- 博客(2349)
- 收藏
- 关注
RSS订阅
原创 程序员挣够了钱，到中年失业真的很可怕吗？
最近一刷知乎全部都是大龄程序员失业危机真的有这么可怕吗？程序员35岁就真的到了瓶颈期？我不这么认为挣够了钱，当然不可怕，问题是没挣够啊~！！！按题主的算法是，大城市薪资1w以上，45岁失业，工作20年可以挣够钱：那我们现在来算一下，20年12个月1w=240w没错，这样算下来的确是可以挣到240w左右，但是你还有很多地方需要花钱，如：房租/房贷、孩子学费、赡养老人、家庭日常开支、朋友聚会……等等，这样全部算下来，你觉得你真的挣够钱了吗？？？而且按照题主说的是45岁失业，但现实是35岁很多程序员
2022-01-05 22:40:31
20159
37
原创 如果一名程序员一个月拿两万，得知一对夫妇卖猪肉可以赚五万一个月后会怎么选择，做程序员还是卖猪肉？
在知乎上看到这么个帖子，觉得挺有意思，大家一起瞧瞧？对此，我也看到了许多犀利的回答哈**A：**我反过来问你，如果一对夫妇卖猪肉一个月只能挣一万，听说一名程序员一个月拿五万，他们能选择去当程序员拿五万吗？这时候你知道不是谁都能当程序员，不是哪个程序员都能拿五万了，那你怎么就觉得谁都能卖猪肉、谁卖猪肉都能赚五万一个月了？你拿得动刀吗？你有超过常人的进货和销售渠道吗？你有人家的口碑吗？**B:**有时候可能会有一些莫名的优越感，将这个世界按照一条线性的赛道来理解，就像从小到大好好学习，一路考大学，唯一的
2022-01-04 21:58:55
16040
32
原创 一天高中的女同桌突然问我是不是程序员，满脸黑人问号？
背景昨天一个我高中的女同桌突然发微信问我“你是不是程序猿 我有问题求助”，先是激动后是茫然再是冷静，毕业多年不见联系，突然发个信息求助，感觉大脑有点反应不过来…再说我一个搞Python的，这点要求大家懂的，人生苦短，我用Python！为了大家的面子，为了程序猿们的脸，不就简单的小Python嘛，必须答应！梳理需求现有excel表格记录着 有效图片的名字，如：要从一个文件夹里把excel表格里记录名字的图片筛选出来；需求也不是很难，代码思路就有了：读取Excel表格第一列的信息并放入
2021-12-30 22:31:31
32091
36
原创 轻量 Agent 框架 Nanobot 教程
Nanobot**是香港大学数据科学实验室（HKUDS）开源的一个项目，号称是 OpenClaw 的精简版实现。**整个框架核心代码只有约 4000 行**，比 OpenClaw 小了 99%，但功能一点都不含糊：工具调用、定时任务、记忆系统、多模型兼容、多平台支持，该有的都有。
2026-05-26 21:22:07
215
原创 为什么你的 RAG 总是“差一点”
很多人第一次做 RAG，都会有一种类似的感受。系统不是不能用。它能答，也经常能答个七七八八。你问公司制度，它能从知识库里捞出几段相关内容；你问产品文档，它也能引用出几个看起来对的片段。表面上，一切都已经跑通了。
2026-05-26 21:20:06
178
原创 用了多语言 embedding，为什么还是查不到？
前端出身，跨进智能体这个坑已经有一段时间了。写这个系列，是想把自己摸索的过程留下来——不是教程，是记录。同在学习路上的，也可以看看我整理的电子书：book.zyh.lol，共勉。
2026-05-26 21:18:14
117
原创 Agent 性能优化实战：延迟、Token、并发三个维度怎么调
你是不是也踩过这种坑：本地测试跑得飞快，上线之后用户说「你这 AI 咋这么慢」；或者月初信心满满上了新功能，月底对账单看到数字翻了三倍，却找不到是哪儿吃掉了那么多 Token？
2026-05-26 21:16:55
187
原创 AI Agent 面试通关18问：从原理到生产的硬核指南
最近一位三年后端转AI方向的朋友，连拿三个Agent岗offer，最高包和最低包差了**40万**。我把他的面经和我收集的大厂真题合在一起，整理出这份面试指南——**18个高频问题，每个都给你最精炼的回答思路**。
2026-05-26 21:13:32
78
原创 KG基础模型来了！把小型图结构变成结构 Token
大语言模型之所以能在不同任务上表现出很强的迁移能力，一个重要原因是：文本可以被切分成 token。一句话可以拆成词、子词或符号；图像可以被看成像素或图像块。 这些 token 构成了模型能够反复使用的“基础单位”。
2026-05-25 21:00:56
191
原创 LangGraph 循环与重试：为什么你的 Agent 总是陷入死循环？
这篇文章帮你搞定 LangGraph 循环与重试的底层原理，从指数退避到超时控制
2026-05-25 20:59:45
263
原创 高级 RAG（Advanced RAG）详解：让 AI 学会“精准搜索”
