当前位置：

社区首页

电脑数码

软件应用

办公软件

AIGC文章详情

文档切片避坑指南：RAG项目不再答非所问、成本翻倍！

源自83位全网作者

04-08 12:19

精选参考来源

文档平台 Mintlify 发了一篇工程博客，讲了一件挺有意思的事：他们给自家 AI 文档助手造了一套假的文件系统，叫 ChromaFs，让 AI 以为自己在用 grep、cat、ls 这些命令浏览文件，实际上每个命令都被拦截、翻译成了数据库查询。效果很直接：会话启动时间从原来沙箱方案的 46 秒降到 100 毫秒，每次对话的边际计算成本几乎为零。Mintlify 之前的方案是标准的 RAG 流程：把文档切块、向量化、存进 Chroma 数据库，用户提问时检索最相关的片段喂给大模型。问题是，如果答案分散在好几个页面里，或者用户要的是某段精确的代码语法，向量检索经常找不对。他们想让 AI 像开发者翻代码一样翻文档，而不是靠语义相似度碰运气。核心思路是：AI 不需要真的操作系统，只需要一个足够逼真的幻觉。ChromaFs 基于 Vercel Labs 的开源项目 just-bash（一个用 TypeScript 重写的 bash 子集）构建。just-bash 提供了可插拔的文件系统接口，负责解析命令和管道逻辑，ChromaFs 则把所有底层文件操作翻译成 Chroma 数据库查询。每个文档页面变成一个"文件"，每个章节变成一个"目录"，AI 就可以用 grep 搜精确字符串、用 cat 读整页内容、用 find 遍历结构。之前用真沙箱的方案（给每个用户起一个微型虚拟机），按 Mintlify 月均 85 万次对话的量算，一年光计算成本就要 7 万美元以上。ChromaFs 复用了已有的数据库基础设施，这笔钱省了。grep 是最难虚拟化的命令。如果真让它逐文件扫描，走网络 IO 会很慢。ChromaFs 的做法是先把 grep 的参数解析出来，用 Chroma 的元数据查询做粗筛，找出可能命中的文件批量预取到缓存里，再让 just-bash 在内存中做精确匹配。权限控制也很优雅：初始化时根据用户身份裁剪文件树，没权限的路径直接从树里删掉，AI 连路径都看不到，不存在越权风险。所有写操作一律返回"只读文件系统"错误，AI 能随便看但改不了任何东西，整个系统无状态，不用担心清理和数据污染。这篇文章在 Hacker News 上引发了一个有意思的讨论。好几位开发者指出，大家不知不觉中把 RAG（检索增强生成）等同于了向量搜索，但 RAG 里的 R 是 Retrieval（检索），本来可以是任何方式：全文搜索、SQL 查询、甚至翻电话簿。把 RAG 绑死在向量数据库上，是早期技术路径的惯性。有人解释了这种惯性的由来：RAG 概念流行的时候，大模型还不太会用工具，多轮搜索和纠错能力也差，向量检索是当时最省事的方案。现在模型的工具调用和推理能力上来了，让 AI 自己决定用什么方式找信息，反而比预设一条检索管道更灵活。也有人提出了务实的质疑：Mintlify 的场景是结构化的技术文档，天然适合文件系统隐喻，但如果是组织内部那种乱七八糟、没有层级结构的知识库，这套方案未必好使。这个方向和 Claude Code 的做法有相通之处：与其把所有信息预检索好喂给模型，不如给模型一套探索工具，让它自己决定看什么、怎么找。对于正在搭建 AI 文档助手或内部知识库的开发者来说，Mintlify 的这套方案提供了一个向量检索之外的选项，尤其适合文档结构清晰、对精确匹配要求高的场景。

如何系统性的学习RAG、Agent、MCP?

全部
来源

内容由AI生成

1. 文档平台 Mintlify 发了一篇工程博客，讲了一件挺有意思的事：他们给自家 AI 文档助手造了一套假的文件系统，叫 ChromaFs，让 AI 以为自己在用 grep、cat、ls 这些命令浏览文件，实际上每个命令都被拦截、翻译成了数据库查询。效果很直接：会话启动时间从原来沙箱方案的 46 秒降到 100 毫秒，每次对话的边际计算成本几乎为零。Mintlify 之前的方案是标准的 RAG 流程：把文档切块、向量化、存进 Chroma 数据库，用户提问时检索最相关的片段喂给大模型。问题是，如果答案分散在好几个页面里，或者用户要的是某段精确的代码语法，向量检索经常找不对。他们想让 AI 像开发者翻代码一样翻文档，而不是靠语义相似度碰运气。核心思路是：AI 不需要真的操作系统，只需要一个足够逼真的幻觉。ChromaFs 基于 Vercel Labs 的开源项目 just-bash（一个用 TypeScript 重写的 bash 子集）构建。just-bash 提供了可插拔的文件系统接口，负责解析命令和管道逻辑，ChromaFs 则把所有底层文件操作翻译成 Chroma 数据库查询。每个文档页面变成一个"文件"，每个章节变成一个"目录"，AI 就可以用 grep 搜精确字符串、用 cat 读整页内容、用 find 遍历结构。之前用真沙箱的方案（给每个用户起一个微型虚拟机），按 Mintlify 月均 85 万次对话的量算，一年光计算成本就要 7 万美元以上。ChromaFs 复用了已有的数据库基础设施，这笔钱省了。grep 是最难虚拟化的命令。如果真让它逐文件扫描，走网络 IO 会很慢。ChromaFs 的做法是先把 grep 的参数解析出来，用 Chroma 的元数据查询做粗筛，找出可能命中的文件批量预取到缓存里，再让 just-bash 在内存中做精确匹配。权限控制也很优雅：初始化时根据用户身份裁剪文件树，没权限的路径直接从树里删掉，AI 连路径都看不到，不存在越权风险。所有写操作一律返回"只读文件系统"错误，AI 能随便看但改不了任何东西，整个系统无状态，不用担心清理和数据污染。这篇文章在 Hacker News 上引发了一个有意思的讨论。好几位开发者指出，大家不知不觉中把 RAG（检索增强生成）等同于了向量搜索，但 RAG 里的 R 是 Retrieval（检索），本来可以是任何方式：全文搜索、SQL 查询、甚至翻电话簿。把 RAG 绑死在向量数据库上，是早期技术路径的惯性。有人解释了这种惯性的由来：RAG 概念流行的时候，大模型还不太会用工具，多轮搜索和纠错能力也差，向量检索是当时最省事的方案。现在模型的工具调用和推理能力上来了，让 AI 自己决定用什么方式找信息，反而比预设一条检索管道更灵活。也有人提出了务实的质疑：Mintlify 的场景是结构化的技术文档，天然适合文件系统隐喻，但如果是组织内部那种乱七八糟、没有层级结构的知识库，这套方案未必好使。这个方向和 Claude Code 的做法有相通之处：与其把所有信息预检索好喂给模型，不如给模型一套探索工具，让它自己决定看什么、怎么找。对于正在搭建 AI 文档助手或内部知识库的开发者来说，Mintlify 的这套方案提供了一个向量检索之外的选项，尤其适合文档结构清晰、对精确匹配要求高的场景。

2. 如何系统性的学习RAG、Agent、MCP?

