- 博客(483)
- 资源 (56)
- 收藏
- 关注
RSS订阅
原创 一小时搭建实时数据分析平台
实时数据分析门槛较高，我们如何用极少的开发工作就完成实时数据平台的搭建，做出炫酷的图表呢？如何快速的搭建实时数据分析平台，首先我们需要实时数据的接入端，我们选择高扩展性、容错性、速度极快的消息系统Kafka，而实时数据仓库，由于 Druid提供了非常方便快捷配置方式，如果不想编写负责的Flink和Spark代码，Druid绝对是一个不错的选择，有了数据仓库，我们必须需要一个可视化和交互式分析...
2020-04-28 15:39:13
2054
原创 Dify 技术交流群成立 | 在这里，我们一起搞透企业级AI应用
最近研究 Dify 的朋友越来越多，无论是做简单的对话机器人，还是复杂的业务工作流，大家的热情都很高。为了保证群内环境纯粹，不被广告党和营销号打扰，进群设置了一道简单的“入门思考题”。题目要求：从产品定位和使用方式来看，Dify 这种提供 LLM 应用开发、流排编排、后端服务支撑的平台，你认为它最接近下面哪种模式？疑难杂症互助：你是刚入门的小白也没关系，群里有很多实战派，大家互相点拨，可能就是一个配置项的事儿。前沿技术拆解：针对 Dify 的新版本、新功能，我们第一时间进行“拆解”和测试。
2026-03-05 08:44:44
99
原创 Dify 入门系列(七)：从零到一搭建AI工作流——用“拖拽连线“替代代码，5分钟做出文本摘要器
两者都是DAG，但一个是"批处理数据管道"，一个是"在线推理链"。说到底，这还是一个引入了大模型的文本处理工具，而AI应用是应该可以对声音，图片，视频等各种多模态数据来进行处理的，并组合成AI应用。AI Workflow 的核心思想很简单：把一个复杂的AI任务，拆成多个简单的步骤，让AI（或系统）按顺序执行。我们会用最简单的例子 "基础文本摘要器" 来演示，强调这个例子简单但完整，是让大家更好入门的基础。总结：如果你的需求涉及"多个步骤、条件判断、循环处理、数据转换"，那就该用Workflow了。
2026-03-04 09:03:11
422
原创 Dify 入门系列(七)：从零到一搭建AI工作流——用“拖拽连线“替代代码，5分钟做出文本摘要器
两者都是DAG，但一个是"批处理数据管道"，一个是"在线推理链"。说到底，这还是一个引入了大模型的文本处理工具，而AI应用是应该可以对声音，图片，视频等各种多模态数据来进行处理的，并组合成AI应用。AI Workflow 的核心思想很简单：把一个复杂的AI任务，拆成多个简单的步骤，让AI（或系统）按顺序执行。我们会用最简单的例子 "基础文本摘要器" 来演示，强调这个例子简单但完整，是让大家更好入门的基础。总结：如果你的需求涉及"多个步骤、条件判断、循环处理、数据转换"，那就该用Workflow了。
2026-03-04 09:03:11
28
原创 OpenClaw 部署与实战技术讨论 | 微信交流群加入指南~
在 OpenClaw 的部署方式中，哪种方式不需要用户维护底层服务器环境，且模型能力随平台自动更新？技术资料分发：定期分享 OpenClaw 部署手册、环境配置脚本、部署方式优劣势对比图等技术文档。近期收到大量关于 OpenClaw 部署、配置及实战应用的咨询，内容涵盖不同环境下的部署策略以及。部署选型指导：针对不同业务场景（托管云、VPS、本地硬件、个人电脑）提供部署方案建议。当然，为了屏蔽一些广告党，进群会有门槛，因此设置了下面这道很简单的题。不允许分享任何小程序，链接，二维码等广告。
2026-03-02 09:48:08
291
原创 OpenClaw（小龙虾）B 端企业级应用实战：CentOS 7 快速部署指南，拥有你的第一个 AI 运维员工
对于 B 端企业来说，拥有一个 24 小时在线、能读懂日志、能改配置文件、永不疲倦的数字员工，不再是科幻小说的桥段，而是当下即可触达的现实。然而，在 B 端企业的实际生产环境中，我们依然面临一个巨大的尴尬：AI 很有想法，但它没长手。传统的自动化（脚本/告警）只会告诉你“发生了什么”，而 OpenClaw 的 AI 助理（我们亲切地叫它“小龙虾”）则会告诉你“为什么”以及“怎么做”。首先去github下载最新的安装包，小龙虾更新非常快，我们下最新的20260226版本，这样我们可以实时知道最新的一些更新。
2026-02-28 17:55:24
994
原创 告别“全自动”幻觉！Dify v1.13.0 发布，定义企业级 AI 落地的人机协作标准
例如，在一个“AI 撰写合同”的工作流中，律师可以在 AI 生成初稿后，直接在节点界面修正关键条款，再让流程继续。在过去的工作流设计中，我们往往面临一个“非黑即白”的信任鸿沟：工作流要么是全自动的，容易在关键决策点产生“幻觉”导致业务风险；要么是全人工的，AI 的效率优势荡然无存。：你可以配置“批准”、“拒绝”或“重审”等自定义按钮，根据人工点击的结果，动态决定工作流的后续走向。从大数据转行到 AI 的这些年，我深刻感受到，真正能落地的 AI 绝对不是靠“运气”生成的，而是靠。
