RAG标签_2048 AI社区

RAG

一个大数据项目改成 AI 流程后，最难的部分完全变了

上周参与了一个需求评审，产品经理问："这个RAG系统什么时候能上线？"我说还差权限校验和日志追踪没搞定。产品经理一脸困惑："不就是查个文档吗，还要权限？现场沉默了三秒。这就是大数据工程师转大模型最常撞上的墙——Demo和上线之间，隔着的不是模型能力，而是工程化。今天复盘一个真实项目，说说我们是怎么从"能跑"走到"能用"的。从大数据转大模型，技术栈变化不大，但工程思维要变。Demo阶段追求"能跑"，

学习实战派
2026-08-25 20:22:07

 194

 4

#大数据 #人工智能 #RAG
大模型项目能跑Demo却上不了线？真正拉开差距的不在模型

之前做项目的时候，我一直以为大模型应用的门槛在模型选型和 Prompt 工程上。后来投了几轮简历，面试了几个项目，才发现面试官问得最多的根本不是模型怎么调，而是你的系统有没有权限控制、日志能不能追溯、出错的时候能不能定位。最近这半年，整个行业的风向其实很明显：大模型应用从 Demo 阶段进入工程化阶段，权限、日志、可观测性成了新的分水岭。招聘 JD 里这些关键词出现的频率越来越高，但市面上大多数教

 学习实战派
2026-08-25 18:40:51

 202

 8

#人工智能 #大数据 #RAG
RAG 检索深度指南：从 Embedding 到 Query 处理（二）

如果你做过 RAG 系统，一定有过这样的体验：明明 LLM 够聪明，向量库也跑了，可检索出来的结果就是「答非所问」。问题出在哪？绝大多数时候，不是模型不行，而是你的检索管道太粗糙。Embedding 与向量检索，以及Query 处理。前者决定了你「能不能找到」，后者决定了你「找得准不准」。作为一个在生产环境踩过无数坑的 Agent 开发者，我会尽量把每个决策点背后的思考讲清楚——不是告诉你「该怎么

 only-qi
2026-08-25 18:29:36

 282

 5

#RAG #人工智能
RAG实战笔记（二）LangChain / LlamaIndex 框架入门

温馨提示：结合资源学习效果更加！配套代码路径：src/qa_chain.py、src/retriever.py。详见项目文件资源csdn平台地址：csdn资源--“新手可入门，一套可运行、可配置、可二次开发的私有知识库问答系统完整源码 + 教程笔记 + 工具脚本”资源文件目录展示项目名称:从零搭建一套完整的 RAG 私有知识库问答系统，下面我以此作为示例进行分析学习。

GreenHands495
2026-08-25 18:01:17

 311

 16

#人工智能 #前端 #机器学习 +1
我用前端经验做了次 AI 项目，最先失效的是旧方法

前端做 AI 应用，最大的坑不是模型不会用，而是 Demo 阶段根本不会暴露的工程化问题。权限、日志、可观测性这三道坎，跨过去才能从"能跑"变成"能用"。前端转 AI 应用，学习路线需要取舍：流式数据处理：SSE、WebSocket、流式响应处理多模态渲染：Markdown、代码、表格、图片的组件设计基础工程化：日志、监控、错误处理的基本实践复杂的 Agent 编排：LangGraph、多 Age

晨xi的光
2026-08-25 18:00:20

 312

 10

#前端 #人工智能 #状态模式 +1
RAG实战笔记（一）RAG 技术原理与架构拆解

RAG（检索增强生成）是一种结合检索与生成的技术，通过先检索私有知识库再生成答案，解决大模型幻觉问题并实现知识热更新。其架构分为6层：数据源层（多格式输入）、切片层（语义分块）、向量存储层（嵌入向量化）、召回层（多路检索融合）、重排层（精排优化）、生成层（答案合成）。典型优化策略包括调整分块大小、多路召回融合、持久化索引等。该技术能有效提升回答准确性，同时提供可追溯的引用来源。

