超越基础：Agentic Chunking 如何彻底改变 RAG？

在检索增强生成（Retrieval-Augmented Generation, RAG）的浪潮中，我们正经历着一场信息检索与大型语言模型（LLM）融合的革命。RAG 系统的核心在于其能够根据外部知识库检索相关信息，并将其作为上下文提供给 LLM，从而生成更准确、更具事实性的回答。而这一过程中，「“分块（Chunking）”」——即将原始文档分割成更小、更易于管理的片段——扮演着至关重要的角色。

然而，当前主流的分块方法，无论是固定大小、递归分块、基于文档结构，甚至是最先进的语义分块，都或多或少存在局限性。它们多依赖于预设规则、结构启发式或简单的语义相似度来切分文本，往往难以完美捕获复杂文档的深层语境和用户查询的动态意图。

这正是 **Agentic Chunking（基于代理或 LLM 的智能分块）**登场并有望彻底改变 RAG 范式的舞台。

当前分块方法的局限性

让我们快速回顾一下现有方法的不足，以理解为何 Agentic Chunking 至关重要：

1. 「固定大小分块：」 最简单，但最粗暴。它几乎必然会在句中、段中截断上下文，导致信息碎片化，使 LLM 难以获得完整语境。
2. 「递归分块：」 通过多级分隔符尝试保留结构，有所改进。但本质上仍是基于规则，难以应对高度非结构化或语义跳跃的文本。
3. 「基于文档结构分块：」 依赖于清晰的文档结构（如标题、段落）。对于结构混乱或缺乏明显语义界限的文档则束手无策。
4. 「语义分块：」 基于嵌入向量的相似性来识别语义边界，是目前最先进的非 LLM 分块方法。它尝试将语义相关的句子组合在一起。然而，其效果高度依赖于嵌入模型的质量和阈值的选择，且对于多主题交织的复杂段落，仍可能面临挑战。它无法“理解”内容的内在逻辑和未来可能被查询的方式。

这些方法的共同局限在于，它们是「被动且静态的」。它们无法预判未来的查询，也无法像人类一样理解文档的深层含义，从而智能地决定“哪些信息应该被打包在一起以应对某种潜在的提问”。

Agentic Chunking 的核心思想

Agentic Chunking 的核心思想在于，它将文本分块的过程提升到了**“智能决策”「的层面。它不再仅仅是机械地切割文本，而是利用大型语言模型（LLM）的强大」理解、推理和生成能力**，来动态、有策略地划分信息单元。

可以将其想象成一个拥有阅读理解能力的“智能代理”：它在阅读文档时，会思考这份文档可能被如何提问，哪些信息是相互关联的，哪些概念是完整的。它甚至可以在分块的同时，为每个块生成一个高度精炼的摘要或元数据，以更好地代表该块的内容。

实现机制探索与代码示例

Agentic Chunking 的实现机制是多样的，且仍在快速发展中。以下是一些可能的探索方向及对应的概念代码示例：

1. 基于 LLM 的摘要与提取

这种方法利用 LLM 读取大段文本，然后指令其提取其中的关键概念、实体或生成精炼的摘要。每个摘要或概念簇可以成为一个“智能块”。

「示例场景：」 处理一份冗长的研究论文。传统分块可能切断关键发现。通过 LLM 提取，我们可以得到包含核心洞察的浓缩块。

from langchain.chains import create_extraction_chain
from langchain_openai import ChatOpenAI
from langchain.schema import Document
from typing import List, Dict

# 初始化你的 LLM 模型
# 实际应用中请替换为你的 OpenAI API Key 或其他 LLM 提供商
llm = ChatOpenAI(temperature=0, model="gpt-4o")

# 定义你希望从文本中提取的结构化信息模式。
# 这相当于定义你的“智能块”应该包含哪些语义元素。
chunk_schema = {
    "properties": {
        "main_finding": {"type": "string", "description": "本文段落的主要发现。"},
        "methodology_used": {"type": "string", "description": "本部分应用的关键方法。"},
        "key_entities": {"type": "array", "items": {"type": "string"}, "description": "文中提及的重要实体或概念。"},
        "summary_of_section": {"type": "string", "description": "本段落的简洁摘要。"}
    },
    "required": ["main_finding", "summary_of_section"], # 确保这些字段总是被提取
}