2026-02-26 08:48:58
644
原创 Dify v1.12.0 与 v1.12.1重磅发布：引入摘要索引，让 RAG 检索告别“断章取义”
2026 年，AI 的竞争已经从“谁的模型大”转变为“谁的落地稳、谁的检索准”。Dify v1.12.x 系列通过摘要索引夯实了 RAG 的地基，通过 OTel 补齐了观测的短板。2026 年的过年前夕，Dify 团队就为我们送上了一份沉甸甸的“春节大礼”。在 RAG 实战中，我们经常遇到“断章取义”的问题：传统的向量检索依赖原始分段，当核心信息跨段分布时，AI 往往抓不住重点。对于我们这些追求“以数据为中心（Data-Centric）”的工程师来说，这不仅是功能升级，更是对数据治理思维的深度落地。
2026-02-05 08:39:50
532
原创 Dify 入门系列(六)：从 Web 到 API交付与集成，打通 AI 落地的“最后一公里”
你甚至可以在“设置”里上传公司的Logo，修改背景颜色，让它看起来就像是公司专门找外包开发的产品。但是，现在有一个尴尬的问题： 这个超酷的AI助手，目前还被锁在Dify的“工厂”里。下一篇，我们将告别简单的 Chatbot，进入 Dify 最迷人的“画布”模式。在你的后端服务器里中转请求，保护 Key 的安全。：你嫌弃 Dify 自带的 UI 不好看，自己用 React 写个全新的界面，后台连 Dify。在上一篇教程中，我们已经在Dify的“工作室”里，用5分钟“组装”出了一个懂公司规范的。
2026-01-30 08:24:49
836
原创 国产开源企业级AI智能体平台——MaxKB入门宝典
这时候，你需要一个强大的AI应用平台。如果你已经在用 Dify，MaxKB，langchain等工具活框架做知识库、RAG 等Agent 应用，或者正准备学习AI工程化相关知识，肯定还会遇到一堆非常具体的工程问题。打开【知识库】页面，点击【创建知识库】，输入知识库名称、知识库描述、选择向量模型，并设置知识库类型为通用型，然后将离线文档通过拖拽方式或选择文件上传方式进行上传。知识库：创建和管理知识库，包括上传离线文档、Web 站点、飞书文档等，为问答对话提供知识来源，对知识进行统一管理，并助力智能问答。
2026-01-26 08:24:58
756
原创 ＜span class=“js_title_inner“＞国产开源企业级AI智能体平台——MaxKB入门宝典＜/span＞
这时候，你需要一个强大的AI应用平台。如果你已经在用 Dify，MaxKB，langchain等工具活框架做知识库、RAG 等Agent 应用，或者正准备学习AI工程化相关知识，肯定还会遇到一堆非常具体的工程问题。打开【知识库】页面，点击【创建知识库】，输入知识库名称、知识库描述、选择向量模型，并设置知识库类型为通用型，然后将离线文档通过拖拽方式或选择文件上传方式进行上传。知识库：创建和管理知识库，包括上传离线文档、Web 站点、飞书文档等，为问答对话提供知识来源，对知识进行统一管理，并助力智能问答。
2026-01-26 08:24:58
971
原创 Dify 入门系列(五)：零代码打造第一个AI应用！用Dify快速搭建数据治理聊天助手
用户提问↓【第一阶段：检索(Retrieval)】AI立即冲进"数据治理专家知识库"用向量相似度算法，在几毫秒内找到最相关的5个文本块↓【第二阶段：增强(Augmentation)】把这些"真实文档片段"和"用户问题"一起打包↓【第三阶段：生成(Generation)】交给LLM（如DeepSeek）去"理解+组织+生成"↓最终答案 + 引用出处。到那时，你的"数据治理AI助手"就不再是"玩具"，而是一个真正的"业务工具"，被集成进公司的各个系统里，日均服务几百个员工的问询。现在，AI助手已经"发布"了。
2026-01-22 08:24:50
654
原创 ＜span class=“js_title_inner“＞Dify 入门系列(五)：零代码打造第一个AI应用！用Dify快速搭建数据治理聊天助手＜/span＞
用户提问↓【第一阶段：检索(Retrieval)】AI立即冲进"数据治理专家知识库"用向量相似度算法，在几毫秒内找到最相关的5个文本块↓【第二阶段：增强(Augmentation)】把这些"真实文档片段"和"用户问题"一起打包↓【第三阶段：生成(Generation)】交给LLM（如DeepSeek）去"理解+组织+生成"↓最终答案 + 引用出处。到那时，你的"数据治理AI助手"就不再是"玩具"，而是一个真正的"业务工具"，被集成进公司的各个系统里，日均服务几百个员工的问询。现在，AI助手已经"发布"了。
2026-01-22 08:24:50
579
原创 Dify连续发布v1.11.3 与v1.11.4版本！RAG工程跃升，Node安全升级
