- 博客(1273)
- 收藏
- 关注
RSS订阅原创 Dify知识库图文混排两种方案详解，从入门到精通，建议收藏！
核心收益•灵活性高：知识库源文件（Markdown）和图片资源（图床）是分离的，未来无论迁移到哪个系统，都非常方便。•方便管理：图片资源集中在图床（如 OSS）管理，查找、替换都很方便。但是缺点•成本：需要额外的图床服务器或对象存储服务费用。•运维：需要处理图床的访问权限、白名单（就像我遇到的 Referer 问题），甚至要多维护一个系统。所以word方案总结下来，就是成本短期相对低一些，不需要单独的图床服务器，图片存储在dify的 Docker 卷中，开箱即用。
2026-01-16 16:15:10
567
原创 继MCP之后，Anthropic又来制定新标准了！
什么是 Skills，就是为大模型提供具体的某种能力，这听上去有点类似与 MCP 的概念，巧了，MCP 也是 Anthropic 提出来的。接着说什么是 Skill，假设我想查询明天的天气，如果只用大模型自己的能力肯定不行，它必须要联网搜索，而联网搜索天气预报这是一个具体且专业的事情，之前用 MCP 可以做到，现在呢，用 Skill 也能做了，这个Skill 的能力就是查天气，可能是一个 Python 方法，就是到某个天气网站搜索天气情况。在 Claude 设置页面，有一些 Claude 内置的技能。
2026-01-16 15:49:13
444
原创 AI大模型实战教程（超详细）从零入门到精通：微舆舆情分析系统全解析！
一句话足矣~本文主要讲解了微舆的整体架构，并通过研读并调试源码，整理了多个Agent各自的执行流程、以及前后端交互。如项目原理、项目部署、源码等存在疑问，欢迎随时私信或留言交流！
2026-01-16 14:56:52
475
原创 RAG（检索增强生成）架构与原理：告别LLM“幻觉”的秘密武器
检索增强生成（Retrieval Augmented Generation，简称RAG）是一种优化大型语言模型（LLM）输出的技术。它通过在生成响应之前，从外部权威知识库中检索相关信息，并将其作为上下文提供给LLM，从而提高LLM回答的准确性、可靠性和时效性，同时有效缓解LLM可能出现的“幻觉”问题。RAG技术通过将外部知识检索与大型语言模型相结合，为解决LLM的“幻觉”问题和知识滞后性提供了有效的途径。它不仅提高了LLM回答的准确性和可靠性，还降低了模型训练和维护的成本。
2026-01-14 11:23:08
629
原创 王炸！一款开源的AI知识库！5分钟零代码搭建
还在为知识管理混乱发愁？学习笔记散落在文件夹、企业文档查找像大海捞针、客户咨询重复回复占用大量时间？今天给大家安利一款 AI 驱动的开源王炸工具 ——PandaWiki，无需编程基础，5分钟就能搭建起智能化知识库，不管是个人学习沉淀还是企业高效协作，都能完美 hold 住！PART 01项目概述：AI + 开源PandaWiki 是一款由 AI 大模型驱动的开源知识库搭建系统，凭借强大的功能和极低的上手门槛，帮助你快速构建智能化的，借助大模型的力量为你提供等能力。
2026-01-14 11:16:32
1103
原创 一文读懂RAG知识库系统：原理、演进与落地全步骤（附实操代码）
RAG全称为"检索增强生成"。2020年，Meta AI研究院的Patrick Lewis团队在其里程碑式的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中首次系统性地提出了这一框架。它的诞生，直接针对早期大语言模型（如GPT-3）的三个致命短板：易产生"幻觉"：可能生成不准确或完全虚构的内容；知识更新滞后：模型训练后知识即固化，难以跟进最新信息；缺乏可追溯性：回答往往不标注来源，难以验证可信度。
2026-01-14 10:58:09
746
原创 全球首个Zero-Error RAG系统：Henon如何让金融AI告别幻觉
