1、LoRA 微调的原理LoRA 的核心思想是不直接更新预训练模型里的原始大权重，而是在某些线性层旁边增加一个低秩更新分支，用低秩矩阵去近似权重增量。假设原始权重是 W∈Rd×k，全量微调时直接学习ΔW，LoRA 则把它写成：ΔW=BA其中A∈Rr×k，B∈Rd×r ,，(r) 是远小于 (d) 和 (k) 的秩。这样前向计算就变成：h=Wx+ΔWx=Wx+BAx实际里通常还会加缩放项：这样做的本质是认为很多下游任务对大模型权重的更新其实存在低秩结构，不需要真的去学习一个完整的大矩阵。LoRA 的优点是可训练参数少、显存占用低、训练快，而且原模型参数冻结，方便多任务切换和权重管理。2、LoRA...

是我写的代码太烂了吗

1、自我介绍2、项目介绍3、Agent 的核心组成是什么LLM Agent 本质上不是单独一个大模型，而是由模型、提示策略、工具、知识、记忆和执行接口组成的系统。可以概括成：[Agent = LLM + Prompt + Tools + Knowledge + Memory + Interface]其中 LLM 负责理解和生成，Prompt 决定任务边界和行为方式，Tools 负责访问外部能力，比如检索、地图、计算、数据库和 API，Knowledge 负责补充外部知识，Memory 负责保留短期上下文和长期用户信息，Interface 则负责把 Agent 和外部系统连起来。如果任务比较简单...