✨ feat: update 2024-03-17 section

blogs/2024/2024-03-17/index.md

@@ -11,11 +11,9 @@ tags: []
 
 ## 🌟 AI 相关
 
-[《AI程序员Devin卧底工作群修bug!和CTO聊技术，网友:顶级码农水平》](https://mp.weixin.qq.com/s/xdsN3puVxa0eSC9u0E6OeQ)。文章报告了首位AI程序员Devin的实战应用，其中Devin以实际开发者身份参与客户工作群修复bug并与CTO讨论技术问题。文章还介绍了Devin更多的实测结果如其实现自主编程、迭代观察数据和预测分析等能力。此外，讨论了开源社区对Devin的复刻版本开发，显示出AI软件工程师在现实世界中的应用潜力及其在开发领域的影响。
-
 [《首个AI软件工程师Devin完整技术报告出炉，还有人用GPT做出了「复刻版」》](https://mp.weixin.qq.com/s/2VTiWmu1zoWF3sfSLvuJ-w)。该文章介绍了机器之心报道的 Cognition AI 团队发布的首个 AI 软件工程师 Devin。Devin 在不需要人类辅助的情况下，在 SWE-bench 基础测试中解决了 13.86% 的问题，远高于目前 SOTA 模型的解决率。SWE-bench 是一个复杂的软件工程系统自动化基准测试，用以测试系统解决现实世界代码库中问题的能力。文章还展示了 Devin 在多步规划和定性案例分析中的表现，并说明了其运行方式和评估标准。同时，报告了社区已经产生了复刻版的 Devin，展示了 AI 在软件工程领域的先进能力和潜在的行业变革。
 
-[《解决大模型幻觉——RAG技术详解》](https://mp.weixin.qq.com/s/YhAzCwhcuFfGFP3WmIhu-g)。文章提出了检索增强生成（Retrieval Augmented Generation, RAG）技术来缓解大语言模型生成过程中的“幻觉”问题。幻觉是指模型生成的内容偶尔会与事实不符，因为它过于自信地基于不完整的训练信息生成看似合理的回答。RAG技术通过先检索相关信息再生成输出，增加了文本相关性和准确性。文章还详细介绍了RAG的核心部件，包括向量数据库、查询检索器、重新排序器和生成回答器等，以及RAG结合知识图谱和树结构数据的前沿应用。这种方法能有效提高大模型在复杂任务上的表现，尤其对于需要推理和对最新信息更新的场景。
+[《大模型基础应用框架(ReACT\SFT\RAG)技术创新及零售业务落地应用》](https://juejin.cn/post/7345690943076089856)。本篇文章由九数算法中台分享，探讨了在零售行业中融入大模型技术应用框架——ReACT、SFT（指令微调）、RAG（检索增强生成）的创新与实际应用。文章提出了这些大模型技术在解决特定领域知识不足、减少内容幻觉、确保数据安全等方面的挑战，并详述了如何通过有监督微调来提升大模型在零售领域的专业知识水平。同时，介绍了京东在多个业务试点应用自研的SFT框架和RAG技术，突显了大模型在零售业务中从理论到实践的转换，以及在多种复杂使用场景中的潜在价值。
 
 [《南洋理工发布多模态金融交易Agent，平均利润提高36%！》](https://mp.weixin.qq.com/s/QBORpQmZrumppLl81aWAxA)。本文介绍了南洋理工大学发布的多模态金融交易Agent，通过融合大语言模型（LLMs）和多模态数据处理，提高了金融交易的效益。传统基于规则的交易系统在适应市场波动方面存在不足，而基于强化学习的系统虽然适应性更好，但在处理多模态数据和可解释性方面仍面临挑战。该文中提出的FinAgent是一种先进的多模态基础代理，能够综合分析多种形式的金融数据，提供精确的市场趋势分析和决策支持。实验证明，使用FinAgent进行金融交易可以平均提高36%的利润。论文链接：[https://arxiv.org/pdf/2402.18485.pdf](https://arxiv.org/pdf/2402.18485.pdf)