- 博客(49)
- 收藏
- 关注
原创 完整版:对话 Agent 全链路架构详解:从 RAG 召回、Prompt 构建到 ReAct 交互落地指南
对话 Agent 的能力由三大支柱共同支撑:RAG 提供外部知识记忆,动态 Prompt 实现上下文整合,ReAct 负责复杂任务拆解与工具执行。落地时建议先跑通 RAG 纯问答,再逐步叠加 ReAct 工具能力,通过分层架构保证可扩展性,通过持续评测迭代优化效果。
2026-08-24 10:47:39
336
原创 完整版:ReAct Agent 从入门到落地:原理、架构、代码实现与评测全指南
ReAct 是 AI 从「聊天机器人」进化为「智能执行者」的核心技术,它通过「思考 - 行动 - 观察」的闭环,让 AI 具备了调用工具、解决复杂任务的能力。从实现上,古法手搓版适合理解原理,现代 Function Call 版适合生产落地。落地时建议从少量工具、单一场景切入,先跑通核心循环,再通过评测持续优化 Prompt、工具设计和参数,逐步扩展能力边界。
2026-08-20 11:42:03
338
原创 从零搭建企业级对话 Agent:原理、架构、代码与落地全指南
对话 Agent 是投入产出比极高的企业 AI 落地项目,一套架构可支持业务支持、运维排障、工单处理等多个场景,核心通过 RAG 技术实现私有知识的智能问答。落地时建议从单一场景切入,先跑通最小可用版本,再通过评测持续优化参数与知识库,逐步推广到全团队。
2026-08-12 09:18:35
317
原创 RAG 架构设计——从文档入库到可评测问答的完整流程
一个完整的 RAG 系统,不只是六个简单步骤。更准确的架构是:离线阶段:采集 → 解析 → 清洗 → 切块 → 向量化 → 存储 → 索引在线阶段:问题理解 → 权限过滤 → 混合召回 → 重排 → 上下文组装 → 生成 → 引用检查维护阶段:增量更新 → 效果评测 → 运行监控 → 失败分析 → 持续优化RAG 的本质确实可以理解为“让大模型开卷考试”。但要让它答对,还必须保证:参考书是最新的;检索能找到正确章节;用户有权限查看;模型只能根据资料回答;
2026-08-06 15:56:50
408
原创 搭建 AI 知识库前,先完成这 7 步需求分析
搭建 AI 知识库的第一步,不是选择模型或者向量数据库,而是回答下面几个问题:谁会使用?解决什么问题?答案来自哪里?哪些内容不能回答?怎样判断答案正确?资料由谁维护?上线后创造什么价值?先完成场景、资料、权限和评测设计,再进入切块、向量化和数据库选型,知识库才更可能从“可以演示”变成“真正有人使用”。
2026-08-05 14:12:02
305
原创 Harness 工程是什么?从概念到搭建一个可控的 AI Agent
任务:为用户模块增加邮箱格式校验。要求:1. 只修改用户模块相关代码。2. 邮箱为空时返回明确错误。3. 邮箱格式错误时返回明确错误。4. 增加至少两个测试用例。5. 不改变已有接口返回结构。6. 完成后运行项目测试和代码检查。任务越具体,Agent 越不容易跑偏。不要只写:“优化一下用户模块。应该写清楚:改什么;不改什么;成功标准是什么;如何验收。Prompt Engineering 解决的是“怎么把任务讲清楚”。
2026-08-03 14:35:04
331
原创 什么是向量数据库?从原理、选型到 RAG 实战
不要只看官方发布的性能数字。向量维度;数据规模;元数据过滤条件;查询并发量;top-k;目标召回率。进行实际测试后再做决定。向量数据库的核心能力,是在大量高维向量中进行相似度检索,并结合元数据过滤;普通数据库可以存向量,部分传统数据系统也已经支持向量检索,是否另建系统取决于规模和需求;HNSW 等 ANN 索引通过近似搜索降低查询延迟,但效果和速度必须使用真实数据验证;在 RAG 中,向量数据库只是检索环节,Embedding、切块、混合检索、重排和权限控制同样重要。
2026-07-29 15:37:11
408
原创 分享裂变得Token免费薅所有热门模型
AI Ping平台提供一站式免费体验热门大模型服务,用户注册即赠算力金,可用于调用智谱AI GLM-5.1和DeepSeek-V4等国产旗舰模型。通过分享邀请链接实现算力金裂变增长,永久免费使用。平台支持OpenAI兼容API,提供详细调用指南,并展示在OpenCode和Cursor中的配置方法,帮助开发者快速接入。GLM-5.1擅长复杂推理与长文本处理,DeepSeek-V4则以高效响应和代码生成见长,满足不同场景需求。
2026-06-11 21:19:58
567
1
原创 解锁大模型私有数据能力:RAG检索增强生成全解析