在之前的 Naive RAG 阶段，AI 学会了一件事：回答问题前，先去资料库里翻一翻。但很快，人们发现这个“翻一翻”的动作太粗糙了——用户说一句口语，它找不到；用户问一个专业术语，它也找不到。就像一个刚学会用索引卡片的小管理员，稍微复杂一点的查询就束手无策。
2026-05-25 20:58:24
275
原创 字节面试官问：向量数据库到底存什么？
别把向量库答成"存向量"：只答这一句最多 50 分，能列出 6 类字段并说清每类对应哪种事故才拿 90 分。这道题考的不是概念，是生产系统判断力。
2026-05-25 20:56:45
328
原创 RAG 文档预处理：从原始文档到高质量知识库
很多团队把 80% 的精力花在调 Embedding 模型、优化 Prompt、换 LLM 上，却忽略了决定 RAG 上限的关键环节——**文档预处理**。分块方式差，再好的检索算法也召回不准；文本没清洗，Embedding 模型产生的向量就是"带噪声"的。本文以 TMC 差旅财务系统为业务背景，系统梳理文档预处理的全流程技术。
2026-05-25 20:55:38
298
原创 Unsloth Studio 实战：可视化微调 Qwen3.5-4B，零代码训练专属小模型
这周我把 Unsloth Studio 这个新工具试了下，结论是：**真的可以零代码跑通一次完整微调**。从加载模型、上传数据集、调超参到导出模型，全在浏览器界面里点。我用 Qwen3.5-4B 跑了一个"客服话术"风格化微调，整个流程不到一小时，显存峰值才 6GB 多一点。
2026-05-25 20:54:00
387
原创 从源码看 RAG：一次请求到底发生了什么？
很多人以为，RAG（检索增强）只是：> “查点资料 + 丢给大模型”但在真实系统中，一次请求远比这复杂。
2026-05-24 10:45:00
338
原创 RAG 进化史：从基础检索到智能体驱动
摘要：本文梳理 RAG 五阶段技术演进——从 Naive RAG 的基础框架到 Agentic RAG 的自主决策，并探讨长上下文窗口时代 RAG 的定位与演进方向。
2026-05-23 20:00:40
363
原创 从 RAG 到 grep：一种更适合 Agent 的检索架构
过去两年，只要提到"大模型接入外部知识"，几乎所有系统都会默认走向同一个方案：文档切分 → embedding → 向量数据库 → 相似度召回 → LLM 生成答案
2026-05-22 23:44:32
344
原创 面试官问我：“现在基模能力越来越强，微调（RLHF、SFT）还有价值吗”，我说：“微调还是有意义的，你让我通过面试，入职后慢慢给你讲”
不少录友都听说过“微调”这个词，但没有系统学习过，究竟什么是微调。
2026-05-22 23:43:02
379
原创 智能体元年：一篇讲清楚 Agent 到底是什么？
年初 Openclaw 火出圈，一个开源的多 Agent 协作框架，让几个 AI 同时干活、互相检查。近期，又看到一个 OpenHuman 冒出来，要让 Agent 不只是调 API，而是像人一样操作浏览器、读写文件、跨 App 工作。
2026-05-21 20:30:39
321
原创 RAG知识库构建流程与关键技术
知识库本质上是把企业或个人分散的知识资料进行整理、结构化和存储，让系统能够查得到、找得准、用得上的一种知识管理系统。大模型时代知识库通常会结合`RAG`技术使用，中文通常叫检索增强生成，英文全称是`Retrieval-Augmented Generation`。
2026-05-21 20:29:44
278
原创 GraphRAG也能玩Skill，西交大知识超图起飞
你让一个大模型从医学文献里抽知识图谱，它常常**漏掉关键的时空限定**；换到法律文书，它又开始把一个完整事件拆成**一堆零散的三元组**。换个领域就拉跨，这不是个例，而是现有知识抽取方法的**通病
2026-05-21 20:28:39
364
原创 RAG 正在从“检索增强”走向“知识系统化”
过去一年，RAG 几乎成了大模型应用落地的默认路径：想减少幻觉，用 RAG；想接入私有知识，用 RAG；想做行业问答，也先上 RAG。
2026-05-20 20:38:17
371
原创 一个真正能落地的 Agent 系统，至少要有这 8 个模块
很多人做 Agent 时，第一反应是：换一个更强的大模型、写一个更长的系统提示词、接几个工具。这样当然能做出 Demo，但离“可上线、可维护、可扩展”的系统还差一大截。
2026-05-20 20:37:22
399
原创 RAG我懂你：从架构到知识库构建
传统大语言模型主要依赖参数中的隐式知识进行回答，容易受到知识过期、幻觉和领域知识不足等问题影响。RAG 的核心思想是：在生成答案之前，先从外部知识库中检索相关信息，再将这些信息作为上下文提供给大语言模型，从而提升回答的准确性、可追溯性和时效性。
