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 […]
Hi, appreciate the effort put into this. It's always good to see quality content. 🥳
WOOOOOW This was incredibly helpful and easy to understand. I've learned a lot. many thanks to your idea sharing.
[…] 在前面写了一篇文章来介绍我们可以如何通过KEGG的BHR评分来注释直系同源。在KEGG数据库的同源注释算法中，BHR的核心思想是“双向最佳命中”。它比简单的单向BLAST搜索（例如，只看你的基因A在数据库里的最佳匹配是基因B）更为严格和可靠。在基因注释中，这种方法可以有效减少因基因家族扩张、结构域保守等原因导致的假阳性注释，从而更准确地识别直系同源基因，而直系同源基因通常具有相同的功能。在今天重新翻看了下KAAS的帮助文档之后，发现KAAS系统中更新了下面的Assignment score计算公式： […]
不常看到, 没有多余矫饰的表达。敬意。
[…] 在前面写了一篇文章来介绍我们可以如何通过KEGG的BHR评分来注释直系同源。在今天重新翻看了下KAAS的帮助文档之后，发现KAAS系统中更新了下面的Assignment score计算公式： […]