GreenHands495
2026-08-25 17:57:06

 871

 35

#人工智能 #机器学习 #深度学习 +1
从上海大模型岗位要求看Java开发者的转型之路：经验迁移与未来机遇

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

 Python怎么学啊
2026-08-25 17:46:32

 148

 6

#java #学习 #人工智能 +2
Demo能跑面试却总挂？大模型应用项目该补的工程化最后一课

去年秋招，我带过一个学生小陈，简历上写了个"基于LangChain的问答系统"，GitHub链接也给了。面试时他现场跑了一遍，RAG流程顺得很，检索、生成、输出都没问题。我接着问了三个问题：你怎么记录每次调用的输入输出？怎么追踪一个请求经过了多少个Agent节点？权限怎么控制，谁能调哪个接口？他卡住了。后来我帮他改简历，把项目从"能跑"升级到了"可观测"，再投出去，面试官的关注点完全不一样了。这件

 Agent智能体
2026-08-25 17:37:38

 268

 8

#面试 #职场和发展 #RAG
数据工程师搭 RAG 系统，Demo 能跑通，上线第一周翻车的原因找到了

去年接了个内部需求，业务方要做一个"制度文档智能问答"，底层走 RAG。我带队，三个大数据方向的工程师，两个做 ETL 的，一个做数据治理的。Demo 两周就跑通了，业务方很满意。结果真正上线第一周，权限问题、日志丢失、响应时间不可观测，三个问题全来了。这篇文章复盘的就是那次项目，以及我作为数据工程师，在大模型工程化过程中踩过的坑和总结的方法论。---大数据转大模型，不是从零开始，而是能力迁移。数

 晨xi的光
2026-08-25 17:22:45

 326

 12

#RAG
多智能体配置发布前的收口清单

配置发布前，除了核对模型、工具和权限，还要确认本次变更影响哪些路由与租户。灰度范围、回滚版本和负责人应在发布记录中写清。遇到工具权限扩大或提示词大改时，先在隔离流量里观察，不要把配置检查当成一次勾选动作。在 AI Agent 架构设计与多 Agent 协作系统的生产部署中，当面对包含多个 Agent 节点与数十种第三方 API 工具链的复杂系统时，环境依赖漂移与配置乱象容易导致部署失败或系统异常。

baronbool
2026-08-25 17:06:49

 163

#AI #人工智能 #后端 +2
RAG检索策略深度解析：从朴素到智能体，如何精准匹配用户需求？

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

 python零基础入门小白
2026-08-25 17:04:11

 185

 7

#人工智能 #学习 #知识图谱 +2
内容生成接入合约前先核对输入输出

合约校验不能只拿格式正确的样例测试。空字段、枚举值拼错、重复提交和模型多输出一段解释文字，都应有明确处理方式。接收方拒绝时保留请求标识和校验原因，方便调用方修正，而不是把异常吞掉后留下半条记录。将 AIGC 内容生成（如文生图、文生代码）与区块链智能合约集成进行版权限量发行或生成存证，是典型的“前台高并发、后台长延时”工程场景。在传统直连架构中，当面对高并发请求时，若将扩散模型（Diffusion

baronbool
2026-08-25 16:36:57

 340

 6

#AI #人工智能 #后端 +2
检索问答先验证召回是否可靠

除了看命中率，还要保留几类会误导检索的提问：同义但含义不同的问法、过期版本的术语、答案根本不在资料库中的问题。逐条查看召回片段是否真的支撑最终回答。没有证据时应明确拒答或提示资料不足，不能用相似标题凑一个结论。在本地开发阶段，将几份 PDF 导入 LangChain 或 LlamaIndex 框架，编写简单的 Prompt 后，终端测试问答准确率看似较高。然而在实际生产或测试环境中，当将 RAG

baronbool
2026-08-25 16:30:45

 348

 5

#AI #人工智能 #后端 +2
工具调用失败时怎样限制重试

在大模型（LLM Function Calling / Tool Calling）应用落地与产品化运营过程中，建立机制健全的是保障系统稳定的关键环节。由于 LLM 具备非确定性，当工具 API 返回异常提示（如 HTTP 500 或格式解析错误）时，模型可能产生误判，误认为是传入参数非法，进而尝试微调参数并高频重新发起调用。若缺乏外层安全代理与止损闸门，自动重试机制容易演变为无限循环，造成不必要的