# 创建一个基于 LLM 的信息提取链
extraction_chain = create_extraction_chain(chunk_schema, llm)

long_research_text_section = """
本研究提出了一种名为“GraphFormer”的新型深度学习架构，用于...
我们的方法论涉及一个多阶段过程：首先，进行数据预处理，包括...
实验结果表明，GraphFormer 在...数据集上显著优于基线模型。
未来的工作将侧重于整合外部知识图谱并解决可扩展性问题...
"""

# Agentic Chunking 步骤：LLM 提取结构化信息以形成概念上的“块”
print("--- 1. 基于 LLM 的摘要与提取示例 ---")
extracted_chunk_data = extraction_chain.run(long_research_text_section)
print(f"提取的块数据: {extracted_chunk_data}")

# 这些 extracted_chunk_data（例如，一个字典列表）现在代表了你的“智能块”。
# 你可以对这些数据进行向量化（例如，向量化 'summary_of_section'），或将其作为带有元数据的块存储。

2. 指令工程 (Prompt Engineering) 引导分块

通过精心设计的提示词，引导 LLM 识别文本中的逻辑单元、主题切换点，并按指令输出这些单元。

「示例场景：」 一个公司内部的 Wiki 页面，混合了政策、会议记录和项目更新。一个巧妙的提示词可以指导 LLM 将不同类型的内容精确分离成独立的块。

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(temperature=0, model="gpt-4o")

# 提示词明确指示 LLM 如何根据内容类型进行分块
prompt = PromptTemplate(
    input_variables=["full_document_text"],
    template="""你是一个智能文档分块器。你的目标是根据内容类型，将提供的文档分割成逻辑部分。
    识别并提取以下类型的段落：
    - 政策 (例如，人力资源规则、安全指南)
    - 会议记录 (例如，讨论摘要、行动项)
    - 项目更新 (例如，进度报告、任务列表)

    对于每种段落类型，提供提取的文本。如果某种类型不存在，请注明。

    文档:
    {full_document_text}

    输出格式 (使用明确的分隔符):
    ---政策_开始---
    [提取的政策文本]
    ---政策_结束---

    ---会议记录_开始---
    [提取的会议记录文本]
    ---会议记录_结束---

    ---项目更新_开始---
    [提取的项目更新文本]
    ---项目更新_结束---
    """
)

chunking_chain = LLMChain(llm=llm, prompt=prompt)

# 包含混合内容的示例文档
mixed_document = """
## 公司安全政策更新
即日起，所有员工必须对内部系统使用 MFA。
如果违反，将面临纪律处分。
新政策将于下周一生效。

## 团队会议记录 - 2025年5月20日
参会人员：张三、李四、王五。
讨论：项目X状态、Q3 计划。
行动项：李四跟进客户反馈。
下次会议：下周三上午10点。

## Alpha 项目每周更新
当前状态：开发完成80%。
下一步：下周开始质检阶段。
风险：依赖外部供应商 API。
预计完成日期：2025年7月15日。
"""

print("\n--- 2. 指令工程引导分块示例 ---")
# Agentic Chunking: LLM 根据提示词指令解析并分块
response = chunking_chain.run(full_document_text=mixed_document)
print(response)

# 后续处理：你可以解析这些带分隔符的部分，将其转换为独立的块。

3. 多轮对话/代理协同决策

这是一种更复杂的策略，涉及多个 LLM 代理（或一个 LLM 模拟不同角色）之间的协作。例如，一个“分块代理”LLM 可能与一个“查询代理”LLM 进行模拟对话，预判用户可能提出的问题，并据此优化分块策略。

「示例场景：」 处理一份复杂的法律合同。一个“分块代理”可能会向一个“查询代理”（模拟律师或用户）提问：“律师可能会对这份合同的哪些方面感兴趣？”根据“查询代理”的反馈，分块代理会智能地将相关的法律条款（例如，终止条款、赔偿责任条款）组合在一起，即使它们在物理上可能相距甚远。