RAG(检索增强生成)技术通过“检索+增强”的方式,解决大模型在企业私有数据应用中的核心痛点——知识过时、数据未知和实时滞后问题。其核心逻辑是让大模型“查字典”而非“背字典”,通过离线建库(数据加载、语义切块、向量化存储)和在线检索(问题向量化、语义搜索、增强生成)两阶段,精准调用私有数据生成回答。相比传统关键词搜索,RAG的语义搜索能力能理解深层含义,适配企业多样表述场景。与Agent结合后,RAG成为智能助手的核心工具,但落地时需应对召回率低、幻觉问题等挑战,优化方案包括调整切块粒度、强化Pro
2026-06-11 19:34:07
342
1
原创 从Function Calling到Skills:AI工具化的三次进化,2026年必懂的核心范式
AI工具化经历了三次关键进化:Function Calling让大模型首次具备调用外部工具能力,但存在适配混乱问题;MCP通过标准化协议实现工具"即插即用";Skills则将AI工作流程沉淀为可复用的标准化资产,解决了重复指令问题。这三级跳推动AI从实验室走向企业级应用,其中Skills通过结构化配置(触发条件、工具依赖、执行流程)实现业务场景的工程化管理,成为2026年AI落地的核心技术范式。
2026-06-07 19:14:04
465
原创 MCP:重塑AI工具调用的统一标准,告别重复造轮子的时代
MCP是Anthropic 2024年11月推出的AI工具通信标准,解决Agent开发中工具集成重复造轮子的痛点。无MCP时,N个工具适配M个模型需编写N×M套集成代码,且代码难以复用;MCP将其简化为N+M模式,拆分工具开发与使用:工具开发者实现MCP Server,AI开发者接入MCP Client即可调用所有适配工具。MCP含Host、Client、Server三大角色,可暴露三类能力,与Function Calling互补,大幅降低开发成本,构建可复用的工具生态。
2026-06-06 18:55:16
341
原创 解密Function Calling:AI Agent工具调用的标准化核心
Function Calling是大模型与Agent间的标准化工具调用协议,核心解决大模型做出调用工具决策后精准传递指令的问题。此前依赖自然语言描述工具,大模型回复格式混乱,开发者需编写大量解析代码。它通过工具定义、AI调用格式、工具返回结果三部分固定JSON结构,规范Agent执行循环中的信息交换。Tool是能力实体,解决“有什么”的问题;Function Calling是调用机制,解决“怎么传”的问题。该模式大幅降低参数错误率与开发成本,提升模型兼容性,是Agent开发的底层基础。
2026-05-21 20:00:29
613
原创 什么是Tool?让大模型从“纸上谈兵”到“动手干活”的核心抓手
大模型仅能进行文字交互,Tool(工具)是为其赋予实操能力的核心,Agent则作为调度员,协调用户、大模型与工具——大模型负责决策,工具负责执行。工具并非单纯函数,需配套包含名称、描述、参数定义的“说明书”,其中描述是大模型判断是否调用工具的核心依据,其清晰度直接影响调用准确率。工具按风险分为四类:查询类(低风险可自主调用)、写入类(中风险高操作需人工确认)、执行类(高风险需人工审批)、AI辅助类(低-中风险),风险等级决定Agent调用规则,工具是Agent实现外部交互的关键。
2026-05-19 19:57:16
593
原创 从“语言输出”到“落地执行”:大模型Agent全维度解析与落地实践
大模型 Agent 是以 LLM 为核心,融合工具、记忆、执行循环的智能程序,解决了大模型 “无执行能力、知识滞后、无记忆” 的短板,实现从 “语言输出” 到 “落地执行” 的闭环。其核心工作模式分为 ReAct(边想边做,适配短流程)和 Plan and Execute(先规划后执行,适配长流程),生产中常用混合模式。Agent 与 Workflow 互补,需根据场景选型,落地时需解决幻觉传导、工具失败、成本失控、无限循环四大挑战,是大模型落地企业级场景的核心范式。
2026-05-08 19:12:50
591
原创 解锁大模型的核心能力:Prompt全攻略——从基础认知到Agent开发实践
Prompt是发给大模型的所有输入,含User(具体任务)和System(底层规则)两类。大模型是next-token预测机器,精准的Prompt能让输出稳定,是Agent开发的核心地基。撰写需遵循6大原则:指定角色、正向约束、充足背景、明确输出格式、Few-shot示例、引导先思考再回答,且需迭代调试。Prompt是Agent开发的控制面板,决定大模型能力的调动程度。
2026-05-07 19:15:45
761
原创 深入理解大模型:Agent开发的底层逻辑与核心认知
本文系统讲解大语言模型(LLM)核心原理、Token、上下文窗口等基础概念,梳理其意图理解、逻辑推理等核心能力与执行缺失、知识幻觉、上下文受限三大短板,明确Agent开发的核心是用技术补齐短板,让大模型成为可落地执行任务的智能体。