Retrieval-Augmented Generation（检索增强生成）技术诞生至今，准确率从60%爬升到85%，看似进步显著，但距离金融行业要求的"零容忍"标准，仍有一道鸿沟。传统RAG系统在处理合同条款、财务报表、法律备忘录等非结构化数据时，幻觉率（Hallucination Rate）依然维持在8-15%区间，这意味着每100条AI生成的金融洞察中，至少有8条存在事实性错误。
2026-01-14 10:51:16
911
原创 全面解析 Agent Engineering 的 10 大工程维度：生产级 Agent 系统的炼成之路。
技术层面的突破让AI智能体（Agent）成为当前绝对的AI热点。但随着Agent应用走向真实业务，也逐渐暴露出其工程瓶颈：不确定性、幻觉、不可观测、性能、安全、成本等多方面存在挑战…这些问题不会因为模型更强而自动消失。“打造一个Agent应用的Demo只需花20%的时间，但把它打磨成产品要花剩下80%的功夫”。这条技术与工程间的鸿沟，正在催生出新的“学科”—。有理由相信：在强劲的需求驱动下，智能体工程的方法论、技术与产品，将成为 2026 年 Agent 的最重要热点。
2026-01-14 10:47:31
614
原创 Transformer架构的分步计算流程
本文详细解析了Transformer架构的核心组件，包括输入数据处理中的分词、词嵌入和位置编码，Encoder中的多头注意力机制与残差连接，以及Decoder的掩码自注意力和跨注意力机制。文章通过分步说明，解释了如何将输入序列转换为矩阵表示，并通过自注意力机制捕捉序列依赖关系，最终通过Softmax输出预测概率，为理解大型语言模型的工作原理提供了全面而深入的视角。上图是Transformer新型神经网络架构。在Transformer出现之前，如如机器翻译等序列建模任务主要依赖循环神经网络（RNN）。
2026-01-09 11:15:15
759
原创 智能体架构相爱相杀？一文了解LangChain和MCP
LangChain与Python MCP集成面临接口抽象冲突、状态管理不一致、性能损耗、版本兼容性、调试困难及安全管控六大问题。应对策略包括开发统一数据转换中间层、采用单向数据流设计、精简参数传输、版本锁定与抽象解耦、全链路trace_id追踪及鉴权信息托管。实践中需平衡LangChain的灵活性与MCP的标准化，根据场景取舍适配层设计。今年以来 mcp实在太火了，有个比喻挺贴切的，当大模型有了 mcp就相当于有了手和脚，真正可以替用户干活了。甚至，有预言 mcp会是未来专属大模型的 app。
2026-01-06 14:23:18
850
原创 基于LangChain构建下一代AI应用
—这些任务，AI聊天工具已经能出色地完成。然而，当我们将目光转向日常工作中更核心、更复杂的业务场景时，可能会遇到这样的困境：你：“ChatGPT，帮我看看游戏服本地测试9000的CPU负载是不是太高了？如果高，就安排它凌晨3点重启一下。
2026-01-06 11:57:20
658
原创 2026年7种大模型最流行的强化学习算法总结
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓CSDN粉丝独家福利这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】
2025-12-31 11:47:56
797
原创 Ollama+Qwen 3 +Obsidian打造隐私知识库，一篇就够了，必收藏！
构建个人知识库智能问答体，其实标准的做法那就是 RAG。什么是 RAG？RAG (Retrieval-Augmented Generation，检索增强生成)它给大模型（LLM）配了一个实时查阅的“外挂数据库”或“离线手册”。幻觉（Hallucination）：没见过的数据它会一本正经地胡说八道。知识滞后：它的知识停留在训练结束的那一天（比如 2023 或 2024 年）。
