开源模型未必更先进，但会更长久 30 | 大模型撞上“算力墙”，超级应用的探寻之路 36 | AI 的三岔路口：专业模型和个人模型 40 | 2024 年 AI 编程技术与工具发展综述 45 | RAG 的 2024：随需而变，从狂热到理性 51 | 大模型训练中的开源数据和算法：机遇及挑战 57 | 2024 年 AI 编程工具的进化 62 | AI 开发者中间件工具生态 2024 年总结 开发技术栈作为切入点，将深入探讨以下中国 AI 大模型领域的代表性开源项目社区。 这些开源项目社区覆盖了深度学习框架、向量数据库、AI辅 助编程、LLM 应用开发框架、模型微调、推理优化、LLM Agent，以及检索增强生成（RAG）等多个关键技术栈。 为了更全面客观地展示中国大模型 LLM 开发技术栈的开源 社区生态，我们使用了 对开源社区的生态评 估体系，希望通过这些数据洞察中国开源开发者在 AI 技术 领域的活跃度、生产力和创新能力。 无法持续更新的知识库，可以通过 RAG（Retrieval Augmented Generation，检索增强 生成）来解决。 RAG 的出现，让各界越来越深刻地认识到，大模型没必要存储那么多知识，只需要如何使 用搜索引擎这个外部工具即可。大模型可以在搜索结果上做进一步的信息筛选和优化，而搜索引 擎弥补了大模型的知识缺陷，实现了 1+1>=2 的效果。 RAG 可以被理解为智能体的最简单形

基础模型（V3）：通用模型（2024.12），高效便捷，适用于绝大多数任务，“ ”任务 • 深度思考（R1）：推理模型，复杂推理和深度分析任务，如数理逻辑推理和编程代码，“ ”任务 • 联网搜索：RAG（检索增强生成），知识库更新至 DeepSeek 两种模型对比 操作规范清晰 且对结果有明确要求 操作路径多元、开放， 且对结果没有明确要求 DeepSeek 两种模型对比（5R） 维度

能⼒也会显著下降，⼤量任务都⽆法胜任，就像未发育完全的蝌蚪。

其次，你可以让模型「问哪⼉看哪⼉」，就像只能在特定花蕊上采蜜的蜜蜂，⽆法关注到整体信息。 这通常是通过对上下⽂的降采样或者
RAG（检索增强⽣成）⽅法来实现的，让模型只关注和问题直接 相关的部分，减少计算量。但如此⼀来，模型就⽆法回答那些需要基于全⽂理解来回答的问题（例如 从
50
个简历中对候选⼈的画像进⾏归纳和总结），能⼒⼤打折扣。
⼒机制。模型⽆法对全⽂进⾏完整理解，⽆法处理跨⽂档的⽐较和⻓⽂本的综合理解（例如，⽆法从 ⼀篇
10
万字的⽤⼾访谈录⾳转写中提取最有价值的
10
个观点）。
“蜜蜂”模型，特点是只关注局部，忽略整体。通过对上下⽂的降采样或者RAG（检索增强的⽣ 成），只保留对部分输⼊的注意⼒机制。模型同样⽆法对全⽂进⾏完整理解（例如，⽆法从50个简历 中对候选⼈的画像进⾏归纳和总结）。 “蝌蚪”模型，特点是模型能⼒尚未发育完整。通过减

关键基础之一：知识库打造 知识库打造是DeepSeek更懂企业的基础 知识自动汇集，不流失 多模态数据处理和理解 非结构化文档处理和理解 搜索，辅助内部办公和外部客户服务 为业务大模型RAG做准备 内部知识管理 • 把企业内部的碎片化知识， 把专 家头脑中的经验转化为显性知识 管理起来， 如员工邮件、 文档文 件、 聊天记录、 工作记录等 工作流知识管理 1 外部情报分析 •

working on a retrieval augmented generation system, you should also capture the specific aspects of the RAG system that impact what content was inserted into the prompt, including the query, chunk settings

OpenHarmony 官方原生框架 ArkUI 之上扩展 的。 极速版 IDE 框架 CodeBlitz 开源！ NebulaGraph 出席 DockerCon 2023 借助Graph + RAG的契机， NebulaGraph 在国际性技 术会议 DockerCon 同世界 的技术爱好者们分享了图 数据库同 LLM 结合之道。 34 / 87 1 1 Unity 引擎中国版“团结引擎”正式发布