科技信息
-
西部数码网站管理助手
当前版本：V4.301 (2020-7-21升级版) 运行平台：Win2003(32位)、Win2008/Win2012/win2016/win2019(64位) 适用范围：拥有云主机同时又缺乏管理技术的站长、拥有多个网站的服务器管理员 软件性质：共享软件，未注册前能管理2个网站; 注册版不限网站个数：1800元/ip/年,使用西部数码云主机/VPS免费赠送该软件
-
检索增强生成RAG 的科学解释
RAG 的科学解释(Retrieval-Augmented Generation) RAG(检索增强生成)是一种将信息检索(Retrieval)与生成式模型(Generation)结合的混合式架构。 其核心思想是： 在大型语言模型生成答案之前，先从外部知识库中检索与问题相关的文档，把这些真实文档作为上下文输入，再由模型进行生成。 因此，RAG 的输出 = 模型自身知识 +
-
LLM 是什么，与RAG的关系
一、LLM 的科学解释 LLM(Large Language Model，大型语言模型)是一类基于深度学习 Transformer 架构的超大规模参数模型，通过在海量语料上训练，学习语言的统计结构，从而具备自然语言理解与生成能力。 其核心科学特征包括： 超大参数规模 通常拥有 数十亿—万亿级参数，通过这些参数存储语言模式和世界知识。 基于 Transformer 依赖
-
大语言模型LLM 的发展历程
一、LLM 的发展历程(按时代划分) 阶段 1：统计语言模型时代(1990s–2017) 这是 LLM 的“石器时代”，AI 不懂真正的语言，只能做数学统计。 代表模型 n-gram 语言模型(Google、IBM 等) Word2Vec(2013，Google) GloVe(2014，Stanford) RNN / LSTM / GRU
-
AI时代，GEO的探索、痛点和方法
随着ChatGPT等生成式AI工具的崛起，用户获取信息的入口正在发生颠覆性变革。一个全新的战场—生成式引擎优化(GEO)，已然成为所有希望在AI时代保持品牌竞争力的企业必须面对的核心议题。 《AI 透镜研究》系列，是一枚多层镀膜的认知镜头，对准飞速演化的人工智能现场：探究融资背后的产品真实价值、追踪调研AI公司的组织创新变革、记录和放大人与AI的协作实践。从新的镜头看见 AI 细节与趋势
-
大模型背后的“新搜索”生意，水有多深
“我们做了这么多品牌相关的内容，怎么才能在大模型的回答中被展示出来?” 近期，这个问题成为很多企业老板给营销部门定下的KPI，也就是“怎么做GEO”。 十多年前，老板们曾最关心的是“怎么做SEO”。这个微妙的变化，折射出一个现象：搜索引擎的“权力中心”正逐步从传统的网页索引向生成式AI模型迁移。 Similarweb显示， 2025 年 7 月chatgpt . com 的月访问量约 57
-
传统搜索、AI搜索、以及GEO
在当下所有通用AI对话产品的界面上，”联网搜索”已成为标配功能。 这个看似简单的按钮背后，隐藏着大模型连接现实世界的密钥——没有实时信息获取能力，再强大的AI模型也只能是知识停留在训练截止日的”数字化石”。 鲜为人知的是，目前国内超过60%的AI应用，包括DeepSeek的C端应用，联网搜索能力是通过集成博查AI的Search API实现的。 大模型需要通过这类API
