- 博客(583)
- 收藏
- 关注
RSS订阅原创 5分搞懂大模型 - RAG（检索、增强、生成）
RAG的“检索،增强、生成”，谁增强了谁，谁生成了答案，主语很重要。是从知识库中检索到的问答对，增强了LLM的提示词（prompt），LLM拿着增强后的Prompt生成了问题答案。如何理解RAG？如何使用RAG？了解了什么是RGA，同步也理解了RAG的检索、增强和生成。那我们如何使用RAG呢？接下来以RAG搭建知识问答系统具体步骤为例，来讲解如何使用RAG？
2026-08-23 17:15:00
239
原创 收藏！Java开发者转岗红利：AI应用开发岗缺人预警，双非也能拿高薪
最近逛求职论坛时，刷到一个很有参考价值的帖子：一位求职者分享了自己的求职逆袭经历——原本瞄准Java后端开发岗，却在求职过程中敏锐察觉到市场风向变化，果断调整策略转投AI应用开发岗，结果收获了远超预期的回应。这位求职者用实际经历验证了一个关键结论：当前AI应用开发岗正处于“缺人状态”，不仅对双非学历背景的求职者友好，薪资待遇更是显著优于同级别Java岗位。
2026-08-22 17:00:00
326
原创 2026年，最火的AI Agent开发工程师需要哪些技能？
2026年被业界称为“智能体爆发年”，但这股浪潮并非凭空而来。从技术条件看，以OpenAI o1、DeepSeek-R1、Gemini 3为代表的新一代模型，在复杂推理、长上下文处理、工具调用准确性上实现了质的飞跃，AI Agent的“大脑”终于足够强大。与此同时，MCP（模型上下文协议）、A2A（Agent-to-Agent）协议以及各类企业API的标准化，使Agent能够真正接入现实世界的业务系统，不再只是在沙盒中运行。
2026-08-20 14:40:40
210
原创 一文搞懂 Agent 开发：零基础到进阶全攻略
给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
2026-08-20 14:32:44
328
原创 聊一聊RAG 系统在大规模数据下的“语义崩塌”
这听起来挺玄乎，其实道理并不复杂。所谓的“语义崩塌”，就是当你把海量的文字转换成计算机能懂的一串串数字（也就是向量），在这个高维的数学空间里，这些数字原本应该像星星一样，意思相近的凑一块，意思远的离远点。但随着数据量越来越大，这些“星星”开始乱了套，大家挤在了一起，原本独特的语义特征消失了，系统再也分不清谁是谁，这就叫“语义崩塌”。（Semantic Collapse）
2026-03-18 21:13:45
548
原创 告别繁琐配置！OpenRAG保姆级教程：大模型RAG开发新选择，建议收藏
本文介绍了新晋RAG平台OpenRAG，它集成了Langflow、OpenSearch和Docling，主打“开箱即用”与可视化编排。文章深度对比了OpenRAG与LangChain、LlamaIndex、Haystack等主流框架，分析了其在Agentic RAG和混合搜索上的优势及局限。最后针对不同应用场景提供了具体的RAG框架选型建议，助你快速上手。
2026-03-18 21:13:14
888
原创 别再用传统RAG了！用LangGraph构建Agentic RAG，彻底解决幻觉
本文针对传统RAG检索质量差、无法纠错等痛点，阐述了Agentic RAG的Think-Act-Observe循环。通过LangGraph手把手构建具备自我反思、查询改写能力的智能检索系统，帮助开发者实现从被动执行到主动决策的跨越，打造高质量大模型应用。
2026-03-17 21:20:46
527
原创 RAG检索架构必知：双塔负责规模，单塔负责精度
文章深入解析了RAG系统中的双塔（Bi-Encoder）与单塔（Cross-Encoder）架构。双塔结构利用向量数据库实现海量数据的快速召回，但精度较低；单塔结构通过交叉注意力实现高精度排序，但计算成本高。两者结合的两阶段检索架构，兼顾了效率与精度，是构建高质量RAG系统的关键方案。
2026-03-17 21:20:09
414
原创 用Ollama在本地部署和使用大模型，小白程序员必备！收藏学习！