# 概念性代理协作分块工作流 (伪代码)

class ChunkingAgent:
    def __init__(self, llm):
        self.llm = llm

    def propose_initial_chunks(self, document_section: str) -> List[Dict]:
        """LLM 初步识别潜在的块边界和主题。"""
        # 提示词：识别文档中的主要逻辑部分及其主题
        prompt = f"Given this text, identify distinct logical sections and their main topics:\n{document_section}"
        response = self.llm.invoke(prompt).content
        # 假设 LLM 返回一个 JSON 字符串，包含多个 {text: "...", topic: "..."}
        # 实际解析会更复杂，这里简化
        return [{"text": section, "topic": "identified"} for section in response.split("\n\n")] # 简化为按段落分割

    def refine_chunks_based_on_queries(self, proposed_chunks: List[Dict], simulated_queries: List[str]) -> List[Dict]:
        """根据模拟查询，LLM 进一步优化块。"""
        refined_chunks = []
        for chunk_info in proposed_chunks:
            chunk_text = chunk_info["text"]
            # 询问 LLM：这个块对于这些类型的查询来说是否完整且有用？
            # 如果不完整，LLM 建议如何修改或与周围上下文合并。
            prompt = f"Considering typical queries like: {', '.join(simulated_queries)}\nIs the following text a complete and useful chunk? If not, suggest how to modify it or combine with surrounding context.\nText: {chunk_text}"
            refinement_response = self.llm.invoke(prompt).content
            # 实际应用中，这里会解析 LLM 的反馈，然后进行块的修改或合并操作
            refined_chunks.append({"text": refinement_response, "original_topic": chunk_info["topic"]}) # 简化处理
        return refined_chunks

class QuerySimulationAgent:
    def __init__(self, llm):
        self.llm = llm

    def generate_simulated_queries(self, document_context: str, num_queries: int = 5) -> List[str]:
        """LLM 生成用户可能提出的假设性问题。"""
        prompt = f"Generate {num_queries} diverse hypothetical questions a user might ask about the following document content, focusing on different aspects:\n{document_context}"
        response = self.llm.invoke(prompt).content
        # 假设 LLM 返回以换行符分隔的问题列表
        return [q.strip() for q in response.split('\n') if q.strip()]

# --- 主 Agentic 分块流程 ---
doc_text = """
法律合同：甲方（供应商）和乙方（客户）同意以下条款：
1. 服务范围：甲方将提供软件开发服务...
2. 支付条款：乙方应在服务完成后的30天内支付...
3. 终止条款：任一方可在提前90天书面通知后终止本协议...
4. 知识产权：所有开发成果的知识产权归甲方所有，但乙方享有永久使用权...
... (更多合同内容) ...
"""

chunking_agent = ChunkingAgent(llm)
query_agent = QuerySimulationAgent(llm)

# 步骤 1：查询代理模拟潜在查询
# 初始上下文可以是文档的开头或摘要，用于引导查询生成
sim_queries = query_agent.generate_simulated_queries(doc_text[:300]) # 模拟对合同开头部分的查询
print("\n--- 3. 代理协同决策示例 ---")
print(f"模拟生成的查询: {sim_queries}")

# 步骤 2：分块代理提出初步块
proposed_chunks = chunking_agent.propose_initial_chunks(doc_text)
print(f"初步建议的块 (简化): {[c['text'][:50] + '...' for c in proposed_chunks]}")

# 步骤 3：分块代理根据模拟查询优化块
final_chunks = chunking_agent.refine_chunks_based_on_queries(proposed_chunks, sim_queries)
print(f"最终优化后的块 (简化): {[c['text'][:50] + '...' for c in final_chunks]}")

# 这些 final_chunks 现在根据潜在的用户查询类型进行了优化。

4. 结构化输出与知识图谱结合

LLM 在分块的同时，直接将块内信息提取成结构化的格式（如 JSON），或用于构建局部知识图谱。这些结构化数据本身就是块，或者作为块的丰富元数据，极大地增强了检索的精确性。

「示例场景：」 一份产品规格文档。LLM 不仅分块文本，还直接提取出产品名称、特性、价格、兼容性等关键属性，并以 JSON 格式输出。这些结构化数据可以被直接用于过滤检索，或构建产品的知识图谱。

from langchain.chains.openai_functions import create_structured_output_chain
from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field
from typing import List, Optional

