今天是2025年5月24日，星期六，北京，晴
我们继续来看有趣的点，可视化总结是有个很好的点，看大模型微调与训练-8张图、RAG、GraphRAG及AgenticRAG-7张图、Agent、MCP及Functioncall-9张图，一共24张。可供较好参考，也可以作为一个很好的验证标准，假设我们能够对着这些图，能在脑海或者讲述出其中的逻辑、细节、坑点，那么就说明，我们对此是有人值得，是很棒的。
抓住根本问题，做根因，专题化，体系化，会有更多深度思考。大家一起加油。
一、大模型微调与训练-8张图
1、Transformer vs. Mixture of Experts in LLMs
2、Transfer Learning, Fine-tuning, Multitask Learning and Federated Learning
3、5 LLM Fine-tuning Techniques
4、KV Caching in LLMs
5、4 Strategies for Multi-GPU Training
6、LoRA Finetune
7、Prompting vs. RAG vs. Fine-tuning
8、Generate Synthetic Datasets with Llama3
二、RAG、GraphRAG及AgenticRAG-7张图
1、RAG vs Graph RAG
2、RAG vs Agentic RAG
3、Traditional RAG vs. HyDE
4、5 Chunking Strategies For RAG
5、RAG over audio files
6、agentic-rag-workflow-qwen3
7、Corrective RAG Agentic Workflow
三、Agent、MCP及Functioncall-9张图
1、mcp
2、zep-memory-visual
3、Function calling & MCP for LLMs
4、Agent2Agent (A2A) Protocol
5、MCP-powered Agentic RAG
6、5 Levels of Agentic AI Systems
7、5 Agentic AI design patterns
8、ReAct (Reasoning and Action) Agents
9、Building a Multi-agent Financial Analyst
参考文献
1、https://www.dailydoseofds.com/，本文的图片都在于此，特此注释，总结的很棒。
（文：老刘说NLP）