本文介绍了Ollama这一开源项目，它简化了在本地部署大语言模型（LLM）的过程，屏蔽了复杂的系统环境。Ollama提供了多种开源LLM模型及其权重、推理代码和微调脚本，让用户可以轻松运行和定制LLM。文章详细说明了在Mac设备上安装运行Ollama的步骤，并展示了如何通过客户端如open-webui与本地LLM进行交互。此外，还介绍了如何利用FreeGPT35项目在本地搭建ChatGPT 3.5的代理，实现免密钥访问OpenAI API。这些内容对于想要探索和定制LLM的开发者和研究人员来说，提供了一个便
2026-03-09 21:14:41
441
原创 大模型初探：收藏这份本地部署指南，小白也能轻松玩转DeepSeek！
本文介绍了如何使用开源工具ollama在本地部署DeepSeek大模型，并构建本地知识库结合联网搜索。文章详细讲解了ollama的下载、安装、运行方法，以及如何选择和下载适合自己电脑配置的DeepSeek模型。对于想要在本地体验大模型、降低使用门槛的程序员和爱好者，这是一份实用且易于理解的入门指南。
2026-03-09 21:13:50
472
原创 本地部署大模型：新手友好，数据安全，
本文介绍了本地部署大模型的核心优势，如数据隐私、零成本使用、离线可用和完全控制等。推荐使用LM Studio进行本地部署，它具有可视化界面，操作简单，适合新手快速上手。文章还提供了详细的安装、模型下载、启动和对话步骤，以及性能优化建议和常见问题解答。此外，还介绍了如何通过LM Studio调用本地模型的OpenAI兼容API接口，为AI应用开发提供灵活和经济的选择。
2026-02-27 18:56:49
523
原创 LangChain入门指南：轻松掌握大模型开发的魔法工具箱
本文为初学者详细介绍了LangChain框架，一个专为大型语言模型（LLM）设计的应用开发工具。内容涵盖了LangChain的基本概念、安装与配置、核心组件（模型、提示、内存、索引）以及实际应用场景。通过实例代码，读者将了解如何使用LangChain进行基本操作，从而构建基于LLM的应用程序。本教程旨在为AI领域的学习者提供坚实的基础，鼓励进一步探索和实践。
2026-02-27 18:55:58
319
原创 Agent Skills配置全攻略，让你的大模型Agent告别“智障“
本文详细介绍Agent Skills的配置方法，强调技能要精准描述、分层管理和保持关联性，避免"越多越好"的误区。通过销售数据分析助手的实战案例，展示如何设计单一技能和工作流，并提供技能描述技巧、参数示例和错误处理等实用建议。作者强调，好的Agent不在于技能数量，而在于精准使用和持续优化，这是一个需要不断迭代的过程。
2026-02-09 19:06:10
1317
原创 MemOS智能体记忆开源框架：从Graph图谱到LangChain集成完整教程
本文详细介绍了MemOS智能体记忆开源框架的Graph记忆图谱能力与LangChain集成实践。展示了如何基于MemOS构建带记忆能力的ChatBot，体验记忆图谱的自动重组功能，并通过Middleware机制将MemOS无缝集成到LangChain智能体中，实现长期记忆与知识积累。这种架构使AI Agent具备超越会话上下文的持久记忆能力，为个性化服务和复杂任务处理提供了强大支持。
2026-02-09 19:05:10
896
原创 LangChain多智能体(MAS)实战指南：5大核心模式解析与联网搜索案例落地
本文深入解析多智能体系统（MAS）及其在LangChain中的实现。文中详细介绍了Subagents、Handoffs、Skills、Router和Custom workflow五种核心模式。通过构建具备联网搜索功能的智能助手案例，对比展示了基于LangGraph工作流与主从智能体工具调用两种实现方式的代码细节与架构设计，为开发者提供从理论到落地的实战参考。
2026-02-07 10:50:34
603
原创 从智障到智能：Agent Skills配置完全指南
文章介绍了如何正确配置Agent Skills，使AI智能体更高效工作。强调技能配置应遵循三大原则：精准描述（避免模糊语言）、分层管理（便于调用）、建立关联（形成工作流）。通过具体案例展示技能配置实战过程，并提供详细描述、添加示例、完善错误处理等实用技巧。最后指出，配置Agent Skills是持续迭代过程，应精益求精而非贪多求全。