# 确保你的 LLM 支持函数调用 (例如，GPT-4o, GPT-4-0613, Gemini 1.5 Pro)
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 定义 Pydantic 模型，用于规范化 LLM 提取的结构化输出。
# 这相当于定义了你的“智能结构化块”的蓝图。
class ProductSpecChunk(BaseModel):
    product_name: str = Field(..., description="产品的名称。")
    model_number: Optional[str] = Field(None, description="产品的型号。")
    key_features: List[str] = Field(..., description="产品的主要特性列表。")
    price_usd: float = Field(..., description="产品在美国的美元价格。")
    compatibility: List[str] = Field(..., description="兼容的设备或系统列表。")
    description_summary: str = Field(..., description="产品描述的简要总结。")

# 创建一个链，它将信息提取到 Pydantic 模型中。
# 这就是你的“智能结构化分块器”。
structured_chunk_extractor = create_structured_output_chain(ProductSpecChunk, llm)

product_document_section = """
隆重推出全新“量子飞跃”智能手表，型号 QL-2025。
这款革命性设备配备 1.5 英寸 AMOLED 显示屏、24/7 心率监测、内置 GPS 和 5 ATM 防水功能。
售价为 299.99 美元，兼容 iOS (版本 15 及更高) 和 Android (版本 12 及更高) 智能手机。
其时尚的设计和超长续航电池使其成为您日常探险的完美伴侣。
"""

print("\n--- 4. 结构化输出与知识图谱结合示例 ---")
# Agentic Chunking: LLM 提取结构化数据
structured_chunk = structured_chunk_extractor.run(product_document_section)
print("提取的结构化块数据 (Pydantic 模型):")
print(structured_chunk.dict())

# 这个 structured_chunk（一个 Pydantic 对象，可转换为字典/JSON）
# 现在可以被直接存储、向量化（例如，向量化 'description_summary' 字段），
# 或用于构建知识图谱，其中其他字段作为过滤或增强检索的元数据。

Agentic Chunking 的潜力与优势

如果 Agentic Chunking 能够成功落地，它将带来以下颠覆性的变革：

1. 「显著提高检索相关性：」 智能分块能确保每个块都是一个逻辑上的完整单元，且高度聚焦于某个主题或概念，从而极大提升召回的相关性。
2. 「优化 LLM 上下文利用：」 块内信息更精炼、更相关，能更有效地利用 LLM 有限的上下文窗口，减少无关信息的干扰。
3. 「适应复杂和非结构化数据：」 能够处理传统方法难以应对的模糊、多主题或高度非结构化的文本，因为 LLM 能够理解这些文本的深层含义。
4. 「动态与个性化分块：」 理论上，Agentic Chunking 可以根据特定的查询类型、用户画像甚至历史交互记录，动态生成更适合当前情境的分块，实现真正的个性化检索。
5. 「减少幻觉和提高事实性：」 更精确的上下文信息意味着 LLM 获得的事实基础更牢固，从而减少“胡说八道”的可能性。
6. 「简化后续处理：」 高质量的智能分块可以为后续的向量嵌入、索引构建以及最终的 LLM 推理提供更优质的输入。

面临的挑战

尽管潜力巨大，Agentic Chunking 仍面临诸多挑战：

1. 「巨大的计算成本：」 每次分块都需要调用 LLM，其推理成本远高于简单的字符串操作或嵌入计算。大规模文档处理的效率将是瓶颈。
2. 「延迟问题：」 LLM 推理通常需要一定时间，这会增加分块过程的延迟，可能不适用于需要实时分块的场景。
3. 「LLM 的上下文窗口限制：」 即使是高级 LLM，其上下文窗口也有限。对于超长文档，Agentic Chunking 仍需采用递归或摘要的方式处理。
4. 「可解释性与控制性：」 LLM 的决策过程是“黑箱”的，难以完全理解它为何如此分块。这给调试和优化带来了挑战。
5. 「幻觉和错误传播：」 如果用于分块的 LLM 产生幻觉或理解错误，这些错误可能会传播到后续的检索和生成环节。
6. 「提示工程的复杂性：」 设计高效、鲁棒的提示词来引导 LLM 进行高质量分块本身就是一项复杂的任务。