3. 做了个RAG评估小框架开源做RAG时发现，麻烦的往往是数据处理到评估的那条流水线。所以顺手写了个工具，用中文数据集做基准，内置标准流程，方便快速试不同的检索和生成方案平时主要用它两件事，一是快速验证新想法，不用重复写脚本，二是在同一套指标下对比不同策略，看问题出在哪#rag#

4. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

5. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

6. 【向量数据库被颠覆？一个无需嵌入的RAG新思路】最近开源社区出现了一个有意思的项目PageIndex，它提出了一种完全不同的RAG实现路径：用文档树结构替代传统的向量嵌入，在FinanceBench基准测试上达到了98.7%的准确率。这个方案的核心理念是让大模型直接在文档结构上进行推理，而不是通过关键词匹配来检索。不需要嵌入，不需要分块，完全开源。听起来很激进，但仔细想想，这其实回归了一个朴素的问题：人类阅读文档时，依赖的是什么？是语义相似度，还是章节、标题、表格这些结构化线索？对于金融报告、法律合同、合规文档这类天然具有清晰层级结构的内容，让模型沿着文档树进行推理，确实比把文档切成碎片再用向量匹配更符合直觉。结构优先的检索方式，也让引用溯源变得更加可靠。但社区的实测反馈也很真实。有人指出它目前只能处理单个文档，跨文档比较和相似性匹配这类场景还是需要向量数据库。也有人反映速度偏慢，对于简单查询来说，逐层遍历节点的开销不小。还有人质疑：面对大规模非结构化数据，这种方案能否扩展？一位开发者的评论很中肯：向量数据库能用廉价的数学运算实现毫秒级检索，而PageIndex依赖的是昂贵且缓慢的大模型推理，在需要扫描海量文档的场景下，可行性存疑。所以这不是一个“谁取代谁”的故事。更准确的理解是：RAG的工具箱里多了一件趁手的武器。结构化文档用文档树，非结构化内容用向量嵌入，复杂场景可能需要混合方案。技术选型从来不是非此即彼。真正的答案永远是：在你自己的数据上跑一遍基准测试。 GitHub：github.com/VectifyAI/PageIndex x.com/dr_cintas/status/2019045152350756869

7. AnythingLLM是开源企业级私有知识库工具，核心基于检索增强生成（RAG）技术，专注本地文档语义解析与安全问答，无需依赖公网服务，适配企业内部知识沉淀、合规场景问答、跨部门信息共享等需求。 GitHub:github.com/Mintplex-Labs/anything-llm 主要功能： 1. 多格式文档兼容：自动解析PDF、Word、TXT等主流文档格式，批量构建结构化知识库；2. 全链路本地化：支持Ollama等本地模型部署，文档与对话数据不上云，完全保障隐私；3. 精准语义检索：基于向量数据库实现深度语义匹配，答案附带原文溯源，避免AI幻觉；4. 多端灵活部署：支持Docker自托管、服务器部署与桌面端运行，适配不同企业环境；5. 无代码快速搭建：可视化界面管理知识库，无需专业AI知识即可完成部署与维护；6. 生态扩展能力：支持自定义向量数据库接入、模型切换，可嵌入CRM等现有业务系统。操作门槛低，企业无需组建专业AI团队。实际使用中，跨部门文档检索效率提升80%+，合规场景下可满足数据本地化要求，是解决企业知识分散、检索低效且注重隐私安全的核心工具。

8. 深度解析RAG、LangChain、Agent三者间的关系（附应用案例+大厂内部资源合集）

9. 通俗易懂的解释 LLM，RAG 和 AI Agent 的差别，以下内容为原推的翻译：我终于明白了LLM、RAG和AI智能体的区别过去两年里，我一直在搭建真正落地的AI系统。现在，我终于清楚了：LLM（大语言模型）、RAG（检索增强生成）和AI智能体（AI Agents），根本不是互相竞争的技术，而是构成同一个AI智能系统的三个层次。很多人用错了方法，把它们当成互斥的工具。---> 大语言模型是“大脑” <LLM 就像AI的脑子，它会思考，会写作，也懂语言。但问题来了：它是冻结在某个时间点的。比如 GPT-4，它的知识截止到训练结束的那一天。你问它昨天的新闻发生了什么？那可就瞎编了。大语言模型很聪明，但却不了解“现在”正在发生的事。---> RAG是AI的“记忆” <这时候就需要 RAG（Retrieval-Augmented Generation，检索增强生成）了，它相当于给大脑接入了“外置内存”。当你提问时，RAG会先去外部数据库或文档里搜索，把相关资料抓出来，再丢给大语言模型作为上下文。这样一来，原本静态的模型一下子就“活”了：- 有最新的数据- 有真实的事实- 完全不需要重新训练模型最关键的是，准确率立刻就提高了。大语言模型不用再靠记忆乱猜，而是真正地在实时检索到的信息上进行推理。你甚至还能追溯每个答案到底用了哪些文档。---## > AI智能体是AI的“行动力” <尽管LLM能思考，RAG能提供新鲜的数据，但它们都缺乏真正的行动能力。这时，AI智能体（AI Agents）出场了。它在大语言模型的外面套上了一个控制循环：- 设定目标- 规划步骤- 执行行动- 回顾反思AI智能体并不仅仅是回答问题那么简单，它能自主地去研究一个话题、收集数据、撰写报告，甚至帮你发邮件，全程自动化。---> 真正的生产级AI，要同时用好这三者 <很多酷炫的AI展示，其实只是单纯用了LLM再配上花里胡哨的提示词。但真正能落地的AI系统，往往同时结合了这三个要素：- LLM 提供推理和思考能力- RAG 确保知识准确而新鲜- AI智能体则提供行动和决策能力---> 如何选用这三者？ <- 只用LLM 如果你需要纯语言的任务，比如写作、摘要、解释。- LLM + RAG 如果你需要回答涉及特定文档、技术手册、专业领域知识的问题，并确保答案准确无误。- LLM + RAG + AI 智能体如果你需要真正的自主行动，比如系统自己决策、执行任务、管理复杂流程。---> AI的未来，不是选哪一种，而是如何把这三层架构起来 <记住这个公式：- LLM负责思考- RAG负责知识- AI智能体负责行动真正的AI智能系统，就是这三者协同起来，形成一个完整的智能架构。来源：x.com/connordavis_ai/status/1985663551697273216

10. 构建智能问答系统通常面临查询模糊、上下文理解不足和检索效率低等挑战。Agentic RAG for Dummies 是一个基于 LangGraph 的极简 Agentic RAG（检索增强生成）框架，帮助你用最少代码快速搭建具备会话记忆和人机交互查询澄清能力的生产级系统。项目集成了多功能模块： - 会话记忆，保持对话上下文连贯； - 智能查询澄清，自动重写或请求补充信息； - 分层索引，实现精准且上下文丰富的检索； - 多Agent并行处理复杂多问； - 灵活切换多种大语言模型（Ollama、OpenAI、Google Gemini 等）； - 开箱即用的 Gradio Web UI，方便体验和部署。无论是学习 RAG 基础，还是构建定制化应用，这个项目都提供了交互式笔记本和模块化代码两条路径，助力开发者快速上手并轻松扩展。 GitHub 地址：github.com/GiovanniPasq/agentic-rag-for-dummies/ 主要功能： - 支持多轮对话记忆，提升问答自然度； - 自动拆分复杂查询，精准定位信息点； - 结合关键词稀疏向量和语义稠密向量的混合检索； - 内置人机交互机制，避免误解或无效查询； - 多Agent协同，提升复杂问题的处理效率； - 完整文档处理流水线，支持 PDF 转 Markdown 及分块索引。适合 AI 研究者、开发者及数据工程师，轻松构建满足生产需求的智能问答系统。