2026-02-07 10:49:11
674
原创 大模型技术详解：从入门到精通，一文掌握产业链与未来趋势
大模型是指超大规模参数神经网络，具有强大学习能力和泛化能力。中国大模型产业链分为基础层、模型层和应用层，商业化进程加速，广泛渗透金融、政府等领域。2023年市场规模增长率突破100%，预计2030年将超2200亿元。未来预测大模型、决策大模型和具身智能大模型将成为新风口，市场竞争激烈，互联网公司、AI公司、学术机构及专家团队四大派系各具优势。
2026-02-06 10:09:28
587
原创 下一代AI应用：从顾问到执行者的实战指南（附代码示例）
文章探讨了AI应用从"顾问"到"执行者"的范式转变，介绍了AI Workflow和AI Agent两种设计模式，并使用LangChain框架进行实践。通过实际案例展示了如何构建稳定的工作流和自主智能体，并讨论了混合架构和MCP协议在企业级应用中的价值。文章强调AI不应仅停留在问答阶段，而应落地为实际业务工具，解决工作中的实际问题。
2026-02-06 10:08:21
909
原创 RAG知识库质量优化评估与改进指南
文章详细介绍了RAG知识库的评估框架与优化方法。首先通过余弦相似度构建召回率、正确度和基于知识的评估指标，并与ragas框架进行对比分析。随后提出两大改进方向：提升召回能力（优化知识切片质量、调整embedding参数）和提升回答能力（使用更强模型、优化提示词）。强调了RAG知识库优化是一个系统性工程，需要从多维度进行持续改进。
2026-01-31 18:21:49
857
原创 上下文工程——优化大语言模型性能的关键技术
本文全面介绍了上下文工程的概念与实施方法。上下文工程是在恰当时间、以恰当形式将恰当信息提供给大语言模型(LLM)的艺术与科学。作者将LLM比作CPU，上下文窗口比作RAM，并详细阐述了六种上下文类型：指令、示例、知识、记忆、工具和护栏。文章将上下文工程分解为四个基本阶段：编写、选择、压缩和隔离上下文，通过精心设计上下文工程，可以显著提升AI智能体的性能和响应准确性。
2026-01-31 18:21:07
990
原创 智能体路由模式全解析：构建灵活应变的大模型系统
路由模式是智能体系统的动态决策机制，根据环境状态、用户输入或前序操作结果选择最优处理路径。文章详解其定义、价值、四种主流实现方式（基于LLM、嵌入、规则、机器学习）、典型应用场景、落地步骤及工具框架，帮助开发者构建从"固定流程"到"动态决策"的智能体系统，解决灵活性差、上下文感知弱、扩展性差等核心痛点。
2026-01-30 19:08:55
1288
原创 大模型多智能体架构全解析：四种模式对比、性能评估与应用场景
文章探讨了多智能体架构的选择与应用，指出随着应用规模扩大，单智能体在上下文管理和分布式开发方面面临限制。介绍了四种核心架构模式：子智能体（集中式编排）、技能（渐进式披露）、交接（状态驱动转换）和路由器（并行分发与综合），分析了各自的工作原理、适用场景及性能特征。强调应根据具体需求选择合适架构，从简单单智能体开始，仅在必要时升级到多智能体系统，以平衡性能与开发复杂度。
2026-01-29 18:48:14
1442
原创 AI Agent记忆系统完全指南：从入门到精通，解决LLM上下文限制的必备收藏
本文详细介绍了AI Agent记忆系统的概念、分类及实现架构，包括短期记忆的上下文工程策略（压缩、卸载、摘要）和长期记忆的技术架构（记录与检索流程）。文章对比了Google ADK、LangChain和AgentScope等主流框架的记忆系统实现，分析了行业发展趋势，并提供了Mem0等长期记忆组件的集成方案，为构建高效、个性化的AI Agent提供了技术指导。
2026-01-29 18:47:06
1024
原创 2025年大语言模型完全指南：从入门到精通，五大主流模型详解与应用场景
文章介绍了大语言模型(LLM)的发展现状和未来趋势，对比了2025年五大主流模型(GPT系列、Gemini、Llama、Claude和国内模型)的特点、参数规模、应用场景等，分析了LLM的核心技术发展方向如长上下文理解、多模态融合等，并通过实际案例展示了LLM在科研、金融等领域的应用价值，同时也指出了当前面临的挑战和未来风险。