2026-05-19 21:12:35
309
原创 RAG知识库全流程实操：从分块→检索→生成，逐步拆解
搭了个 RAG，文档灌进去，问题丢过来，回答出来了——看起来能用了。但问它"RAG 四代架构是什么"，它编了个"第一代 RTG"——这个术语根本不存在。问它"嵌入模型中文怎么选"，它说"建议根据几点来选择"——正确的废话。
2026-05-19 21:11:31
357
原创 主流 RAG 架构与方法总结
文档上传 → 文档解析 → 文本切块 Chunking → Embedding 向量化 → 写入向量库 / 搜索索引 → 用户提问 → 向量检索 Top-K → 拼接上下文 → LLM 生成答案
2026-05-19 21:09:56
374
原创 AI 智能体 8 层架构：生产级系统构建指南
AI 智能体（Agentic AI）革命的关键不在更好的提示词，而在于系统化的架构设计。随着企业竞相部署能够自主感知、推理、规划和行动的 AI 智能体（AI Agent），真正的挑战已经从"我们能构建吗?"转变为"我们能正确构建吗?"
2026-05-19 21:08:42
367
原创 SAGE：四智能体自我进化，让 LLM 从 500 条种子学会推理
本文提出 SAGE，让 Challenger/Planner/Solver/Critic 四智能体共享同一 LLM 骨干闭环共进化，仅用 500 条种子即在 Qwen-2.5-7B 上 LiveCodeBench 提升 8.9%、OlympiadBench 提升 10.7%。
2026-05-18 20:04:32
352
原创 LangGraph 分布式追踪：为什么你的 Agent 执行链总是“黑盒”？
这篇文章帮你搞定 LangGraph 分布式追踪的底层原理，从 Trace/Span 到全链路可观测
2026-05-18 20:03:36
367
原创 Hermes 的核心架构 Harness：上下文、工具、权限与执行控制
上一篇写 Hermes-Agent，我们选了一条比较笨但好用的路：跟一条消息走一遍。从终端里敲下一句话，到 Agent 把最后一个字回到屏幕上，中间其实绕了很长一圈：
2026-05-18 20:02:07
368
原创 把文档丢给模型，并不等于做了 RAG，我觉得这个误会太常见了
把文档丢给模型，并不等于做了 RAG，我觉得这个误会太常见了有一次聊天，对方说，他们公司「已经上 RAG 了」。
2026-05-17 20:51:01
319
原创 切实有效的RAG文本分块：语义分割、上下文重叠与评估驱动调优
绝大多数RAG系统的失效，根源都在于糟糕的文本分块。本文将介绍如何合理拆分技术文档，避免检索质量受损。
2026-05-17 20:49:31
335
原创 从零到精通：Hermes Agent 完整上手指南（2026版），Github 9万星的底层解析：记忆、技能、GEPA
这篇可能是全网目之所及，Hermes讲得最透的吧。先假设个时光倒流的场景。
2026-05-17 20:48:14
411
原创 只用文件系统和 Bash，Vercel 做出了一套高效 RAG
不建向量库，也能做 RAG？Vercel 给了一个新答案Vercel 发了一篇博客：Build knowledge agents without embeddings。开源了一个知识库agent问答项目 Knowledge Agent Template。
2026-05-17 20:47:13
235
原创 从手动到自动化：用AgentEval构建Agent评测体系
随着LLM和Agent能力的迅速发展，团队也在不同的场景用Agent做交付，有些场景很依赖基础模型的能力，换个模型可能效果就一落千丈，同样，Agent 改了一版 prompt，线上效果变好了；又改了一版，突然某个场景全崩了。这样的问题我感觉在Agent时代，会非常容易出现，程序里面的逻辑是写死的，一个数据过来，只要符合要求，一定会按照某个逻辑往下走，但是Agent中的逻辑不一样，很多都是通过prompt来约束执行，而LLM的transformer本身就是预测，所以你也不知道下一步应该走向哪里，也许一个tok
2026-05-16 21:33:24
152
原创 大语言模型+agent 赋能AI 科研助手再次进化：从“会聊天”到“会做生物医学分析”
作者提出了一个名为 **BioMedAgent** 的多智能体大语言模型框架。它的目标不是简单回答问题，而是像一名“AI 数据科学家”一样，能够根据自然语言指令，自动规划分析流程、调用生物信息学工具、编写和执行代码，并在完成任务后总结结果。
2026-05-16 21:30:24
323
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