 baronbool
2026-08-25 16:24:04

 411

 4

#AI #人工智能 #后端 +2
AI 岗位观察：Agent 工程师与 FDE，两条专业路线的真实数据

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

 我算是程序猿
2026-08-25 16:20:05

 215

 10

#人工智能 #产品经理 #职场和发展 +1
多智能体协作先画清状态边界

在大型系统或复杂工作流场景中，当多 Agent 协作系统在处理跨部门审批与发票核验任务时，如果缺乏死锁防护与路径追踪机制，主控 Agent 的 Task Worker 容易陷入并发卡死状态，协程数量在短时间内可能急剧飙升。在缺乏链路治理的情况下，系统接口可能直接返回 504 超时。检索日志会发现一秒内触发大量重复 Prompt 请求，但由于状态流转陷入死锁，没有任何一个任务能够完成并输出最终结果。

baronbool
2026-08-25 16:17:34

 309

 7

#AI #人工智能 #后端 +2
RAG技术的演进

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

 拥抱AGI
2026-08-25 16:16:17

 173

 7

#人工智能 #学习 #产品经理 +2
企业RAG知识库：为什么90%都做成了高级搜索引擎

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

 猿类崛起@
2026-08-25 16:09:02

 236

 7

#人工智能 #学习 #AI +1
企业RAG知识库对接业务系统-ToB落地指南

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

 发菜君
2026-08-25 15:57:16

 178

 7

#RAG #AI
RAG实战必看！8种切分策略+核心参数，助你提升88%召回率！

RAG切分策略综述：平衡语义完整性与检索精度 RAG（检索增强生成）系统的核心挑战在于文档切分策略的选择，过大切分会导致噪音干扰，过小则引发上下文丢失。本文系统分析了8种主流切分方法：从基础的固定大小切分到高级的语义切分和LLM驱动切分，并指出递归字符切分（LangChain默认）适用于80%的生产场景。关键参数如chunk_size（通常400-512 token）和overlap（10-20%

程序员王饱饱
2026-08-18 17:18:20

 238

 4

#前端 #github #人工智能 +2
内容生成接入合约前，先拆清内容和链上状态

在一个典型的 AIGC 与区块链技术集成场景中，系统通常需要处理如下业务链条：用户在前端输入 Prompt，系统调用 Stable Diffusion 或 Midjourney 模型生成高精度数字图像，随后将图像打包为 IPFS 字典元数据，并调用 Ethereum 或 Polygon 上的 ERC-721/ERC-1155 智能合约进行 NFT 资产铸造（Mint）。

baronbool
2026-08-18 16:24:28

 461

 8

#AI #人工智能 #后端 +2
从Cursor到多智能体：2026年AI全栈开发工具到底该怎么选？

从Cursor到多智能体：2026年AI全栈开发工具到底该怎么选？

AI-智能
2026-08-17 13:49:00

 173

 3

#人工智能 #java #前端 +1
35 岁前端转型 AI，我观察老张试了 5 条路，目前这 2 条最稳

3 个月，他试了 5 条路。今天我把他的真实经历和收入数据都摊开说，帮你少走弯路。

程序学到昏
2026-08-12 13:38:24

 262

 6

#前端 #人工智能 #java +1
前端转AI Agent实践指南：从“切图仔”到“智能体建筑师”的破局之路

这不仅是岗位的危机，更是思维模式的困境——我们是否只是“需求翻译机”和“界面组装工”？

程序学到昏
2026-08-12 13:37:53

 171

 6

#前端 #人工智能 #java +1
数据库DBA_AI写SQL我从写手变审核调优

前阵子我整理了一份"AI 出 SQL 复核清单"，组内传阅。不是什么高深东西，就是哪些必须人看、哪些可以放行。它让我从"自己盯"变成"立规矩让人一起盯"，算是个小进步。

AI_小站
2026-08-07 15:26:16

 205

 6

#数据库 #dba #人工智能 +2
大数据转大模型：Demo能跑通谁都会，能上线的才值钱

去年带团队做过一个项目，前端端是个销售助理Agent，能把CRM里的客户信息、报价历史、合同状态喂给模型，生成跟进建议。Demo阶段跑得挺漂亮，销售总监看了直点头。结果一上生产，三个问题直接炸：权限没隔离，销售A能查到销售B的客户；日志没埋点，出了错根本不知道模型读了什么、漏了什么；可观测几乎为零，用户反馈"回答不准"的时候，我们连是数据问题还是模型问题都分不清。这个项目最后延期了两个月，不是因为