Dify元旦后迅速发布了两个版本，原因很扎心：元旦前v1.11.2上线后GitHub Issues大量反馈——Weaviate数据丢、多语言崩、Function Calling 85%，在节后Dify进行了快速的更新，v1.11.3修复了其中问题，但由于Node安全问题，两天后又迅速发布了v1.11.4版本。症状：Chrome编辑LLM节点，Jinja变量弹窗点击无反应根因：DOM渲染逻辑，Monaco编辑器误判外部点击临时方案：a) 用Firefox开发b) 改用代码写变量（不用"/"触发弹窗）
2026-01-19 08:24:42
581
原创 让大模型拥有“MBTI人格”：evolving_personality 开源框架震撼发布！
想让同一个Agent在不同场景表现出不同风格（比如对VIP客户更权威、对普通用户更亲切），传统方法只能写多套Prompt，然后人工判断切换，成本极高且容易出错。特别值得一提的是，国产大模型表现出色，Qwen2.5的演化准确率超过90%，意味着团队可以摆脱对闭源模型的依赖，实现自主可控的人格Agent系统。过去两年，大模型Agent发展迅猛，但「人格设计」始终是最大短板。从此告别「GPT味儿」的千篇一律AI，让你的Agent真正拥有MBTI性格，还会随交互持续成长，变成用户的长期数字伙伴！
2026-01-16 08:24:29
388
原创 Dify v1.11.2 发布：2025 收官之作 —— 稳中求进，致敬 AI 工程化的一年
回顾这一年，Dify 从年初的 v1.0 时代，一路狂奔到了现在的 v1.11。我们见证了 Queue-based Graph Engine（队列图引擎） 的重构，迎来了 Trigger（触发器） 的自动化革命，也拥抱了多模态知识库 的视觉时代。2025 年，我们和 Dify 一起，把 AI 从 Python 脚本变成了可视化的工作流，从玩具 Demo 变成了生产力的工厂。年末是安全事故的高发期。虽然是“收官求稳”，但 v1.11.2 依然带来了几个非常实用的工程化特性，填补了企业级落地的最后几块拼图。
2025-12-29 08:24:44
1006
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
593
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
677
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
864
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
571
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
910
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
858
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
700
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
421
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
515
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
718
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
682
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
778
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
637
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
435
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
396
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
363
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
751
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
496
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
822
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
512
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
673