11. #转发赠书# 携手@异步图书送出3本《生成式人工智能（基于PyTorch实现）》，截止2025.10.27 12:00，转发即可参与。@微博抽奖平台本书坚持“从零构建模型”的学习理念，通过详尽的步骤解析和代码示例，让你逐步掌握生成式AI的底层逻辑和工作原理，打破对AI技术的神秘感和畏惧感。本书使用PyTorch对生成式人工智能模型进行编程的实践指导，以期让读者在了解生成对抗网络（GAN）、变分自编码器（VAE）、循环神经网络（RNN）、Transformer、扩散模型、大语言模型（LLM）和LangChain等技术原理之后，能构建可生成形状、数字、图像、文本和音乐的生成式人工智能模型。本书适合各种商业领域中的人工智能技术工程师和数据科学家在实践生成式人工智能模型时随手查阅，也适合生成式人工智能的初学者作为入门指南。

12. 2026上半年国内十大AI工具核心特点一览： 1. 豆包 (字节跳动) 特点：对话交互体验佳以拟人化对话和语音交互见长，响应速度快，适合日常闲聊、口语练习及轻量级信息查询。 2. DeepSeek (深度求索) 特点：逻辑推理与代码金融在数学推导、代码生成及金融分析领域表现卓越，以高性价比和强逻辑性著称。 3. 文心一言 (百度) 特点：中文知识问答权威依托庞大的知识图谱，在中文语义理解、百科问答及搜索增强方面表现优异。 4. 通义千问 (阿里) 特点：办公场景全能助手深度集成于阿里办公生态，在文档处理、会议纪要及跨格式解析方面表现出色。 5. 智谱清言 (智谱AI) 特点：思维链逻辑推理强擅长复杂问题拆解与逻辑推演，能够展示清晰的思考过程，适合科研与深度分析。 6. Kimi (月之暗面) 特点：超长文本处理专家支持超大上下文窗口，轻松解析百页PDF与长篇文档，是阅读与摘要的利器。 7. 元宝 (腾讯) 特点：精准检索与摘要深度整合微信生态，擅长处理长文档摘要、资料精准检索与复杂指令分析。 8. 通义灵码 (阿里) 特点：高效智能编程基于通义大模型的编码助手，支持行级/函数级实时续写，大幅提升开发效率。 9. 天工AI (昆仑万维) 特点：AI音乐创作先锋在AI音乐生成领域独具特色，支持多种风格的旋律创作与歌曲生成。 10. 即梦/可灵 (字节跳动) 特点：多模态内容生成字节跳动在视频与绘画领域表现突出，其中即梦侧重绘画设计，可灵侧重视频生成，展现了强大的视觉内容创作能力。（转）

13. 常见面试题：在构建知识库时，文本切块策略至关重要。你会如何选择合适的切块大小和重叠长度？这背后有什么权衡？这是一个典型但非常容易被低估的问题，尤其在偏工程、偏系统构建的场景里，切块策略几乎决定了 RAG / 知识库的“上限”。可以分三个层次开展开：如何选切块大小、如何选重叠长度、背后的核心权衡逻辑。一、切块大小怎么选，本质看三件事切块大小从来不是一个“经验数值”，而是由下面三件事共同决定的。 1. 语义完整性需求切块必须是一个最小可独立理解的语义单元。如果一个 chunk 本身就需要依赖前后内容才能理解，那它再怎么被召回都没有意义。 a. API 文档、函数说明一个函数 + 参数说明 + 返回值，通常是一个完整语义单元这种场景下，切块可以偏大 b. 论文、技术文章、设计文档一个自然段往往只表达一个子观点，但真正可用的信息常跨 2–3 段这种场景下，切块不能太小核心判断标准只有一句话：这个 chunk 被单独喂给 LLM，能不能完成一次有价值的推理？ 2. 嵌入模型的表达能力嵌入模型并不是“越长越好”。 a. chunk 太小向量只捕捉局部词义，语义密度低相似度搜索容易命中“看起来相关、实际没用”的片段 b. chunk 太大向量会被多个主题平均真正关键的信号被稀释，召回精度反而下降所以切块大小通常要落在嵌入模型的“有效语义压缩区间”内。以当前主流 embedding 模型为例，一个经验区间是：大约 300–800 tokens 属于比较稳定的区间不是硬规则，而是一个“风险较低的甜点区” 3. 下游 LLM 的上下文预算 chunk 大小 × 召回数量 = 上下文占用你最终不是在优化“向量库”，而是在优化：被召回内容 + 用户问题 + 系统指令 + 推理空间如果 chunk 太大，你只能召回很少的条目如果 chunk 太小，你需要召回很多条目才能拼出完整信息这会直接影响回答稳定性和可控性。二、重叠长度怎么选，它解决的是什么问题重叠并不是为了“多一点信息”，而是为了防止语义被切断。 1. 重叠解决的核心问题自然语言的语义边界，几乎从不等于固定 token 边界。常见断裂点包括： a. 段落结尾提出问题，下一段才给答案 b. 本段定义概念，下一段才给约束条件 c. 列表或推导跨段完成如果不重叠，你会制造大量“半残废 chunk”。 2. 重叠长度的经验原则重叠长度通常只需要覆盖： “一个最小跨段依赖窗口” 经验上可以这样理解：重叠 ≈ chunk 大小的 10%–30% 举例： 500 tokens 的 chunk 50–150 tokens 的 overlap 就已经能解决 80% 的断裂问题 3. 重叠太大的副作用 a. 向量高度相似，召回时产生冗余 b. 有效信息密度下降 c. 排序时多个 chunk 竞争同一个语义位置所以重叠不是越大越安全，而是“刚好不断”。三、真正的权衡：你在优化什么系统目标切块策略背后，其实是三个目标在互相拉扯。 1. 召回精度更小、更聚焦的 chunk，有利于精确匹配查询意图 2. 语义完整性更大的 chunk，更容易提供完整上下文，减少幻觉和误解 3. 系统效率与稳定性 chunk 数量、向量库规模、召回冗余、上下文占用都会影响系统成本和稳定性这三者不可能同时最大化。四、举个例子如果让我在真实系统里做，我通常是这样定策略的。 1. 先按自然结构切优先按标题、段落、代码块、函数定义切，而不是按 token 切 2. 再设一个“软上限” 比如：单 chunk 超过某个 token 数，就再二次拆分而不是一开始就硬切 3. 最后用 overlap 做兜底只在自然边界处加 overlap，而不是机械地滑窗 4. 用真实查询回放验证不是看“看起来合不合理”，而是看： a. 命中率 b. 是否需要多 chunk 拼接才能回答 c. LLM 是否经常“答非所问但语义相关” #ai创造营# #程序员#