2026-05-06 19:44:45
607
原创 免费薅国产旗舰 LLM!GLM-4.7+MiniMax-M2.1
AIPing平台推出两款国产旗舰大模型:智谱AI的GLM-4.7(擅长复杂任务处理)和MiniMax的M2.1(高性价比)。用户只需注册一个APIKey即可免费调用,平台提供30元算力金及智能路由服务。GLM-4.7在200k上下文长度下实现50+ tokens/s吞吐量,MiniMax M2.1最高达99.7 tokens/s。支持多种调用方式(Python SDK/Requests/Curl),并兼容OpenCode配置。平台自动处理密钥管理、请求转发和故障切换,助力开发者快速实现AI应用落地。
2025-12-24 20:13:12
2433
27
原创 AI Ping 上新限免:GLM-4.7 与 MiniMax-M2.1 实测对比
AIPing平台推出两款国产大模型GLM-4.7和MiniMax-M2.1,提供免费调用服务。GLM-4.7擅长精准推理和多功能适配,支持8k上下文;MiniMax-M2.1专注极速响应和高并发,支持16k上下文。平台提供统一API接口,用户只需注册获取APIKey即可体验。性能测试显示MiniMax-M2.1在响应速度上有优势,而GLM-4.7在内容准确率更优。平台还提供详细的配置指南,支持在Cursor等IDE中快速接入使用。
2025-12-24 18:00:56
2477
56
原创 读懂大模型核心:Transformer 与 AI 发展的底层逻辑
Transformer神经网络模型是AI领域革命性突破,其核心"自注意力机制"让机器能像人类一样理解上下文语义关联。该技术最初用于机器翻译,现已支撑GPT等大语言模型的多模态处理能力,实现文本生成、图像创作、语音转换等智能应用。通过"预测-拼接-再预测"的自回归模式,Transformer使AI能动态生成逻辑连贯的内容,从被动执行升级为主动理解,重塑人机交互方式。
2025-12-15 21:05:49
1473
47
原创 Spring AI:Java 生态的 AI 赋能革命,企业级智能应用新标杆
摘要:SpringAI为Java生态带来企业级AI解决方案,通过统一API抽象、原生Spring集成和模块化设计,显著降低AI应用开发门槛。其核心组件ChatClient、EmbeddingClient和PromptTemplate等,支持对话交互、语义理解与提示工程,1.1版本新增模型上下文协议和提示缓存等特性。该框架已在电商客服、金融风控等领域实现落地,将传统Java开发与AI能力无缝融合,推动企业智能化转型。作为连接Spring生态与AI技术的桥梁,SpringAI正在重塑企业级智能应用的开发范式。
2025-11-19 20:08:04
3608
66
原创 【 MyBatis-Plus | 精讲 】
MyBatis-Plus是MyBatis的增强工具,提供更便捷的数据库操作功能。文章介绍了其核心特点:润物无声的增强、高效的单表CRUD操作及丰富的扩展功能。主要内容包括:1) 环境准备,需继承BaseMapper接口;2) 常用注解如@TableName、@TableId等;3) 条件构造器的使用;4) Service接口扩展;5) 代码生成、逻辑删除等扩展功能;6) 分页插件等实用工具。通过约定优于配置的原则,简化了传统MyBatis的开发流程,同时保持高度灵活性。
2025-06-27 09:01:51
2027
123
原创 【 java 虚拟机知识 第二篇 】
本文系统介绍了Java类加载机制与垃圾回收技术。在类加载方面,详细解析了类初始化过程、对象生命周期、类加载器分类及双亲委派模型的工作原理。在垃圾回收方面,阐述了触发条件、判断方法(引用计数和可达性分析)、主流算法(标记清除、标记整理和复制算法),比较了不同垃圾回收器的特点,并区分了MinorGC、MajorGC和FullGC三种回收类型。文章还重点对比了CMS与G1两种垃圾回收器的差异,包括作用范围、STW时间、内存碎片化处理等方面。通过这两大核心机制的讲解,完整呈现了Java内存管理的实现原理。
2025-06-12 08:52:57
2542
98
原创 【 java 虚拟机知识 第一篇 】
摘要:JVM内存模型主要包括栈、堆、方法区等核心结构。虚拟机栈和本地方法栈为线程私有,存储方法调用信息;堆是所有线程共享的最大内存区域,采用分代回收机制(新生代/老年代);方法区存储类元数据。引用类型(强/软/弱/虚)影响GC行为。内存泄漏(如未关闭资源)和内存溢出(如无限递归)是常见问题。JDK版本演进带来永久代到元空间的改变,字符串池位置也相应调整。理解内存模型有助于优化性能并避免OOM异常。
2025-06-09 08:50:42