 技术琐事
2026-08-02 15:09:59

 393

 7

#大数据 #RAG
RAG 文档切分(Chunking)策略与实现细节 —— 全网技术汇总

RAG文档切分策略与技术实现摘要 RAG系统的核心挑战在于文档切分，需要在语义完整性和检索精度间取得平衡。主流切分方法包括：固定大小切分、递归字符切分（LangChain默认方案）、文档结构切分、语义切分（质量最高但成本高）和LLM驱动切分等。

accept 100％
2026-08-02 14:47:24

 506

 13

#RAG
爬虫转大模型：权限与日志才是我最后的护城河

上周，我带着爬虫团队的经验上线了一个内部知识库问答系统。Demo 阶段效果不错，但一遇到权限控制和日志追踪，整个系统就暴露了原本没想到的问题。信息采集能力只是入场券，真正的竞争力在于工程化落地中的权限与可观测性。从爬虫转向大模型应用，我们发现过去的经验既有价值也有局限。信息采集能力是基础，但真正的竞争力在于工程化落地中的细节管理。特别是权限控制和日志追踪，这些往往被 Demo 阶段忽略的问题，才是

 IT职业领路人
2026-07-28 13:35:20

 190

 8

#爬虫 #人工智能 #RAG
企业知识库怎么搭建？别急着买AI，从旧文件到RAG上线要过7关

真正能用的企业知识库，要做到三件事：员工问一句；系统只查他有权看的资料；系统保留来源映射时，答案还能回到原文件核验。

人工智能小豪
2026-07-27 14:07:59

 185

 4

#人工智能 #大数据 #java +2
GraphRAG 实战复盘：小团队别盲目搞全量图谱，先跑通实体抽取

最近 AI 编程工具（如 Claude Code, Codex）在团队协作里的渗透率越来越高，大家发现 Demo 写得再漂亮，一到生产环境就崩盘。原因往往不是模型不行，而是权限、日志和依赖关系没理清楚。这让我想起之前做企业知识库时的一个教训：很多团队一上来就想着搞“全知全能”的 GraphRAG，把整个文档库塞进 Neo4j，结果推理延迟高得吓人，维护成本更是指数级上升。GraphRAG 的核心价

 codeingg
2026-07-25 18:18:58

 365

 3

#知识图谱 #RAG
大模型的Agent Skill功能，在LLM HTTP底层交互流中是怎么承载的？

我们知道，大模型只会对话，聊天，所谓的工具调用也只不过是特化的聊天功能而已。但是各种天花乱坠的 skills，是如何在底层的 HTTP 中，与大模型——这个只会嘴遁的工具交互的呢？

AI_小站
2026-07-25 13:59:45

 186

 7

#人工智能 #产品经理 #RAG
经典 RAG（检索增强生成）基础工作流程

词嵌入负责理解语义、向量化；向量数据库负责快速找相似内容；最后把找到资料喂给大模型，让 AI 借助私有外部知识作答，弥补大模型知识截止、无法使用本地数据的缺陷。

Esaka_Forever
2026-07-25 13:41:41

 74

#RAG
当你写了十年 CRUD，忽然发现需求变了

你问自己：如果下半年公司也要招"会用大模型的人"，现在的我，算不算那个人。

程序学到昏
2026-07-23 10:23:39

 160

 6

#人工智能 #java #RAG
别只盯着微调跑分：大数据老兵上线前的生死线是权限与日志

先把这篇文章的目标说清楚：看完之后，你应该能判断这件事值不值得做，以及从哪里动手。前阵子组里招了两个从传统数仓转过来的同学，简历都很漂亮：Spark/Flink 玩得溜，Hive 表管得井井有条，甚至有人还自己搭过 Hadoop 集群。面试时聊起 LLM 应用，我也没绕弯子，直接问了个很俗的问题：“你们怎么保证 Agent 在生产环境不炸？大部分人的第一反应是：“上 RAG 啊，加个向量检索，准确