14. Weaviate的免费电子书：《上下文工程（Context Engineering）》你是否也遇到过这样的问题？用强大的大语言模型（LLM）做应用时，模型能写能总结能推理，但面对你的专属数据却无能为力，甚至自信地“胡编乱造”。问题不在模型智能，而是它被“孤立”了——没有访问你的私有文档，没有实时信息，没有记忆。这正是“上下文工程”（Context Engineering）的核心挑战：设计系统，让模型在合适的时间获得正确的信息，连接外部知识库和工具，赋予它记忆，帮它在真实世界中可靠工作。这本电子书详细讲述了如何打造这样的系统：1. 智能代理（Agents）：它们不再盲目执行固定流程，而是动态判断、选择工具、调整策略，甚至修正错误，像个有头脑的“指挥官”。2. 上下文窗口的限制与管理：模型的工作记忆有限，不能简单扩容。要懂得剔除无关信息、压缩摘要、防止信息冲突和错误积累，才能保持“思路清晰”。3. 查询增强（Query Augmentation）：通过重写、扩展、拆解查询，提升检索准确度，让模型更懂你的问题。4. 文档切片（Chunking）策略：如何拆解文档成既精确又完整的小块，是检索表现好坏的关键。预切片和后切片各有利弊，复杂文档更需要层级和语义切片。5. 记忆管理：短期记忆为即时推理服务，长期记忆保存事实和经验。高效的记忆管理防止信息污染，支持多层次记忆结构，提升连贯性和智能度。6. 工具集成（Tools）：模型借助外部API和功能调用，才真正能够“动手”解决问题。精确的工具描述和合理的调用逻辑，是提升系统可靠性的秘诀。7. 编排挑战（Orchestration）：让代理知道何时用什么工具、如何构造参数、如何根据结果调整策略，形成“思考-行动-观察”的闭环。8. 未来趋势：Anthropic提出的“模型上下文协议”（Model Context Protocol，MCP）将实现AI应用与工具的标准化连接，告别碎片化集成，迈向模块化、组合式AI系统。总结来说，打造智能AI应用的关键不再是更大更复杂的模型，而是更精妙的上下文系统设计。上下文工程让我们从“给模型写提示词”升级为“构建模型的世界”。掌握代理、查询增强、检索、记忆和工具的协同，才能让AI真正“活”起来。🔗 weaviate.io/ebooks/the-context-engineering-guide这就是我们，构建未来AI的工程师，正在重新定义智能的边界。你准备好了吗？

15. 昨天这篇文章提到了强化机制（网页链接），此强化非彼强化，正好详细了解了一下。这里的强化机制并非机器学习领域的强化学习，而是一种为大模型注入额外提示、补全上下文、修正轨迹的工程技巧。它的核心目标是让 Agent 在多步任务中保持方向稳定、决策一致。1. 解决什么问题？当 Agent 需要处理复杂的多步骤任务，模型常常出现以下问题：1）工具报错后无法正确恢复当错误信息过长或过几轮后被遗忘时，模型会继续产生无效输出。2）忘记初始目标在长上下文中，模型会偏向于处理眼前的文本，而不是任务本身。3）被工具输出的噪声误导许多系统的工具输出不够结构化，模型难以正确解析。4）循环行为模型可能重复调用相同工具，或重复生成相同解释。2. 什么是强化机制？为了让 Agent 能够顺畅执行任务，工程实践中逐渐形成了一种关键方法，即“强化机制（reinforcement）”。强化机制通常包含三类信息：1）原始工具输出2）对工具输出的解释、总结或结构化处理3）针对任务目标的提醒、下一步行动建议或错误纠正提示这种方式让模型在下一轮推理时，不仅知道发生了什么，还知道应该如何继续。3 强化机制是如何运作的？为了说明强化机制如何发挥作用，可以将 Agent 的通用循环简化为四个阶段：1）用户或系统提出任务2）模型给出行动（如调用工具或生成内容）3）工具返回结果4）系统将结果整理后重新注入模型，让模型继续强化机制作用在第四阶段，它通过人工设计“强化后的上下文”结构，让模型更理解状态，也更容易走上正确路径。一个典型的强化注入可能包含：1）工具原始输出2）提炼后的关键点3）关于失败原因的简要解释4）明确提示模型下一步应该做什么5）任务目标的提醒4 强化机制的常见形式在实际系统中，强化机制可以通过多种形式实现：1）结果总结将工具输出的关键部分提炼为简短段落，让模型更容易解析。2）错误解释遇到报错时，用自然语言告诉模型：错误原因是什么，应该如何修复。3）结构化状态把工具状态包装成 JSON 或结构化文本，让模型减少解析错误。4）目标重申在任务进行多轮之后，重新提醒模型最终目标是什么。5）自我检查（Self-Check）让模型根据当前状态生成“我下一步应该做什么”的列表，并在下一步回显给自己。6）路径规划在关键步骤加入“你已完成哪些步骤，还剩哪些步骤”的信息。这些设计本质上都是为了让模型更容易维持任务链路。5 如何设计一个高质量强化机制？如果你正在构建自己的 Agent，可以遵循以下设计原则：1）状态必须清晰不让模型自己推理上下文，而是直接告诉它关键点。2）信息必须简短强化信息越长，越容易被淹没在上下文中。3 ）错误必须显式解释模型在理解错误时的鲁棒性很差，需要手工解释。4）目标必须持续提醒尤其是超过三轮的任务，不提醒必偏航。5）工具结果必须被结构化能 JSON 就不要纯文本。通过这些工程技巧，可以显著提升 Agent 的稳定性。#微博兴趣创作计划# #人工智能#

16. 在线文档智能检索新利器——OpenRAG（GitHub: github.com/langflow-ai/openrag）是一款集成Langflow、Docling和OpenSearch的Retrieval-Augmented Generation平台，专为实现智能问答和文档搜索设计。OpenRAG核心优势：- 一键安装即用，所有核心组件无缝对接，开箱即用体验。- 支持多文档快速索引，能处理复杂的真实世界数据，实现精准语义检索。- 集成Langflow的可视化拖拽流程编辑器，方便快速搭建和调试RAG工作流。- 以OpenSearch为底层引擎，保证企业级海量数据检索的高性能和稳定性。- 多agent智能协调和重排序机制，提升问答质量和响应智能度。- 提供Python和TypeScript官方SDK，方便开发者灵活集成入自有应用系统。快速上手：1️⃣ 部署OpenRAG（支持Docker、一键安装）2️⃣ 导入文档进行智能语义索引3️⃣ 即刻开始基于大模型的智能聊天问答体验OpenRAG将文档检索和生成式AI完美结合，助力企业和开发者打造强大的智能知识库和客服机器人，体验未来智能搜索的无限可能。#AI创造营##人工智能#