案例设想与未来展望

设想一下，一个 Agentic Chunking 驱动的 RAG 系统：

• 「智能阅读报告：」 当你上传一份复杂的财务报告，系统不再是简单切分，而是能理解哪些数字和描述构成一个完整的财务指标解释，哪些段落是关于某个特定投资项目的分析。
• 「个性化学习助手：」 它能根据你的学习进度和提问习惯，动态调整教科书内容的分解方式，让你每次都能获得最适合当前学习阶段的知识片段。
• 「复杂法律文档分析：」 对于法律条款，Agentic Chunking 可以识别出相互引用的条款、相关的判例和适用条件，并将它们组合成逻辑单元，极大地辅助法律研究。

未来，Agentic Chunking 可能会与以下技术深度融合：

• 「多模态分块：」 不仅仅是文本，还能智能分块图像、音频、视频内容。
• 「强化学习：」 通过 RAG 系统的最终表现（如用户满意度、LLM 回答质量）来强化训练分块代理 LLM，使其分块策略不断优化。
• 「小模型部署：」 随着小型、高效 LLM 的发展，Agentic Chunking 的成本和延迟问题有望得到缓解。

结论

Agentic Chunking 代表了 RAG 分块策略的下一个前沿。它将分块从一个相对机械的预处理步骤，提升为一个由人工智能驱动的智能决策过程。尽管面临计算成本和复杂性的挑战，但其在提高检索相关性、优化上下文利用以及处理复杂非结构化数据方面的巨大潜力，预示着它将彻底改变我们构建和体验 RAG 系统的方式。

随着 LLM 技术和相关工程实践的不断成熟，Agentic Chunking 必将从概念走向现实，为我们带来更加智能、精准和高效的知识检索与生成体验。

• 构建基于 Dify Agent 和 Semantic Kernel 的智能运维系统：从告警到自动修复
  

• Semantic Kernel 与 LangChain 比较：探索智能决策与大语言模型的协同作用
  

• 构建企业级多智能体系统：AutoGen + Semantic Kernel 实践指南
  

• 用 CrewAI 构建团队 Agent 系统，角色协同完成 RAG 任务
  

• 张量的力量：PyTorch 中的 Tensor 操作秘籍
  

• AI Agent 工具盘点：AutoGPT、CrewAI、LangGraph、AgentVerse 谁更适合 DevOps？
  

• DeepSeek API 和 Dify)" data-itemshowtype="0" linktype="text" data-linktype="2">AI 驱动的运维 - 实体识别方法与提示词 (基于 DeepSeek API 和 Dify)
  

• 基于 LangChain 和 Confluence 构建 AI Agent
  

• 学习如何优化LLM训练：数据预处理与实战策略解析
  

• MCP Client with Python" data-itemshowtype="5" linktype="text" data-linktype="2">Building Langchain MCP Client with Python
  

• Manus - 面向 Java 开发者的开源通用智能体" data-itemshowtype="11" linktype="text" data-linktype="2">JManus - 面向 Java 开发者的开源通用智能体
  

