Michel Johnson's Blog

引言：当我们召唤出“神明”，如何给它套上缰绳？

在过去的两年里，大语言模型（LLM）如 ChatGPT、Claude、GLM等以前所未有的速度重塑了软件开发的范式。然而，许多开发者在初次接触 LLM 时，往往将其视作一个“黑盒”或者“高级搜索引擎”——只是简单地输入一段话，然后期望模型返回完美的结果。

引言

引言：跨越 AI 应用的“死亡之谷”

引言

自从 ChatGPT 横空出世，大语言模型（LLM）便以摧枯拉朽之势重塑了整个科技界。然而，动辄百亿、千亿级别的参数量，也让“算力”成为了阻挡无数开发者和企业的一座大山。

在自然语言处理（NLP）的浩瀚星空中，有一颗星辰始终璀璨夺目，那就是命名实体识别（Named Entity Recognition, 简称 NER）。作为信息抽取、知识图谱构建、机器翻译和智能问答等高级NLP任务的基石，NER 的目标非常明确：从非结构化的文本中识别出具有特定意义的实体，并对其进行分类（如人名、地名、机构名、时间表达式等）。

引言：大模型时代的“内存墙”与“算力墙”

随着 ChatGPT 的爆火，大语言模型（LLM）已经从实验室走向了生产环境。如今，几乎每一家 SaaS 企业、电商平台甚至个人开发者，都在思考同一个问题：“我该如何拥有一个属于自己的、具备特定业务知识的 AI 聊天机器人？”

引言