2646
80
原创 【 java 集合知识 第二篇 】
本文系统介绍了Java集合框架中的Map和Set实现原理。Map部分详细解析了HashMap的结构、扩容机制、线程安全问题及解决方案(1.7头插法死循环/1.8数据覆盖),对比了不同JDK版本的实现差异(数组+链表/红黑树),并阐述负载因子、哈希冲突处理等核心机制。同时介绍了线程安全的HashTable和ConcurrentHashMap的分段锁/CAS实现。Set部分则说明其通过哈希值比较和equals方法保障元素唯一性的原理。全文通过技术对比(如红黑树与平衡二叉树)和场景分析(多线程问题),深入剖析了集
2025-06-06 09:10:04
2379
88
原创 【 java 集合知识 第一篇 】
本文系统介绍了Java集合框架的核心概念与应用。主要内容包括:1)集合与数组的区别,指出集合长度可变、仅存储引用类型,而数组长度固定、可存储基本类型;2)集合分类,分为有序可重复的List、无序唯一的Set和键值对的Map;3)Collection接口与Collections工具类的区别;4)6种集合遍历方法的特点及适用场景。重点分析了List接口的实现类:ArrayList基于数组实现查询高效,LinkedList基于链表实现增删高效,Vector为线程安全版本。详细阐述了ArrayList的扩容机制(1
2025-06-03 08:37:25
3705
91
原创 【 java 基础问题 第二篇 】
文章系统介绍了Java核心概念,包括对象拷贝(深/浅拷贝实现)、泛型应用、对象创建与回收机制、反射原理、异常处理、Object类方法、字符串类比较、序列化应用和设计模式(代理/适配器)。重点解析了深拷贝的三种实现方式(Cloneable接口、序列化、手动复制),垃圾回收算法(引用计数/可达性分析),以及I/O模型差异(BIO/NIO/AIO)。同时探讨了反射的动态特性、equals()与hashCode()的关联规则,以及高并发场景下NIO的多路复用优势。
2025-05-28 08:49:24
10158
86
原创 【 java 基础知识 第一篇 】
文章从Java平台无关性、面向对象特性和内存管理三大特征入手,系统介绍了Java的优势与劣势。深入讲解了数据类型转换、BigDecimal精度处理、装箱拆箱问题及Integer缓存池机制。在面向对象部分,详细阐述了封装、继承、多态三大特性,分析了重写与重载、抽象类与接口的区别,并解释了静态成员与非静态成员的调用规则。最后讨论了final关键字的用法。全文通过代码示例说明关键概念,帮助读者全面理解Java核心机制。
2025-05-25 09:39:42
8983
130
原创 【 Redis | 实战篇 秒杀实现 】
实现全局ID生成器,秒杀优惠券(基于乐观锁解决超卖问题),秒杀的一人一单(单机与集群线程安全问题)
2025-05-13 11:11:19
17215
160
原创 【 Redis | 实战篇 缓存 】
了解什么是缓存,怎么缓存,缓存的更新策略,缓存的三大问题及解决方案(缓存穿透,缓存雪崩,缓存击穿)。
2025-05-10 10:20:29
11645
161
原创 【 Redis | 实战篇 短信登录 】
主要完成了基于Session实现登录,解决集群的Session共享问题,从而实现了基于Redis来实现共享Session登录。
2025-05-08 09:37:43
2341
89
原创 《苍穹外卖万字总结:大一菜鸟的代码升空纪实》
我用了12天学完了苍穹外卖(最后的前端部分没有学习),总共写了10天的笔记,对于苍穹外卖整体感受就是这个项目是非常适合新手入门的项目,代码层面并不复杂,其中细节很多,有助于开发人员形成一个代码规范(三层架构,封装数据),而这篇文章会将一些重要的知识点细节全部展示出来,让刚开始入手苍穹外卖的你们更容易了解这个项目,提高对应项目的认知。这个项目是一个关于外卖点餐的产品(已经封装好了,只需要将数据修改成自己的信息就可以直接使用),分为用户端和管理端。实现了用户点餐,商家接单的一系列业务管理端。
2025-04-29 22:10:25
2097
20
原创 《苍穹外卖Day10:大一菜鸟的代码升空纪实》
昨天学习了Apache-Echarts的学习,完成了图表数据的接口,今天学习了Apache-POL,完成了对数据导出接口。
2025-04-29 10:51:18
702
25
原创 《苍穹外卖Day9:大一菜鸟的代码升空纪实》
昨天和前天分别完成了订单状态定时处理和来单提醒和催单提醒,用户端和管理端对于订单的增删改查的接口。
2025-04-27 09:56:34
1473
15
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