欢迎来到GoranTan的个人博客，这里记录着我的学习和生活经历！

大模型训练与微调：技术流程详解

大模型的训练与微调是由数据工程、模型计算、优化策略、工程部署构成的标准化技术链路。本文将围绕数据准备→模型训练→模型微调→评估部署四大工业流程，拆解各环节的核心技术细节、参数选择与主流方案，为技术落地提供可参考的实施路径。

hugo自动化部署流程

一、问题描述

当你配置好hugo可以在本地看到自己的博客网站了。

分享一个Dify的实操案例，用 Dify+Xinference 打造法律智能助手，在法律领域，传统法律大模型要么功能单一、要么易产生 “幻觉”，而通用大模型又缺乏专业深度。今天分享一个零代码 / 低代码方案 —— 用 Dify+Xinference 快速搭建法律智能助手，既解决专业精准性问题，又能实现全流程法律服务，适合开发者、法律从业者快速落地。

一、为什么选择 Dify+Xinference 组合？

传统法律工具如 LawGPT 仅聚焦问答与法规检索，无法提供全流程解决方案；通用大模型如 DeepSeek 虽推理强，但法律专业度不足，易编造法条。而 Dify+Xinference 的组合恰好弥补这些短板：Dify 作为开源的 LLMOps 平台，支持零代码流程编排、知识库管理和前端部署，无需复杂编码就能搭建应用；Xinference 则专注大模型推理部署，能高效对接 Qwen、ChatGLM 等模型，还支持多模态推理，两者协同让法律 AI 助手的开发和部署更丝滑。此外，这套组合支持私有化部署，满足法律数据的合规安全需求，同时兼容 RAG 技术，能有效解决大模型 “幻觉” 问题。