估计阅读时长: 8 分钟 https://github.com/xieguigang/LLMs 已知，现在我们可以成功的和正在运行的大语言模型服务勾搭了，现在能够让大语言模型为我们做些什么。很遗憾的是，由于大语言模型本质上只是一个数学模型，其作用只是针对我们的输入找出最佳的字符输出组合。如果我们没有额外的针对大语言模型进行拓展，我们所勾搭上的大语言模型充其量也只是一个聊天机器人，他既不能帮我们发送email，也不能够帮助我们调节屋内的灯光，只能够做到分析我们输入的文本，然后输出一段最佳的文本。所以我们需要通过针对大语言模型添加额外的拓展来帮助我们实现各种功能。 又已知，大语言模型的本质就是进行文本的结构化分析，那么假如我们的输入信息中包含有某些工具函数的描述信息，而且大语言模型能够正确的分析出我们的输入文本和输入信息中所包含的工具函数之间的对应关系，那么大语言模型的输出就可以专门定向的变换为一种针对输入信息所对应的函数调用的结构化文本信息输出。当运行大语言模型的基础服务捕捉到这种结构化文本(例如json)输出后就可以通过这种结构化文本信息的内容解析结果来调用对应的外部工具，这样子我们就可以让大语言模型来帮助我们完成特定的任务了。这种特性就是大语言模型的Function Calling功能。
估计阅读时长: 10 分钟 https://github.com/xieguigang/LLMs 大语言模型从2023年开始，在最近几年非常的火爆。在最近的一段时间，有大语言模型自动化处理数据的需求，开发了一个基于Ollama服务的客户端来通过大语言模型执行自动化任务。在这里记录下这个开发过程。 Ollama介绍 Ollama 是一个开源的大型语言模型（LLM）服务工具，专注于简化本地环境中大模型的部署与管理。它通过类似 Docker 的框架设计，让用户能以极低门槛在个人电脑或服务器上运行各类开源模型（如 Llama 3、Mistral、DeepSeek 等），实现数据隐私与离线推理的平衡。 Order by Date Name Attachments […]
Hello blogger, thank you for sharing this post! We process a large number of metagenomic samples, and every time we…
谢博，您好。阅读了您的博客文章非常受启发！这个基于k-mer数据库的过滤框架，其核心是一个“污染源数据库”和一个“基于覆盖度的决策引擎”。这意味着它的应用远不止于去除宿主reads。 我们可以轻松地将它扩展到其他场景： 例如去除PhiX测序对照：建一个PhiX的k-mer库，可以快速剔除Illumina测序中常见的对照序列。 例如去除常见实验室污染物：比如大肠杆菌、酵母等，建一个联合的污染物k-mer库，可以有效提升样本的纯净度。 例如还可以靶向序列富集：反过来想，如果我们建立一个目标物种（比如某种病原体）的k-mer库，然后用这个算法去“保留”而不是“去除”匹配的reads，这不就实现了一个超快速的靶向序列富集工具吗？ 这中基于kmer算法的通用性和扩展性可能会是它的亮点之一。感谢博主提供了这样一个优秀的思想原型
It’s laborious to find knowledgeable people on this topic, however you sound like you realize what you’re speaking about! Thanks
WOW, display an image on a char only console this is really cool, I like this post because so much…
确实少有, 这么高质量的内容。谢谢作者。;-) 我很乐意阅读 你的这个技术博客网站。关于旅行者上的金唱片对外星朋友的美好愿望，和那个时代科技条件限制下人们做出的努力，激励人心。