本文深入探讨了为RAG（检索增强生成）系统添加引文编号（citation）的多种方法，旨在提高AI回答的可信度和可追溯性。文章介绍了四种主要方法：直接Prompt、Langchain的四种官方方法、以及创新的后挂载技术。重点分析了后挂载方法的实现原理和代码示例，展示了如何在不干扰AI生成过程的情况下，为回答添加准确的引用。

提示技术提升大语言模型性能，包括零样本提示、少样本提示和指令提示。零样本提示无需示例，直接描述任务；少样本提示通过提供示例提高模型性能；指令提示直接表达期望输出，适用于具备指令遵循能力的模型。关键在于选择适合的提示技术，确保描述清晰，减少偏见，提高指令遵循能力。

这篇文章详细介绍了大语言模型（LLM）的提示工程策略，强调了建立可靠的评估方法、从简单的提示开始、逐步增加复杂性以及清晰具体地描述期望输出的重要性。文章还探讨了提示组件的结合，如输入数据、示例、指令、指示器和上下文信息，并分析了这些组件如何帮助模型处理复杂问题。

本文展示了基于Langchain框架，利用LLM对无参考文本的摘要生成质量进行评估的关键步骤。

基于LangChain最新LCEL特性，采用Map Reduce方式进行长文本摘要

本文介绍了vLLM分布式多GPU Docker部署的踩坑经历。在部署过程中遇到了Docker里面的ray客户端不能找到直接安装在宿主机上的ray cluster，以及ray节点需要保持ray版本严格一致等问题。经过探索，找到了一种可行的方案，即不同node之间采用原有跑vLLM的Docker环境，基于Docker里面的ray，连接各节点，组成cluster，再在主节点（head节点）上，运行大模型API启动命令。

本文介绍了使用vllm推理框架和Docker技术在NVIDIA CUDA环境中部署阿里味的Qwen-7B-Chat大模型的详细步骤。文章详细描述了从编写Dockerfile到配置Web UI的全过程。此外，还展示了如何使用gradio创建一个简洁有效的Web界面，并说明了如何通过Docker命令行启动和运行模型。

在使用 Docker 和 VLLM 部署大型模型时，我们可能会遇到 GPU 选择问题。本文分享了一个常见误区：使用 docker run --gpus 4 并不是选择编号为 4 的 GPU，而是选择前 4 个 GPU。要选择特定编号的 GPU，应使用如 docker run --gpus '"device=4"' 的命令格式。此外，还提供了 -gpus 参数的常见用法参考，帮助开发者更准确地部署模型。此经验旨在帮助开发者避免相同的陷阱，确保部署过程顺利。

spacy-llm 是一个强大的库，旨在将大型语言模型（LLMs，如GPT-3、GPT-4）集成到spaCy的NLP管道中。其主要特性包括模块化的任务和模型定义、对多种托管和自托管模型的支持，以及与其他spaCy组件的无缝集成。

本文为“一步步手撸Transformer”系列的第二篇，重点讲解了“多头注意力（Multi-Head Attention）”机制。多头注意力是自注意力（Self-Attention）的一个扩展，首次在2017年由Vaswani等人在"Attention Is All You Need"论文中提出。在Transformer模型中，注意力机制主要在三个地方使用：编码器的自注意力、解码器的自注意力以及解码器中的编码器-解码器注意力。该文详细解释了注意力层的输入（Query, Key, Value）及其计算公式。同时，文章也解答了关于多头注意力的三个常见疑问：1. 参数$d_k$的计算和其意义；2. 为何在解码器中要使用掩码；3. Q、K、V这三个术语的来源和意义。最后，还给出了多头注意力的代码实现和相关的参考资料链接。