 技术琐事
2026-07-15 16:02:37

 154

 7

#大数据 #RAG
老语言、老程序员，AI时代还有位置吗？

写PHP写了七年，从CodeIgniter到Laravel，从传统MVC到API服务，带过团队，做过电商、内容平台、SaaS工具。

Python秒杀
2026-07-01 17:21:24

 212

 5

#人工智能 #RAG #AI
RAG评估秘籍：用真实代码与诚实权衡打造顶级AI应用

如果说AI大模型是蕴藏着巨大能量的“后台超级能力”，那么AI大模型应用开发工程师就是将这种能量转化为实用工具的执行者。AI大模型应用开发工程师是基于AI大模型，设计开发落地业务的应用工程师。这个职业的核心价值，在于打破技术与用户之间的壁垒，把普通人难以理解的算法逻辑、模型参数，转化为人人都能轻松操作的产品形态。

拥抱AGI
2026-06-23 17:05:34

 212

 4

#人工智能 #java #产品经理 +3
实战复盘：公有云与私有化RAG部署产品设计差异及适配方案

摘要：本文深入剖析了AI产品经理在RAG系统落地时常见的误区——试图用同一套方案适配公有云和私有化两种部署模式。文章从架构设计、权限体系、功能模块等维度全面对比了两者的核心差异：公有云强调轻量体验与商业化，采用多租户共享架构；私有化侧重安全合规，采用独享隔离架构。同时提供了实战代码示例和分场景标准化方案，并总结了高频踩坑点。文章指出，只有理解这两种模式的本质差异并采取差异化设计策略，才能实现RAG

Vergelight
2026-06-13 17:00:00

 559

 14

#AIGC #RAG
混合检索：向量检索 + BM25 双重保险实战

维度要点核心思想向量擅长语义，BM25 擅长关键词，双路互补才能覆盖所有查询类型融合策略优先用 RRF（无需归一化，效果稳定），加权打分适合有调参能力的团队技术选型轻量方案：LangChain EnsembleRetriever + 内存 BM25；生产方案：Milvus 2.4 原生混合检索权重经验技术文档 50:50，通用问答 30:70，电商搜索 60:40性能要求混合检索 P99 ≤ 20

codefan※
2026-06-09 09:58:24

 278

 8

#机器学习 #算法 #人工智能 +1
HR的AI自救指南：大模型应用层三个真实场景与踩坑实录

大模型出来后，很多同行问我HR能不能用AI提效。我的回答是：能，但得选对方向。别碰模型训练、别搞计算机视觉，那些离HR太远。

程序学到昏
2026-06-08 18:18:36

 399

 8

#人工智能 #oracle #数据库 +1
构建生产级 AI Agent 记忆系统：OpenSearch 向量检索引擎与主流向量数据库全方位对比

本文探讨了如何利用OpenSearch的KNN功能为AI Agent构建长期记忆系统。OpenSearch通过融合KNN向量检索和BM25关键词检索，在搜索引擎和向量数据库之间找到平衡点。文章详细解析了OpenSearch KNN的发展阶段和配置方法，重点介绍了Index Mapping设计，包括关键字段如user_id、category、memory_vector等的设置。同时提供了Python

weixin_42232931
2026-06-03 13:49:23

 460

 9

#数据库 #人工智能 #RAG
AI Agent 工程化实战：从 ReAct 到多 Agent 协作

本文探讨了AI Agent工程化落地的关键挑战与解决方案。文章指出，虽然Agent概念火爆，但实际应用中存在高失败率、缺乏可观测性等问题。核心内容包括：1）Agent本质是循环+工具+记忆的ReAct范式；2）工具设计应注重业务语义完整性，优化Schema描述；3）状态管理建议采用LangGraph思路构建显式状态机；4）多Agent协作需根据场景选择合适模式；5）强调可观测性、成本控制和安全性等

 步入烟尘
2026-05-28 15:20:04

 1583

 7

#RAG
32｜切分与元数据：chunk、重叠、标题、时间、权限标签

本文深入探讨RAG系统中数据切分（Chunking）与元数据（Metadata）的关键作用。通过将长文档切分为语义完整的片段（如按Markdown标题结构切分），并设置重叠区保持上下文连贯，可显著提升检索精度。同时，为每个数据块添加来源、时效、权限等元数据标签，能实现精准的前置过滤，避免返回过期或越权信息。文章提供了工业级切分策略指南，强调"元数据过滤+向量检索"的组合才是解决AI幻觉问题的核心方

 qqxhb
2026-05-27 08:57:04

 1108

 33

#RAG
收藏！小白程序员必看：如何用RAG让大模型秒变“知识达人”