17. 【保姆级】RAG智能体终极方案：n8n+Google File Search，零门槛搭建高精度RAG工作流！

18. LightRAG 是一个简单快速的检索增强生成（RAG）框架，能高效整合大语言模型和知识图谱，实现智能文档查询和多模态检索。LightRAG支持多种存储方案（PostgreSQL、Neo4j、Milvus、OpenSearch等），支持文本、图片、表格、公式等多种数据类型的端到端知识抽取和问答。还提供了丰富的示例代码、Web UI，以及支持OpenAI、Hugging Face、Ollama、Azure OpenAI等多家模型接口。项目亮点：- 灵活配置的多存储架构，适合大规模知识管理；- 深度集成知识图谱构建与编辑，支持实体关系管理、知识图谱可视化；- 支持强大的Reranker提升检索效果；- 新增RAG-Anything，打通多模态文档处理与检索能力；- 丰富文档导入格式、引用功能、缓存管理、Token使用统计；- 还支持Langfuse可观测性监控以及RAGAS自动评价指标。无论是科研研究、企业知识库、还是多模态智能问答应用，LightRAG都提供了极具扩展性且高性能的解决方案。GitHub：github.com/HKUDS/LightRAG#在线智能检索# #知识图谱# #大语言模型# #RAG# #开源项目#

19. 日常与数据库打交道时，想直接用自然语言查询数据，写SQL总是费时费力。Vanna 是一款开源的 Python 框架，利用最新的检索增强生成（RAG）技术，帮你把自然语言自动转成精准的SQL语句，支持多种主流数据库和大语言模型。它不仅能训练专属的问答模型，还能直接执行生成的SQL，返回查询结果和数据可视化图表，极大提高数据分析效率。Vanna 支持PostgreSQL、MySQL、Oracle等数据库，兼容OpenAI、Anthropic等多种LLM，使用灵活且安全，数据不会外泄，所有SQL都在本地执行。安装简单，pip 一键搞定，文档详细，新手也能快速上手。无论是数据科学家、开发者，还是业务分析师，都能从中受益。项目地址：github.com/vanna-ai/vanna主要功能：- 自然语言转SQL，精确执行复杂查询- 支持多种数据库和主流大语言模型- 训练自定义RAG模型，提升问答准确度- 查询结果同步返回表格与可视化图表- 代码开源，MIT许可证，社区活跃- 多种用户接口示例，方便二次开发和集成想用更简单的方式跟数据库“对话”？Vanna 帮你开启智能数据查询新时代。

20. 我也学会开源了，哈哈。第一个Skill是我从B站up主那里拿来的。我自己做了剩下几个好用的skill，分享给大家。直接把链接放到 TRAE 对话里，说帮我安装这些skill就好了。那个skill creator是 Anthropic 发布skill 基础上改的，更适合小白使用。网页链接技能模块 (skills)rag-skill：智能本地知识库检索助手，支持多格式文件的高效问答支持Markdown、PDF、Excel等多种文件格式采用分层索引和渐进式检索技术包含PDF处理、Excel分析等参考文档skill-creator：技能创建指南，用于扩展TREA能力的模块化工具提供技能创建的核心原则和最佳实践包含初始化、编辑、打包技能的脚本提供工作流和输出模式的参考文档task-decomposition-skill：任务拆解框架，将复杂任务拆分为可执行的子任务核心改进：增加意图分析和用户确认环节四阶段流程：意图分析 → 澄清确认 → 任务拆解 → 拆解确认支持五种任务类型：创作型、技术型、学习型、项目型、研究型核心理念：慢即是快，先理解用户意图再拆解disk-monitor-skill：系统磁盘监控与智能清理工具提供完整的磁盘空间监控、缓存清理和安全防护功能支持微信、有道笔记等应用缓存清理包含AI CLI安全使用指导md-to-pdf：Markdown文件转PDF工具将MD文件转换为格式美观的PDF文档支持中文、表格、列表等格式适用于批量转换MD文件

21. 光固化打印秘技——轮廓补偿助你实现零公差装配！ #黑格 #3D打印 #切片技巧

22. 🚨突发新闻：Qwen 团队刚刚发布了他们的官方代理框架，它包含了所有功能。无需拼接第三方库。无需对抗抽象概念。Qwen-Agent 为您提供：→框架内直接内置的原生函数调用→开箱即用的安全代码解释器沙箱→ RAG 和 MCP 支持包括→用于浏览器原生代理工作流程的 Chrome 扩展程序由构建模型的团队开发，所以它运行稳定可靠。100% 开源且完全免费。

23. ML/AI 面试准备的重点在于夯实基础和实战能力。面试官普遍要求你具备以下几方面：1. 核心机器学习知识不可忽视。熟悉随机森林、KNN、SVM、逻辑回归等算法，并能解释其内部原理。虽然有人指出缺少梯度提升树等，但扎实基础始终是考核关键。2. 实战编码主要用 PyTorch（极少用 TensorFlow）。面试不会要求你用原生 Python 从头实现反向传播，但你需要用 PyTorch搭建模型、层或训练循环。3. 编程能力同样重要。绝大多数公司都会考察数据结构和算法，类似 NeetCode 150 题目的考题。至少完成 120 至 150 道题目，包括一些偏难的挑战。对于那些专注于机器学习工程的岗位，编程题和系统设计能力缺一不可。4. 针对RAG或Agent类岗位，考查不仅在理论架构，还要求能动手实现。你可能会被问到如何选择合适的 RAG 模型、降低 token 使用成本、解释 MMR 算法，甚至如何构建知识图谱与嵌入器。理论与实践双管齐下才是王道。5. 项目经验比简历更有说服力。拥有 5 个高质量的项目展示你的全流程机器学习能力，比如独特的 RAG 系统或完整的 ML 管道，并将它们部署在易于面试官浏览的作品集网站上。不仅仅是刷题或死记理论，实战经验和系统设计思维才是衡量真正能力的标准。这种考核方式也引起了一些质疑，有人认为题目过于机械，忽略了实际工作中的应用场景，但扎实的基础和真实项目经历依然是面试中的硬实力。原推文链接：x.com/kossisoroyce/status/1981376315488915876