2025-12-31 10:56:04
973
原创 RAG检索总是搜不到？别卷Prompt了，手把手教你微调垂直模型！
通过今天这篇文章，我们没有使用任何黑盒工具，而是从数据挖掘原理到代码落地，彻底跑通了 Embedding 微调。你会发现，当你把“硬负例”喂给模型后，它仿佛瞬间开窍了，能精准识别那些曾经让它困惑的“行业黑话”。下一步做什么？虽然代码微调很爽，但在大规模工程化场景下，我们可能需要更快捷的工具。下期文章，我将教大家使用AutoTrainms-swift体验“一行命令”的多卡训练！
2025-12-29 15:30:03
994
原创 RAG高级技术完整教程-迪士尼智能客服全案例【下】
续上一篇的内容第十一章：GraphRAG - 知识图谱增强检索11.1 传统RAG的局限性在前面章节中，我们使用的都是文本块（Chunk）检索的方式。虽然已经很强大，但在某些场景下仍有局限：场景1：多跳推理问题场景2：全局性总结问题11.2 GraphRAG核心思想GraphRAG通过知识图谱来组织信息，建立实体之间的显式关系：GraphRAG的优势：关系显式化：不再依赖文本相似度，而是通过图结构表达关系多跳推理：沿着图的边可以自然地进行多跳查询全局理解。
2025-12-29 15:07:23
831
原创 AI大模型强化学习完整指南：从零基础到精通，一篇掌握PPO到SAPO核心算法！
PPO, GRPO, DAPO, GSPO, SAPO 可以视作一条面向大模型强化学习微调的算法演进链：PPO 作为经典强化学习算法，在旧策略采样、clip 约束小步更新的框架下，让大模型可以稳定做策略梯度；GRPO 通过同一 prompt 下的样本组来估计 empirical advantage，省去了 Value Model 的训练开销；
2025-12-27 11:58:23
724
原创 一文搞懂LangGraph等工作流，太阳底下无新事！
本文系统介绍LangGraph框架构建AI Agent的方法，对比n8n与Dify等低代码平台，通过邮件处理Agent示例展示实现。探讨了可视化工作流在复杂生产环境中的局限性，指出低代码是探索起点而非生产终点，强调复杂场景仍需可编程框架结合严谨工程实践。在大模型（LLM）从“聊天玩具”迈向“生产力引擎”的进程中，如何可靠地指挥 AI 完成多步骤、多工具、带反馈的复杂任务，已成为构建下一代智能系统的核心挑战。
2025-12-27 11:53:41
654
原创 RAG检索增强生成教程（非常详细）从入门到精通，一篇就够了，建议收藏！
Naive RAG 是最基础的检索增强生成架构，采用“索引-检索-生成”的经典流程。
2025-12-25 11:34:14
986
原创 LangGraph 1.0教程（超详细+必藏）从零基础入门到精通，看这一篇就够了！
在之前的系列中，笔者已经系统梳理了 LangChain 1.0 的核心知识点，并通过一个 多模态 RAG 项目带领大家实践了 LangChain 1.0 的关键技术。从本篇开始，笔者将为大家进一步分享的相关知识。与 LangChain 1.0 相比，LangGraph 1.0 的整体架构变动不大，但其定位发生了重要转变：在 1.0 版本之后，LangGraph 不再是 LangChain 的能力延伸，而是成为 LangChain 的能力底座。
2025-12-24 10:34:29
1041
原创 AI大模型思维模式详解：从零基础入门到精通，一篇掌握COT/TOT/GOT/AOT四种高级思维！
文章介绍了大模型的四种高级思维模式：COT(链式思维)、TOT(树状思维)、GOT(图状思维)和AOT(算法模仿思维)，旨在克服传统"刚性分类"的局限性。COT适合线性推理任务，TOT通过多路径探索和选择最优解，GOT构建有向图实现灵活合并与迭代，AOT则模仿特定算法进行系统性搜索。这些思维模式能提升大模型处理复杂问题的能力，适用于从创意写作到算法优化等多种场景。
