失去自主查阅能力。 调试能力弱化：错误日志直接抛给AI，不再分析堆栈跟踪。 浅层理解：机械…
Improving Language Understanding by Generative Pre-Training Language Models are Unsupervised Multitask Learners Language Models are Few-Shot Learners 对应这三篇paper https://zhuanlan.zhihu.com/p/609367098 知乎上有对应的讲解 GPT1的核心思路是，通过language model做预训练，然后再针对下游的任务做fine tu…
意面+牛排 牛排我还是搞了个平底锅，效果确实比圆形的好一些 牛排提前解冻很关键 试了试用牛油，效果还不错，切一块放到锅里化开 牛排放锅里定时就行。2cm厚的西冷，一面1m30s，全程大火 最后关了火简单翻一下，醒肉就行。 如果要放百里香，黄油什么的，就最后小火把其他的料放一放 意面，先煮开水，放一些油和盐 放意面，大火慢慢煮 熟度我一般是靠自己尝一尝，感觉软了就可以拿出来了 过两遍冷水，把意面上的淀粉洗一洗。这样可以让意面更劲道一些，不会粘 小火放点油，把意面的酱挤进去，化开，然后放意面搅合一下就行 葱爆羊肉 羊肉…
https://github.com/SuperMedIntel/Medical-Graph-RAG 这里的文章，简单看了一下： 是针对医疗数据做的GraphRAG。核心目的是为了提高生成内容的准确性，即不能让大模型胡说。 为了做到这一点，MedGraphRAG在graphrag上做了两点改进： * 在实体提取的时候，会把实体和可信医疗源，以及受控词汇表连接起来 * 针对医疗标签做总结，而非使用通用的社区总结 具体来说： 会有一些置信程度比较高的资料，在RAG的时候，会把实体和这些置信程度比较高的资料链接到一起。 …
排骨，小炒肉什么的之前说过了就不说了。 干煸豆角这次焯水太过头了，成炖豆角了。下次还是要试试油炸 油淋生菜 烧开水，放点油和盐。生菜焯水。不要放过久，一下就可以 蒜末，红椒丝，葱段。热油浇一下 加蒸鱼豉油，芝麻油，陈醋。香醋/生抽啥的也可以自己加点，调成自己喜欢的味道就行。这里和调火锅料差不多 淋到生菜上就行 排骨面 放一锅水，放挂面 等开锅，打一个鸡蛋 然后放排骨，排骨汤 稍微煮一煮就可以关火了，关火之前放点菜叶子就行 根据喜好可以加点葱花，香油啥的就好 辣炒花蛤 买蛤蜊，这次我买的是无沙的，如果有沙子的话，可以…
最近在用python处理一些大数据相关的工作，就无可避免的涉及到了pandas。迟早还是要学一下的，就在这里简单看一看。 pandas的核心数据结构： * DataFrame，二维表格，由Series组成。和关系表一样。行列组成，列是有相同的schema * Series：一维表格 在此之上提供了： * 数据对齐，用来做数据的合并和join * 数据清洗：做数据类型转化，异常值处理，处理缺失数据 * 可视化：与Matplotib等库无缝集成 * 性能：内部使用numpy，性能比较好 * 生态：与其他数据科学相关的库…