2026-01-28 17:55:16
1156
原创 从不确定到可靠：智能体工程全面解析 | 2026年AI开发必读
智能体工程是将不确定的LLM系统转化为可靠生产级应用的工程化过程，包含交互、模型、推理、上下文等10大核心维度。它采用"边上线、边学习"的开发范式，通过构建-测试-部署-观测-优化的循环迭代，提高AI可控性和可预测性，使智能体从Demo阶段发展为可靠的生产级系统，解决不确定、幻觉、不可观测等工程挑战。
2026-01-28 17:54:30
699
原创 小白必看！一文彻底搞懂RAG检索增强生成技术
本文全面介绍了RAG（检索增强生成）技术，包括其定义、工作原理（检索和生成两个阶段）、优势（提高准确性、可靠性、降低成本等）以及挑战。文章详细讲解了RAG如何解决LLM的"幻觉"问题，介绍了主流开源实现方案（如LangChain、LlamaIndex等），并提供了代码示例，帮助读者构建RAG系统。RAG通过结合外部知识检索与LLM生成能力，为构建更准确、可靠的AI应用提供了强大解决方案。
2026-01-24 18:59:30
925
原创 一文读懂多模态RAG，突破大模型上下文限制的文档理解新范式
本文提出"多模态RAG"作为文档AI新范式，通过直接使用文档图像嵌入替代OCR文本，保留图表结构语义；设计图文双路径协同机制和分层检索体系，突破传统上下文窗口限制；分为封闭域(单文档内检索)和开放域(跨文档检索)两种应用场景，显著提升大模型对长文档的理解能力和跨页推理准确性，减少幻觉现象，成为文档理解领域的主流研究方向。
2026-01-24 18:58:37
696
原创 大模型基石：Transformer架构完整计算流程详解
文章详细解释了Transformer神经网络架构的原理和计算步骤。首先介绍了Transformer如何取代RNN解决序列建模问题，然后分步骤阐述了输入数据处理（Tokenization、Embedding、Positional Encoding）、Encoder结构（Multi-Head Attention、残差连接、Layer Normalization、Feed-Forward Network）、Decoder结构（Masked Multi-Head Self-Attention、Multi-Head
2026-01-22 18:43:17
864
原创 RAG不死，只是进化！2026年上下文工程师必备指南，建议收藏学习
RAG技术未死，而是从狂热走向冷静，将演变为"上下文工程"。GraphRAG、AgenticRAG等新技术存在成本高、稳定性问题，长上下文与RAG互补而非替代。2026年RAG将成为AI应用基础设施，智能体RAG、垂直领域RAG等趋势兴起。实际应用中，朴素的RAG配合高质量数据和精细产品设计往往比复杂方案更有效，开发者应从简单开始，持续迭代。
2026-01-22 18:42:07
819
1
原创 MCP入门指南：AI领域“万能插座“详解，程序员必学必收藏
本文详细介绍了MCP（模型上下文协议）是Anthropic公司推出的开放标准协议，旨在解决大模型与外部工具、数据源的交互问题。MCP采用client-host-server架构，通过标准化通信实现AI应用与多样化外部资源的连接。文章解释了MCP的工作原理、架构组件、与LLM的交互流程，并提供了创建MCP服务器的示例。MCP servers提供工具、资源和提示三种功能，可大幅简化AI应用开发，增强AI系统功能。
2026-01-14 16:00:15
877
原创 Claude Agent Skills 深度解析：原理、工作流与最佳实践
Claude 现已引入 Skills 功能，显著提升了其执行特定任务的能力。Skills 本质上是一个包含指令、脚本和资源的结构化文件夹，Claude 能够根据任务需求动态加载这些资源。这一机制的核心优势在于按需加载：Claude 仅在检测到当前任务与特定技能相关时才会调用该技能。这种设计不仅确保了 Claude 的运行效率，还能使其快速获取特定领域的专业知识，从而更高效地完成任务。