2025-12-24 10:22:28
871
原创 理解AI，看这一篇就够了！
AI的本质特征是泛化能力，使其能够触类旁通、填补知识缝隙并生成内容。然而，AI仅具备"临近泛化"能力，缺乏"远程泛化"，因此能模仿写作但难以产生真正创意。这解释了为何AI更可能取代编码类工作而非需要远程泛化的文职工作。未来AI发展方向包括超越Transformer架构和开发专业领域AI，以增强泛化能力和解决特定问题。AI最本质的特点是什么？从哪一个点切入才能更全面、准确、深刻的理解AI？AI最核心的特点就是泛化能力，泛化能力是理解AI的入口。泛化就是触类旁通，举一反三。
2025-12-20 11:06:10
870
原创 一文详解AI编程工具选型指南（附10款+工具推荐）
AI时代，无论是AI产品，还是非AI产品，你都需要会使用AI编程工具。我们正处在AI快速发展的历史性跨越中。未来的核心竞争力，是你定义问题的清晰度和系统设计能力。在AI编程时代，我们不再是执行者，而是设计者。对于产品经理，从想法到实现的距离从未如此之短；对于开发者，从繁琐细节中解脱去攻克架构设计与核心算法的机会从未如此之多。种一棵树最好的时间是十年前，其次是现在。选择一款合适的AI编程工具，行动起来吧，去创造属于你的第一个App，第一个网站。
2025-12-20 10:46:09
720
原创 大模型Agent实战教程：应急管理智能问答系统从零构建到精通，一篇搞定！
本文详细介绍了基于LlamaIndex框架的应急管理安全生产智能问答系统构建方法。系统采用混合查询架构，结合RAG和Text2SQL技术，整合非结构化文档与结构化数据库数据。通过数据预处理、建立索引、智能检索、句子拆分和Agent工作流设计，实现精准的应急管理问答功能。项目解决了多数据源整合、复杂查询处理和结果质量评估等关键问题，为应急管理数字化转型提供了智能化解决方案。《应急管理安全生产智能问答》大赛是一个较典型大模型Agent实战项目，首先看下比赛的具体内容，然后再进行具体的分析和实战！
2025-12-19 11:53:50
932
原创 10分钟讲解 AI Agent（智能体）的底层逻辑，从零基础入门到精通！
在理解 Agent 的原理之前，我们首先需要知道什么是 Agent。这篇文章不会涉及任何晦涩的术语，力图给你最直观的理解。让我们回顾一下 AI 应用的发展历程。现在主流的 AI 技术叫做大模型（LLM）。大模型也叫大语言模型，顾名思义，它擅长语言（聊天），而且只会聊天。这也是为什么初版的 ChatGPT 和 DeepSeek 都只有一个聊天框，它们不过是把大模型的功能简单包装了一下。DeepSeek 只有一个简单的聊天框但是，如果 AI 只会聊天，那它能做的事情就非常局限。
2025-12-19 11:44:31
1831
原创 OpenAI又开源了！仅0.4B，给模型大瘦身
OpenAI研究团队的这项研究，标志着AI可解释性领域的一项重要突破，也印证了理解AI并非遥不可及的目标。研究团队在论文博客中称，这项工作是迈向更宏大目标的早期探索。接下来，他们计划将相关技术扩展至更大规模的模型，同时进一步解释更多模型的行为逻辑。为解决稀疏模型训练效率低下的问题，团队提出了两个后续研究方向：一是从现有密集模型中提取稀疏电路，替代“从头训练稀疏模型”的传统方式；二是研发更高效的可解释性模型训练技术，推动相关技术更易落地生产。
2025-12-18 13:58:29
634
原创 面向生产环境的LLM Prompt 优化：从零基础入门到精通，一篇全搞定！
文章介绍了四种提升LLM应用性能的技术：利用缓存token降低成本和延迟，将用户问题置于提示末尾提升回答质量，使用提示优化器改进提示结构，以及建立定制化基准测试选择最适合的模型。这些方法简单易行，能显著提高LLM应用的成本效益、响应速度和输出质量。大模型（LLM）能够自动化大量任务。自2022年ChatGPT发布以来，市场上涌现出越来越多利用 LLM 的AI产品。然而，我们在使用 LLM 的方式上仍有许多可改进之处。