• 基于AutoGen的多Agent系统架构设计与工程实践
  

• 从规则到Transformer：自然语言处理的演进与变革
  

• 深入理解哈达玛积：从零开始掌握深度学习中的关键操作
  

• MCP Server 实践之旅第 3 站：MCP 协议亲和性的技术内幕
  

• 来自分析师的洞察：一体化数据库成为 GenAI 时代的数据底座
  

• Spring AI Alibaba + Nacos 动态 MCP Server 代理方案
  

• 智领未来：Semantic Kernel 智能体框架如何重塑智能 DevOps 自动化
  

• Qwen2 开源全解读：部署、微调与工程实践
  

• 从零开始开发 MCP Server
  

• 顶会论文解读
  

• MCP Server 实践之旅第 1 站：MCP 协议解析与云上适配
  

• Semantic Kernel 与 LangChain 比较：探索智能决策与大语言模型的协同作用
  

• MCP 规范新版本特性全景解析与落地实践
  

• 小白也能看懂的 MCP 介绍
  

• 构建企业级多智能体系统：AutoGen + Semantic Kernel 实践指南
  

• 利用自一致性策略与多路径推理，打造下一代 AI 驱动的智能 SRE 系统
  

• 深入学习 BERT论文
  

• GGUF 深度学习与应用：本地运行 AI 模型的新标准
  

• LangGraph Agents
  

• RAG实践：探索如何在Colab 上构建 RAG 模型：结合 LlamaIndex 与 HuggingFace
  

• Open-Source-AI-Stack
  

• 如何用 Jenkins、OpenAI 和 Conda 打造高效的自动化开发环境？
  

• RAG 调优指南：Spring AI Alibaba 模块化 RAG 原理与使用
  

• 新手村教程！用Pandas玩转机器学习中的线性代数

• 小白也能懂！用Pandas学线性代数核心概念

• FlashMLA开源推理框架解析：专为LLM优化的高性能引擎

• NVIDIA Hopper架构解析：重新定义AI与超算的硬件基石

• 深入掌握 Pandas 的 iloc 方法：基于位置的精准数据索引

• 基于 PyTorch 和 DeepSeek R1 训练智能告警预测模型

• 使用 pd.get_dummies 进行独热编码：从入门到实践
  

• 人工智能|VLLM：解锁大模型推理的终极神器，效率提升10倍！
  

• 人工智能|VLLM 技术解析：大模型推理性能优化的工程实践
  

• 巧用通义灵码，提升前端研发效率
  

• 保姆级教程！DeepSeek+Chatbox 10分钟教会你实现AI客户端应用和智能助手
  

• 人工智能|梯度校验与高级优化
  

• 人工智能|机器学习：解锁智能时代的密码
  

• 人工智能|反向传播算法
  

• 人工智能|模型蒸馏

• 人工智能 |春节入门学习神经网络的基础知识

• 学习笔记：向量、向量数据库与强化学习

• 人工智能：提示词实践在运维（SRE/DevOps）领域的应用
  

• 提示词生成工具与框架：帮助你提升AI应用的效率与质量

• 从人工到自动化到AIOps再到ChatOps：大模型在运维领域的应用

• 人工智能｜数据挖掘学习总结：关联分析与Apriori算法

• 《月狐报告 | AI 产业全景洞察报告 2025》学习

• 人工智能｜学习笔记：从余弦到向量数据库

• 如何利用AI进行“微调”提升模型表现？从三年级数学到各类应用场景的实践
  

• 人工智能|春节阅读DeepSeek-R1 发布，性能对标 OpenAI o1 正式版
  

• 打造AI之核心：特征工程的艺术与技巧
  

• 人工智能｜OpenCV-Python
  

• 人工智能｜视频识别
  

• 人工智能｜chatGPT原理理解01
  

• 人工智能｜Training large language models on Amazon SageMaker
  

• 人工智能｜What is LSTM?
  

• 人工智能｜数学基础｜回归分析理论
  

• 《深度学习入门二》人工“碳”索意犹尽，智能“硅”来未可知
  

• 人工智能:深度学习入门一
  

• 机器学习｜简单线性回归
  

• 机器学习｜Generative AI
  

• 机器学习｜cost function 学习
  

• 机器学习｜学习率
  

• 机器学习｜房价预测案例学习｜sklearn.linear_model LinearRegression
  

• 机器学习｜数学基础矩阵，逆矩阵，向量空间，线性变换
  

• 机器学习｜数学基础之概率统计基础
  

• 机器学习｜相关数学基础理论
  

• 机器学习｜聚类分析
  

• 机器学习｜从Prometheus数据中学习
  

• 机器学习｜深度学习认识
  

• 机器学习一些概念理解
  

• 机器学习｜系统搭建的流程
  

• 机器学习概述学习
  

• 机器学习｜XGBoost算法解析
  

• 机器学习：贝叶斯定理学习
  

• 机器学习决策树的分裂到底是什么？这篇文章讲明白了！
  

• 机器学习从统计学习开始
  

• 机器学习的两次浪潮

• 人工智能：提示词实践在运维（SRE/DevOps）领域的应用

• 智能化转型：提高业务效率的人工智能代理类型

• 探索未来科技：计算机科学、人工智能、微电子学与自动化控制的交叉与融合

• 拥抱人工智能驱动的产业智能革命：从IT硬件到数据核心资产的演变

• 感知器：人工智能发展的里程碑

• 人工智能｜人工智能领域知名的论文

• 人工智能｜从GPU到PyTorch 训练入门

• 人工智能｜打造你自己的ChatGPT：从数据到部署的完整指南

• 人工智能，github有哪些开源的知名的人工智能项目

• 人工智能，开源的大模型有哪些

• 人工智能，体验 TensorRT 加速 Stable Diffusion 图像创作