24. 【最新玩法】n8n工作流秒变MCP工具，直连各种MCP客户端，零代码实操！

25. Agent 框架记忆问题的解法～用过 LangChain、CrewAI 这些 Agent 框架的都知道一个痛点：它们的记忆管理很鸡肋。大多数框架的做法是：短期放在列表里，长期靠 RAG 检索。听起来合理，实际很脆弱。问题在哪？1. 信息丢失。RAG 只会检索出片段，但对话的整体脉络、为什么重要、前后的因果关系都丢了。用户说"上次那个项目"，Agent 可能查出相关文档，但根本不知道用户为什么关心这个项目。2. 幻觉加倍。Agent 基于零碎的检索结果推理，没有全局认知，自然容易编造细节。3. 记忆冲突。同一件事在不同时间表述可能不一样，Agent 也不知道哪个才是"真相"，结果前后矛盾。核心问题：RAG 本质是"我记不全，就检索部分"——但这对需要全局一致性的 Agent 任务来说，根本不够。文章的解法：混合记忆架构，不是非此即彼，而是分层：第一层：实时记忆 —— 最近 N 轮对话完整保留，一个字都不丢。这保证了 Agent 对当前对话的理解是准确的。第二层：压缩记忆 —— 更早的对话不是直接存，而是压缩成摘要。比如 50 轮对话压缩成"5 个关键决定 + 3 个重要背景"。成本低，还保留了信息密度。第三层：语义检索 —— 用向量数据库索引压缩后的记忆。这样检索时找的是"高浓度摘要"，而不是淹没在海量文档里。第四层：验证 —— 最关键的一步。Agent 每次从记忆里检索出来东西，要自己验证一下："这个旧记忆和我现在的对话一致吗？"不盲目信任。为什么这个方案值得用？1. 解决了 RAG 的致命问题——记忆有连贯性，Agent 知道全局脉络，不再前后不一。2. 成本可控——压缩记忆大幅降低向量库规模和 token 消耗，相比把所有历史都存下来，省一个数量级的钱。3. 可验证——加验证层，Agent 不会死板地信任过期的记忆。适用场景：- 长期对话的 AI 助手（用户期望 Agent 真的"记得我们的历史"）- 复杂多轮谈判或诊断（需要一致决策，不能前后矛盾）- 需要积累知识的任务流不适用的场景：- 单轮或短对话（没必要这么复杂）- 纯知识库查询（RAG 本身够用）原文：dev.to/diego_falciola_02ab709202/every-ai-agent-framework-has-a-memory-problem-heres-how-i-fixed-mine-1ieo#HOW I AI# #程序员#

26. RAG、LangChain、Agent 到底有什么关系？

27. Claude 1M正式上线，价格一分不涨，搭了半年RAG的人崩了。。。

28. Obsidian AI插件 Claudian 基础配置使用教程能和笔记直接对话啦

29. 终于，我用AI治好了"只收藏不学习"的坏毛病（附全自动工作流）

30. LLM，RAG和Agent不是割裂的，而是一个整体。如果把 AI 系统比作一个生命体，那么 LLM = 大脑，RAG = 记忆，Agent = 执行系统。LLM 像是大脑的皮层，擅长理解、联想和表达。它能在复杂的语言世界中“即兴发挥”，像人类一样推理、总结、编故事。也会在需要时做出“认知上的决策”——比如分析问题的思路、选择回答的方向。然而，大脑并不擅长记住具体事实。它能推断“苹果会掉下来”，却未必记得“牛顿是什么时候发现的万有引力”。这时，就需要「RAG」登场。RAG 相当于一个“外接记忆系统”。当大脑想不起细节时，它能立刻翻查资料库，把相关的事实、文档、图像调出来，再交还给大脑整合成一段有根据的回答。于是，大脑不再是“瞎编”，而是“有据可依”。从技术上讲，这就像给模型装上一个搜索引擎——但比搜索更聪明，因为它能理解上下文、筛选关键信息、甚至融合多个来源的内容。Agent 则像是神经系统中的“执行层”。大脑想出了计划，记忆提供了依据，而真正“去行动”的，是 Agent。它决定什么时候要产生计划，要不要调用工具、查阅资料、生成报告，甚至与外部世界互动。可以说，LLM 负责“想”，RAG 负责“记”，Agent 负责“做”。当这三者协同工作时，AI 便不再是一个“聊天机器人”，而是一个有意识、有记忆、有行动能力的“数字生命”。#ai创造营##科技#

31. 照着学～大语言模型（LLM）学习路径和资料汇总入门篇：- 了解大语言模型的基础知识和常见术语。- 学会使用编程语言访问 OpenAI API 等常见大语言模型接口。- 面向非专业背景的大模型普及知识。应用篇：- 可以在本地环境搭建开源模型的推理环境。- 大语言模型应用开发框架（如 LangChain、Dify等）。- Prompt 工程、 RAG、Agent 等大模型应用开发范式。深入篇：- 大模型技术原理、训练微调、数据工程、推理优化等。- 大模型应用范式（RAG、Agent等）前沿进展。访问：github.com/ninehills/blog/issues/97#HOW I AI# #程序员#

32. 如果你平时有大量工作需要跟 Word 文档打交道，给大家推荐一个非常好的方式就是使用 Claude Code 用 document-skills 来处理 Word。 document-skills 是 Claude Code 官方技能库里的正统 Skill，处理逻辑很讲究。它会先把 Word 文件解压成 XML，然后直接在 XML 层面做修改，改完再打包回 docx。这个思路比用 Python 库直接操作 Word 要强大很多，因为它能触达文档底层的几乎所有元素。具体能干什么呢？创建、读取、编辑 docx 文件这些基本操作自然不在话下，目录生成、页眉页脚、表格、超链接、脚注这些格式要求也都支持。更实用的是，它还能处理修订追踪和批注管理，支持图片插入和多栏布局，甚至可以把旧版的 doc 格式转成 docx。除了 Word 之外，Excel、PPT、PDF 它也能处理。安装特别简单，一句话搞定： /plugin install document-skills @anthropic-agent-skills 对于日常要跟大量格式文档打交道的人来说，这个 Skill 算是真正解决了一个痛点。以前那些纯粹耗时间在格式调整上的活儿，现在基本可以丢给 Claude Code 去干了。 #科技先锋官##How I AI#

33. 看完吴恩达 DeepLearning AI 「Agentic AI」前半部分，整理了一下。一、Agentic Workflows 介绍 Agentic AI工作流指的是由一个LLM作为核心“大脑”，通过自主决策来规划、执行多个步骤，并驱动各种工具以完成复杂任务的智能流程。其核心要素包括：LLM、多步骤执行、任务完成。 1. 自主性程度 - 较低自主性：步骤预先定义好，工具调用为硬编码。自主性主要体现在文本生成部分。 - 高度自主性：Agent 能自主做出决策，并可以动态创建工具。 2. 优势 - 性能更好：在使用相同模型的情况下，Agentic AI 通常能获得更优的性能表现。 - 并行执行：支持多个步骤或任务同时进行。 - 模块化与动态替换：可以灵活替换工作流中的特定模块或模型。 3. 任务拆解设计 Agentic AI 时，关键一步是对任务进行拆解。工作流/任务可以拆分为以下形式： 1）模型类型： - 大语言模型：负责文本生成、工具使用、信息提取等； - 其他 AI 模型：如 PDF 转文本、语音合成（TTS）、图像分析等。 2）工具类型： - 接口 API：例如网页搜索、日历查询等。 - 信息提取：如数据库查询、检索增强生成（RAG）。 - 代码执行：用于计算、数据分析等。 4. 评估的重要性 - 客观评价：可通过代码或计算进行量化评估。 - 主观评价：利用 LLM 对结果进行打分（例如 0-5 分），但并非最佳实践，后续会进一步展开。 - 评估可针对端到端流程，也可针对单个模块或步骤。 - 通过检查执行轨迹（trace）来进行错误分析和评估。 5. Agentic 设计模式 - 反思（Reflection）：将模型输出再次输入给模型，让其自我反思以优化结果；也可结合外部输入（如代码执行结果）进行反思；还可设计专门的反思 Agent 或使用不同模型进行反思。 - 工具使用（Tool Use） - 规划（Planning） - 多智能体工作流（Multi-Agent Workflow）二、反思（Reflection）反思是指通过固定步骤对 LLM 的初次输出进行再次思考和分析的过程。结合外部工具或输入进行反思，往往能获得更优质的结果。实践证明，反思是显著提升模型性能的有效方法之一。在实践中，使用推理能力更强的模型专门负责反思任务，通常能取得更好的效果。三、工具使用（Tool Use） LLM 本身并不直接执行工具，而是由 LLM 指示执行引擎调用特定工具。执行引擎负责实际调用工具、获取结果，并将结果返回给 LLM，LLM 再基于这些结果生成最终输出。代码执行（Code Execution）是一个非常有用的工具。 LLM 可以生成 Python 代码，由执行引擎运行代码并返回结果。需要注意的是，执行代码时需考虑安全性，建议在 Docker 或沙箱环境中运行。模型上下文协议（MCP）的出现，极大地减少了工具调用的开发工作量，从原来的 m*n 级别降低到 m+n 级别。 #ai创造营##程序员#