2025-12-17 15:03:04
748
原创 为什么说多模态是推荐系统破局的关键？从基础到实战，一篇教程全掌握，值得收藏！
从这些工作可以看出，业界在多模态推荐的两大核心挑战上形成了不同的技术路线：基于ID交互关系对齐（快手QARM）：适配现有推荐行为分布，但可能导致多模态特征退化；基于语义交互关系对齐（阿里妈妈）：保持语义纯粹性，但可能脱离真实推荐场景；联合训练对齐（小红书AlignRec）：通过深度融合平衡两者，但训练复杂度较高；量化编码（快手）：将语义特征转化为可更新的语义ID，解决多模态表征更新问题；相似度分桶（淘宝）：将连续相似度离散化为固定维度向量，简化使用方式；
2025-12-17 10:47:59
853
原创 大模型应用开发实战：从RAG踩坑到智能体优化，一篇搞定智能问答系统！
文章讲述了智能问答系统的开发与优化过程。作者最初采用纯RAG技术按场景建立三个知识库，但效果不佳，特别是在处理结构化与非结构化数据混合场景时。通过转变思路，改为按数据类型（结构化和非结构化）划分知识库，并设计相应的条件查询和相似度查询工具，成功解决了场景判断和查询效果问题，实现了更好的智能问答系统性能。大模型应用开发流程正确，但结果不一定正确。由于大模型技术的复杂性，再加上不同业务场景的特殊需求，导致大模型应用的开发难度很大；但大模型应用开发最难的不是做出来而是要做好。
2025-12-17 10:22:05
584
原创 AI Agent开发完全指南：从零基础到精通，MCP+PTC+Skills+Subagents一文搞定！
本文解析Anthropic三大Agent开发机制：MCP+PTC提供标准化工具访问和程序化调用；Skills以"知识胶囊"形式注入专业技能；Subagents实现"分而治之"的任务拆分。三者分别作为连接层、认知层和组织层协同工作，帮助开发者构建高效、可维护的Agent系统，拓展构建Agent系统的思维方式。Anthropic 这家“AI 后期之秀”擅长在 Agent 工程领域“整活”。（技能）与，并在自身的Claude开发平台落地支持。
2025-12-11 11:38:42
764
原创 Google开源了一个能操作电脑的智能体
谷歌开源的computer-use-preview项目是一个让AI直接操控电脑的Agent框架，采用三层架构设计，支持坐标归一化、截图滑动窗口等技术特点。通过自然语言驱动，AI可自主决定点击、输入等操作，但存在成本高、速度慢等局限性。该项目对构建AI智能体具有重要参考价值。嘿，大家好！这里是一个专注于前沿AI和智能体的频道~前两天，谷歌悄咪咪开源了一个叫的项目。可以让AI直接操控你电脑的Agent框架, 对标broswer_use。
2025-12-11 11:22:45
1294
原创 _大模型如何真正“记住”你：揭秘个性化AI Agent的技术底层框架
本文介绍了一个基于RAG的个性化框架，通过持久化记忆、动态用户画像和多智能体协作实现个性化能力。框架以LLM为中枢，实现中央协调、跨源检索、反思校验等六大模式，采用STM/LTM/用户画像等多层次记忆系统。实验表明该框架在检索准确率和回答正确率上优于标准RAG，尤其长对话任务提升显著。个性化评测应以检索命中、正确性、连贯性为主，解决冷启动与主动性问题是未来重点。RAG能搜资料，却很难认识你。这套框架用持久化记忆 + 动态用户画像 + 多智能体协作，把一次次聊天变成可累积的个性化能力。
2025-12-10 11:53:15
762
原创 AI大模型中的Token是什么？（超详细教程）收藏这篇就够了！