2026-01-14 15:59:10
1056
原创 技术收藏：揭秘MCP如何让大模型从“云端囚徒“变为“世界掌控者“
MCP协议的标准化标志着AI从"脑力内卷"转向"基础设施交接"，让大模型终于能连接物理世界。经历从只读到工具调用，再到感官流打通的三阶段进化，架构上大模型变为客户端，物理设备成为服务端。未来App将弱化为底层接口，交互路径进化为人→Agent→后端能力，让AI真正"理解"和接管物理世界，打破"屏幕边界"。
2026-01-13 15:18:11
540
原创 AI智能体(Agent)全解析+代码示例
本文全面介绍了AI智能体(Agent)的原理与实现，包括智能体的定义、特征与传统LLM应用的区别，以及构建智能体的三要素(模型、工具、指令)。文章详细讲解了智能体的编排模式(单智能体/多智能体系统)和护栏体系，并通过LangGraph框架提供了最小可运行智能体的代码示例。智能体的本质是执行任务而非简单对话，适合处理模糊性和上下文判断的场景。
2026-01-13 15:17:05
759
原创 质疑声层出不穷！Agent将何去何从？
早在2024年，我就预测了2025 年将会成为Agent 元年。2024年的“算力墙”问题已经出现了，模型效果边际收益递减，训练和运营成本高昂。在这样的时间节点和背景下，资本的眼光不可避免的会投入下一个AI 产品 —— 智能体（AI Agent）。这也是为什么会在开源中国的行业白皮书里写这样一篇文章。
2026-01-08 11:04:20
756
原创 AI的下半场：智能体（Agent）将如何重塑我们所有的应用？
过去两年，“AI智能体（AI Agent）”这个词频频出现在各种会议和论文中。有人说它是“下一个操作系统”，有人说它将“重塑所有应用”。但在喧嚣背后，真正懂智能体逻辑的人却不多。今天这篇文章，我们不讲空洞概念，而是带你从底层原理到落地实践，彻底弄清楚：* 智能体到底是什么？* 为什么现在是构建它的最好时机？* 如何一步步设计、编排和安全运行一个Agent？* 最后，我们还将用 **LangGraph 框架写一个可直接运行的最小智能体示例**。
2026-01-08 11:03:08
655
原创 Agent记忆 vs RAG：动态记忆与静态检索的终极对决
2025年AI记忆架构迎来关键转折，Agent记忆和RAG代表了上下文工程的两种根本路径。本文揭示二者在动态演化与静态检索、复杂推理与知识问答等核心维度的本质差异，并通过性能基准和工程实践帮助开发者精准选择技术方案。为什么复杂AI系统正从RAG转向Agent记忆？
2026-01-07 17:53:23
602
原创 大模型本地化部署及微调技术
本文来自“大模型本地化部署及微调”，重点分析大模型在垂直领域使用时为啥需要修改或增强，检索增强生成RAG和微调Fine-tunning选择，微调的种类和相关工具框架介绍，RAG、Fine-tunning微调时费用常见的估算方法，实际微调。
2026-01-07 17:51:03
743
原创 构建高质量AI智能体的10条核心法则：从理论到实战的完整指南
文章系统阐述了构建AI智能体的十大核心原则：拒绝为AI而AI、构建小巧解耦的系统、强制结构化输出、解释任务背景、优先编排而非完全自治、注重提示词工程、完善工具描述、实施缓存机制、使用共享产物以及全面记录。这些原则强调AI智能体构建不仅是算法选择，更是系统设计、工程架构和交互逻辑的深度思考，帮助开发者跨越概念验证到生产环境的鸿沟。
2025-12-31 18:13:53
904
原创 Plan-and-Execute 架构详解：从理论到实践
Plan-and-Execute 是一种将复杂任务先全局规划后执行的大模型架构模式，包含规划器、执行器和重规划器三大核心组件。相比传统 ReAct 模式，它具有全局视野、高效执行、支持并行、降低成本等优势，特别适合处理多步骤、长周期的复杂任务。通过先制定完整计划，再逐步执行并监控进度，必要时调整策略，使复杂任务变得有序可控。
2025-12-31 18:12:58
893
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