34. 9.3k星Skill Seekers：一键把文档变成Claude技能，文档党狂喜

35. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

36. Obsidian AI 的4种使用方法知识管理效率完全不同了

37. LangChain Agent 年度报告：输出质量仍是 Agent 最大障碍，客服、研究是最快落地场景

38. 两个教学项目：1️⃣从零开始构建 AI 智能体github.com/pguso/ai-agents-from-scratch本仓库教你从基本原理开始，使用本地 LLM 和 node-llama-cpp 构建 AI 代理。通过完成这些示例，你将理解：✨LLM 的基本工作原理✨智能体究竟是什么（LLM + 工具 + 模式）✨不同智能体架构的运作方式✨框架为何做出某些设计选择理念：通过构建学习。深入理解后，再明智地使用框架。2️⃣从零开始构建RAGgithub.com/pguso/rag-from-scratch通过一步步构建RAG（检索增强生成）来解密它的原理。没有黑箱。没有云API。只有清晰的解释、简单的示例和你完全理解的本地代码。这个项目遵循与《从零开始构建 AI 智能体》相同的理念：通过简洁、解释清楚的真实代码，使开发者能够理解先进的AI概念。你将学到：✨RAG到底是什么，以及它为何在知识检索中如此强大。✨嵌入（embeddings）如何工作，如何将文本转化为模型能理解的数字。✨如何构建本地向量数据库，高效地存储和查询文档。✨如何连接所有内容，检索上下文并将其输入到大语言模型（LLM）中以获得有依据的答案。✨如何重新排序和规范化，提高检索精度并减少噪声。✨一步步的代码演示，每个函数都有解释，毫不隐瞒。#科技先锋官#

39. 回复@人工智涨Ultra:你连训练和推理都整不明白嘞，还说啥理解engram//@人工智涨Ultra:回复@钊哥科普:你以后就多聊聊RAG，langchain(不是longchain)这些，说点自己懂的东西。别装。我确实不用这些东西。//@钊哥科普:回复@人工智涨Ultra:做chunk为什么要调API，你已经语无伦次了//@人工智涨Ultra:回复@钊哥科普:你不调RAG的EmbeddingAPI做chunk，是干什么？靠吹牛逼么？你现在是真要替熊老师了是不是？

40. 回复@thomaszdxsn:已经有langchain了，你为啥要重复造轮子//@thomaszdxsn:回复@钊哥科普:最早的向量数据库获取内部知识库，现在的 coding agent 查询本地代码库，都是 agent 开发的时候自己实现的啊//@钊哥科普:回复@速度_激情007:还有你说我啥专业话没说，你看此图，也可以去看我视频评论配图 //@速度_激情007:有一说一，我用rag，也部署过rag，他说的基本没问题。不过钊哥你鸡贼，自己啥专业话没说，就装懂说人家说错了，你不说就不会错是吧？//@钊哥科普:RAG不是调用，也和程序员无关，说多错多

41. GitNexus 是一个把代码库自动转成“知识图谱”的工具，并在此基础上提供 Graph-RAG 与 AI 对话能力，用于让人和 AI 更快理解大型代码库。特点：零服务器、浏览器本地运行、隐私优先。核心能力：1、代码 → 知识图谱项目通过 AST 分析构建图结构。这套流程采用四阶段分析：1）结构扫描2）AST 解析3）依赖解析4）调用图构建最终得到完整代码图。2、Graph-RAG 代码问答与传统 RAG 不同，GitNexus 的检索是图查询。AI 通过 Cypher 查询或图遍历获取上下文，比 embedding 检索更精确。3、零服务器隐私架构项目最突出的设计之一：1）所有分析在浏览器本地运行2）代码不上传服务器3）数据库为 WASM 版图数据库4）API key 本地保存适合企业代码安全场景。4、面向 AI Agent 的设计GitNexus 不只是可视化工具，而是 Agent 基础设施。它能提供：1）影响范围分析2）依赖追踪3）架构检查4）自动化审计目标是让 AI 编程助手具备“架构感知能力”。项目：github.com/abhigyanpatwari/GitNexus#HOW I AI# #程序员# 黄建同学的微博视频

42. n8n工作流外接：零代码封装成应用，突破使用限制，自由分享！

43. Boris（Claude Code 创始人）解释为什么 Claude Code 不用 RAG 向量检索代码：在开发 Claude Code 的早期版本时，我们曾尝试过 RAG 搭配本地向量数据库的方案。但很快我们就发现，Agent 使用关键字搜索在实际应用中的表现通常要出色得多。这种方案不仅实现起来更加简洁，而且还完美避开了 RAG 模式下那些令人头疼的“老毛病”：比如数据安全性、隐私泄露风险、信息滞后以及系统可靠性等问题。

44. Obsidian Skills Ai笔记新方法使用配置教程

45. 这里的“强化机制（reinforcement）”不是指机器学习里的强化学习（reinforcement learning），而是在 agent 循环里人为注入的“额外提示消息”，用来引导、修正、稳定 agent 的行为。它是一种工程技巧，不是算法。比如，在 agent 执行工具后，把工具结果 + 必要的、人为补充的信息一起塞回 agent，让 agent 更容易继续往正确方向走。这些额外信息可以包括任务目标、下一步建议、错误解释、状态更新等。换句话说，就是给 agent 更多上下文，帮助它做对事情。//@芋头pi:一定要上强化学习。但那样的话就不是小公司能承受的成本了。