如果把大模型比作一个“会表达、会推理的人”，那么 RAG 更像是给这个人配上了一个可以随时查阅资料的专业工作台。它让回答不再只是“像对的”，而是更接近“有依据地对”。下一篇，我们继续讲：一个 RAG 系统到底是怎么跑起来的？从文档入库，到用户提问，再到答案生成，中间究竟经历了什么。对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职

 EnjoyEDU
2026-05-24 11:00:00

 370

 3

#人工智能 #学习 #RAG
2026 收藏干货｜大模型 RAG 技术深度拆解，程序员入门必学核心知识点

2026 年 AI 应用落地已成主流趋势，检索增强生成 RAG 作为当下大模型落地最常用技术，不管是零基础入行小白，还是转型 AI 方向的程序员，都必须吃透这项核心能力。本文全方位剖析 RAG 技术原理、运行流程，对比微调技术优劣，梳理技术短板与落地组合方案，帮大家系统掌握 RAG 核心逻辑，轻松应对学习与面试考核。

黑帽子唐哥
2026-05-23 18:14:28

 545

 8

#人工智能 #学习 #RAG
从零搭建本地知识库，Ryzen AI 平台 RAG 实战教程

本文详解基于 Ryzen AI 平台从零搭建本地知识库的 RAG 实战教程。利用 Strix Halo 架构与 NPU 加速，实现大模型端侧部署，确保数据隐私安全。涵盖向量数据库选型、文档预处理及 Ollama 接入，助开发者构建高效、低成本的私有智能系统。

小助手
2026-05-19 15:49:49

 403

 10

#RAG
RAG实战指南：让大模型学会检索外部知识

LLM 的知识截止在训练日期。RAG 让 AI 能「查资料」回答——这是 Agent 有「长期记忆」的基础。

流年似水～
2026-05-18 17:48:14

 37

#RAG
从技术架构看AI搜索优化服务的三种路线

摘要：2026年GEO服务市场呈现三种主流技术路线：批量模板化路线成本低但内容同质化严重；Agent自动化路线通过多Agent协同实现差异化内容生成，成为主流方案；RAG增强架构作为前沿技术，深度适配AI检索机制但开发成本较高。技术对比显示，批量模板化适合短期需求，Agent自动化性价比最优，RAG架构则面向高端定制市场。企业选择时应关注技术完整性、AI适配深度和长期价值，而非单纯比较价格。随着A

云岭AI搜索研究
2026-05-16 14:34:13

 462

 11

#RAG
被辞退后，我1个月逆袭成AI专家，月薪翻倍！经验全分享！

摘要：一名UI设计师因职业瓶颈被辞退后，主动转型AI领域，通过系统学习AI工具实现职业跃升。从零基础摸索到熟练掌握提示词、模型应用，仅用1个月成功转行"AI专家"岗位，月薪从9000元翻倍至19000+元。文章分享了学习路径：多实践、即时应用、持续复盘，强调AI+设计的复合能力价值。最后推荐大模型方向作为职业转型首选，并提供全套学习资源（教程/面试题/行业报告/实战项目），帮

 LLand520
2026-05-12 20:42:50

 338

 10

#人工智能 #学习 #语言模型 +2
Jina v3 向量检索实战评测：跨语、长文本与大库的避坑指南（附复现代码）

最近在落地基于 RAG 的 Agent 应用时，对爆火的 Jina Embeddings v3 做了一次深度评测。结果发现：5k 规模下表现完美的模型，到了 100k 真实业务库却严重掉点；某种自定义的“长-长同源检索”虽然跑出满分，但换用真实技术问答（BRIGHT）和合同数据集（ACORD）后，MRR 直接跌到 0.17。本文将详细拆解这次评测的实验设计、核心数据以及背后的业务逻辑，并给出真实业

 weixin_48276521
2026-05-12 20:00:00

 506

 7

#jina #RAG