概念说明Token模型处理文本的最小单元（字节或子词）Tokenizer负责将文本拆分为 token 的工具模型的分词词典与算法定义可视化 token 分割的工具用途计费、控制上下文长度、文本分块等。
2025-12-08 21:06:38
1642
原创 AI大模型教程（超详细）从零基础入门到精通，Qwen-VL到Qwen3-VL全系列深度解析！
文章详细介绍了阿里云Qwen系列视觉语言模型的演进历程，从Qwen-VL到Qwen3-VL的架构创新与技术突破。包括基于Transformer的改进架构(RMSNorm、SwishGLU、RoPE)，视觉编码器优化(2D-RoPE、NaViT)，以及原生分辨率支持、多模态旋转位置编码(M-RoPE)等关键技术，不断提升模型对图像、视频的理解能力和计算效率。Qwen-VLQwenQwen-VLQwen2-VLNaViT 支持原生分辨率其它补充Qwen2.5-VLQwen3-VL整体结构。
2025-12-08 20:54:00
662
原创 注意力机制是什么？（Attention in Transformer）
对于人工智能（AI）中的神经网络结构，大多数人必定都略有耳闻,它来自神经生物学中“神经网络”的高度抽象，输入——传输——输出。不过，在AI模型中，“神经元”并非生物学上的细胞，而是用于存储和处理数据的容器；信息轴也不是电信号在突触上的传递，而是一系列数学函数对目标数值的有向变换。在传统的。
2025-12-06 15:26:14
959
原创 为什么我不再倾向于用Dify等智能体开发平台？
本文分享了Dify平台在AI应用开发中的实战经验。Dify能显著提升开发效率，让小团队能完成大公司的活，并使业务标准化。然而，在处理复杂业务逻辑、性能敏感场景和企业架构融合时存在局限性。作者提出"Dify+自研"的双模架构，并针对不同类型开发者提供差异化建议，强调在合适场景使用Dify的重要性。前言在转眼间，与Dify平台相伴已一年有余，为此写下的实战文章也逼近了80篇。从最初的好奇尝试，到如今的深度依赖，我想以一名老开发者的视角，分享这段旅程中的真实感悟。
2025-12-06 14:51:18
946
原创 AI大模型意图识别实战教程（超详细）从零入门到精通，一篇搞定！
意图识别核心在于 “针对性优化 + 持续迭代”。通过定期分析 bad case，定位未覆盖的表达场景、跨领域混淆点等问题，再通过补充数据、调整阈值、优化 prompt 等方式迭代。
2025-12-05 11:55:44
1071
原创 智能体变笨了是什么原因？怎么优化？
本文详细分析了大模型智能体在多轮对话中出现的性能下降问题，并提出了四大优化方向：上下文长度调整、历史记录管理（控制在6-10轮对话）、提示词优化（明确职责和工具使用）以及工具优化（完善描述和参数验证）。文章强调智能体开发需要反复测试和实验，找到最适合的参数配置，从而提升智能体的质量和稳定性。大模型应用开发，做出来只是开始，做好才是能力。昨天在优化完智能体的记忆功能之后，今天做进一步的测试，然后就发现在多轮对话之后智能体好像变笨了；之前能够回答得很好的问题，现在有点失灵了。
2025-12-05 11:40:00
1657
原创 从RAG+MCP+Agent到企业落地，一篇精通！
文章阐述企业级AI架构三大核心组件：RAG提供企业内外知识访问能力，MCP实现业务工具调用执行能力，Agent整合前两者实现自主任务规划与执行。三者与LLM形成闭环，使AI从"能回答问题"升级为"能完成任务"，是企业智能化落地的关键技术路径。如今企业都在“上LLM”，但很多企业落地后发现，只靠大模型：能聊天对话，但不能关联自己的企业数据；只靠 RAG（Retrival-Augmented Generation，检索增强生成）：能查数据，但不会执行业务动作；缺少工具调用导致无法对接真实系统；
2025-12-04 15:51:50
754
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