46. MacBook Neo真机实测，写代码剪视频都可以？

47. YouTube 最牛逼的AI频道（收藏级清单｜从0到进阶） (by Berryxia.AI)想自学 AI，不想被信息噪音淹没？这 10 个频道够你用一年：从数学 → 代码 → 工程 → 研究 → 认知，闭环进阶。1) 基础与直觉（数学底层）•频道：3Blue1Brown（7.6M）：把线代、微积分、神经网络讲成“能看见的直觉”。•频道：StatQuest with Josh Starmer（1.48M）：统计/ML 概念一刀见血，考研/面试急救包。先看：线性代数本质；逻辑回归/随机森林的 StatQuest 版本。2) 动手做模型（代码与实战）•频道：Andrej Karpathy（1.02M）：从零写 Transformer，LLM 训练心法。•频道：Jeremy Howard / fast.ai（138K）：实用优先，先拿结果再补理论。•频道：Dave Ebbelaar（207K）：端到端项目、RAG、评测与部署。先看：从零实现 GPT；“Practical Deep Learning” 开篇课。3) 课程与名校•频道：Stanford Online（838K）：CS229/CS231n/LLM 系列公开课，体系化补课。先看：概率/最优化基础 + 视觉/LLM 最新课。4) 工程与 MLOps•频道：Hamel Husain（11.9K）：RAG、评测、提示迭代、产品化工作流。先看：RAG 评估与数据迭代实战。5) 研究访谈与长期趋势•频道：Machine Learning Street Talk（199K）：硬核学术播客，论文作者亲讲。•频道：Lex Fridman（4.8M）：与顶尖科学家/企业家长谈，做策略与认知升级。先看：Transformer/对齐/多模态主题长谈。6) 通俗入门 + 公式背后的直觉•频道：Serrano.Academy（181K）：概率、信息论、ML 直白拆解。先看：交叉熵、贝叶斯、马尔可夫直观解释。7) 30 天学习路径（可直接照抄）第 1 周：3Blue1Brown + StatQuest（线代/概率/回归/树）第 2 周：fast.ai 开篇 + Karpathy“从零写 Transformer”第 3 周：Dave 项目实操 + Hamel 的 RAG/评测第 4 周：Stanford 体系化补课；MLST/Lex 选 3 期做「研究笔记」规则：只做双速笔记（1 行直觉 + 1 行公式/代码）；每看 2 个视频，复刻 1 个小实验；每周 1 篇长谈/论文讲解拉高视野。8) 为什么是这 10 个？•覆盖“数学 → 代码 → 工程 → 研究 → 认知”的全链路。•既能做出来，也清楚为什么能做出来。•更新稳定、内容可形成可复用的知识底座。#人工智能##科技#

48. //@微博智搜:简化版提示词："请将文本转化为PPT：先识别语义断层（如转折词）划分内容板块，再提炼每板块核心观点为标题，最后结构化内部内容（分定义/案例/数据等），输出简洁HTML。忠于原意但优先清晰性。"继续提问戳->微博智搜 //@magicmonk:@微博智搜改成人话版本提示词

49. AMS终于支持A1了：拓竹切片软件2.3版本功能升级介绍，推荐更新！

50. 《噬血代码2》上市宣传片

51. 让AI帮你体验不同的人生！我用无代码开发做了个小程序，内置Nano Banana、Gemini等大模型

52. 《噬血代码2》试玩前瞻：穿越时空的羁绊

53. 《噬血代码2》新手初期必拿的武器装备收集品分享

54. 阿里开源 Qwen3.5-Plus！三千行代码一次生！超强性能超低价格

55. 抖音前沿科技30X30｜采访AI超级个体 Gemini 3发布后，这5个开发者给自己的人生装上了外挂。 27年程序员老兵：用AI写出多部长篇小说，一边敲代码一边圆武侠梦；硬核奶爸：手搓本地AI操作系统，把私教装进孩子口袋； AI安全研究员：把AI变成科研副驾，打破思维墙；有效加速主义者：打造AI全自动分身，让AI替自己看新闻处理琐事；全栈讲师：降低新手学习门槛，把技术文档自动变成PPT；本期视频，产品君连线5位GDE谷歌开发者专家，带你拆解AI时代的超级个体，听听他们给普通人的真诚建议。 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #Google

56. 从自动写代码到智能影音刮削：实测 OpenCode，这台“赛博管家”真的能干苦力活

57. 【IGN】《噬血代码2》发售预告

58. 「Github一周热点98期」AI文档检索框架、微软最新TTS、Claude Code 记忆插件、自动化备份、 jellyfin和linux桌面环境

59. 真正的无需部署！我做了个下载即用的OpenClaw，不用配环境调代码，开箱即用

60. 【IGN】《噬血代码2》最终前瞻

61. 真要撕破脸那我就暴言了所有拿者RAG 和向量搜索等同的都是外行大外行 regex 搜出来的代码生成代码也是RAG 🙈 //@挨踢牛魔王:对，你内行，你比claude code内行，别辩了，在微博上这么久，还没看见有人说我外行，懂不懂尊重人？//@韦恩卑鄙:我说有句话外行了是说话不是说人人人都有说外行的话的时候对事不对人是讨论基础//@挨踢牛魔王: 产权不产权的，那是你的事情，你凭啥说我是外行？就是你内行呗？你牛逼呗？//@韦恩卑鄙:code已经有是公司知识产权不能公开我就公开个思路吧用llm 生成基于行片段 +代码意图描述的toc 保存在vector db 里面作为索引，然后外面裹了层mcp 作为agent 代码库参考，然后vector 查到描述直接获取行片段

62. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

63. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称AI中RAG检索增强生成知识点讲解检索增强生成（Retrieval-Augmented Generation，RAG）是一种将检索系统与生成模型结合的架构，模型在生成答案前先从外部知识库（如文档、数据库）检索相关内容，再基于检索结果生成响应，从而缓解大语言模型的幻觉问题、提升答案的事实性和时效性。它通常包括检索器（Retriever，如Dense Passage Retrieval）和生成器（Generator，如LLM）两部分。例题（单选题）RAG的主要优势是什么？A选项：结合外部知识减少幻觉提升事实性B选项：取代模型的参数化知识C选项：仅依赖模型内部参数生成D选项：减少模型参数量压缩体积答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：lxy#AI创造营# #科技风向标# 网页链接

64. 怎么让大模型的RAG迅速落地，看这一篇就够了（附AI项目落地实操经验+技巧+资料）

65. Leonie Monigatti深入剖析了AI代理中的记忆演进，从最初的RAG（检索增强生成）到Agentic RAG，再到具备读写能力的Agent Memory，厘清了这一系列技术的核心逻辑与突破。RAG诞生于2020年，其核心是将离线存储的外部知识检索进LLM上下文，解决模型记忆有限带来的问题。但其“单次检索”与“只读”限制导致复杂场景下仍有误导风险。Agentic RAG引入了“工具调用”机制，允许智能体主动判断是否需要检索、选择检索工具，并评估检索结果相关性，显著提升了灵活性和准确性，但仍无法动态学习和更新信息。Agent Memory则迈出关键一步：支持智能体不仅读取，还能写入和管理外部记忆，实现基于历史交互的持续学习和个性化体验。它将记忆从“静态”转变为“动态”，但也带来了记忆管理和遗忘机制的新挑战。这三者共同体现了信息“存储-检索-编辑-删除”的完整闭环，也反映了AI系统从单点知识调用向复杂记忆体系演进的趋势。未来，如何设计高效的多源、多类型记忆管理策略，将是提升AI智能和人机交互体验的关键。详细内容及代码示例请见原文：leoniemonigatti.com/blog/from-rag-to-agent-memory.html

66. RAGFlow

67. 字节一面问

68. RAG 系统的文本分块策略

69. 告别切块与向量数据库

70. RAG 入门指南

71. 原子化知识切片的常见切片错误及避免方法！

72. 致命失误！一个RAG切分操作，让AI成本直接翻倍（附避坑指南）