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
448
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
415
原创 Dify 入门系列(四)：RAG 实战 -＞ 构建你的第一个“数据治理”知识库
这是我们大数据工程师的“本行”，用 AI 来学习我们自己的专业文档，没有比这更酷的了。这就是“文本分块”的“硬科学”。如果 Retrieval（检索）这一步返回的“原文”都是垃圾，那 Generation（生成）那一端的 LLM 再聪明，也是“垃圾进，垃圾出”。我们利用 Dify 的“知识库”产线，把“数据治理”这个专业领域的“私有知识”，成功“注入”到了 Dify 的向量库中。这是 Dify 的“杀手锏”实战，也是我们大数据工程师最关心的功能，是一个完美的、专业性极强的实战场景。当然Dify只是开始。
2025-12-15 08:24:38
497
完整jar包资源，COULD NOT FIND fastjson，包缺失使用
2021-08-08
完整jar包资源，COULD NOT FIND AppleJavaExtensions，包缺失使用
2021-08-08
完整jar包资源，COULD NOT FIND jcommander，包缺失使用
2021-08-08
完整jar包资源，COULD NOT FIND jcommander，包缺失使用
2021-08-08
完整jar包资源，COULD NOT FIND high-scale-lib，包缺失使用
2021-08-08
完整jar包资源，COULD NOT FIND zkclient，包缺失使用
2021-08-07
完整jar包资源，COULD NOT FIND reporter-config，包缺失使用
2021-08-07
完整jar包资源，COULD NOT FIND reporter-config，包缺失使用
2021-08-07
完整jar包资源，COULD NOT FIND colt，包缺失使用
2021-08-07
完整jar包资源，COULD NOT FIND zkclient，包缺失使用
2021-08-07
完整jar包资源，COULD NOT FIND tephra，包缺失使用
2021-08-06
完整jar包资源，COULD NOT FIND tephra，包缺失使用
2021-08-06
完整jar包资源，COULD NOT FIND classworlds，包缺失使用
2021-08-06
完整jar包资源，COULD NOT FIND classworlds，包缺失使用
2021-08-06
完整jar包资源，COULD NOT FIND tephra，包缺失使用
2021-08-06
完整jar包资源，COULD NOT FIND cglib，包缺失使用
2021-08-05
完整jar包资源，COULD NOT FIND logback-core，包缺失使用
2021-08-05
完整jar包资源，COULD NOT FIND logback-core，包缺失使用
2021-08-05
完整jar包资源，COULD NOT FIND logback-classic，包缺失使用
2021-08-05
完整jar包资源，COULD NOT FIND logback-classic，包缺失使用
2021-08-05
atlas 2.2.0源码包，apache-atlas-2.2.0-sources.tar.gz
2021-08-23
airflow python安装包，apache_airflow-2.1.2-py3-none-any.whl
2021-08-18
airflow 2.1.0client 源码,apache-airflow-client-2.1.0-source.tar.gz
2021-08-17
airflowclient的安装包 apache_airflow_client-2.1.0-py3-none-any.whl
2021-08-16
apache-activemq-5.15.15二进制包，安装包
2021-08-10
完整jar包资源，COULD NOT FIND metrics-core，包缺失使用
2021-08-09
完整jar包资源，COULD NOT FIND metrics-core，包缺失使用
2021-08-09
完整jar包资源，COULD NOT FIND metrics-ganglia，包缺失使用
2021-08-09
完整jar包资源，COULD NOT FIND metrics-graphite，包缺失使用
2021-08-09
完整jar包资源，COULD NOT FIND stream，包缺失使用
2021-08-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人