-
智能重塑攻防：人工智能在网络安全领域的深度应用与未来范式
摘要 本文深入探讨了人工智能（AI），特别是大语言模型（LLM）与自主智能体（Agentic Agent），在网络安全领域的革命性应用。文章首先剖析了AI技术替代传统规则检测的根本优势，并系统性地阐述了模型微调、提示词工程等核心使能技术。通过对AI在安全运营中心（SOC）多个核心场景中的应用进行分析，本文展示了其在威胁检测、事件响应、威胁狩猎及漏洞管理等方面的实践价值。在此基础上，文章进一步展…- 14
- 0
-
大模型在软件工程中的真实能力边界
之前写了这篇文章：人类软件工程师，是时候让位了！，更多体现AI/大模型能干什么，有读者希望我再写一篇文章，让人们知道AI/大模型不能干什么。今天就尝试写一写，虽然有点难，在结合上下文窗口扩展、智能体协作、深度检索、知识工程及 RAG 技术后，大模型在软件工程领域的能力会有较大的扩展和提升，理解能力和生成能力也趋于稳定，但其能力边界也会呈现出更复杂的形态。我们先从技术本质、工程实践等维度，结合最新研…- 5
- 0
-
爆改RAG检索体验：向量+关键词，双剑合璧的“融合检索”实战指南
❝你以为RAG（Retrieval-Augmented Generation）检索只能靠向量？那你可就out了！今天，咱们就来聊聊如何用“向量+关键词”双剑合璧，打造检索界的“六边形战士”——融合检索（Fusion Retrieval）。 一、检索界的“武林大会”：向量 vs. 关键词 在AI知识检索的江湖里，向量检索和关键词检索（BM25）各有绝活： 向量检索：擅长“意会”，能理解“你说的不是你…- 7
- 0
-
vec2text 技术已开源！一定条件下，文本嵌入向量可“近乎完美地”还原
编者按：我们今天为大家带来的这篇文章，作者的观点是文本嵌入向量并非我们想象中的安全载体，在某些条件下，通过适当的技术手段可以高精度地还原出原始文本内容。 作者在本文介绍了其开发的 vec2text 方法 —— 一种基于迭代优化的文本反演技术，能够以 92% 的精确率还原 32 个词元的文本序列，BLEU 分数高达 97 分。这一技术为企业在部署 AI 系统时的数据安全策略敲响了警钟。本文系原作者观…- 7
- 0
-
AI 商业化，Salesforce 做对了什么？
Salesforce 的实践表明，场景聚焦、数据掌控、生态协同三者结合，才是让 AI 从概念走向规模化营收的核心逻辑。图由 AI 生成文｜Alex编辑｜燕子CRM 巨头也有自己的烦恼。 Salesforce 早在 2016 年就推出 Einstein AI，试图将 AI 融入销售软件。但是公司近年来面临 Sierra、Attio 等新兴 AI 公司的冲击，市场份额遭到蚕食。 在中国市场，Sales…- 7
- 0
-
临界知识：大语言模型时代的人机认知边界
TL;DR 识别“临界知识”，与大型语言模型（LLM）有效交互的核心在于：破除它“知道”任何事情的拟人化幻觉，并将其视为一个强大的、但有根本缺陷的统计模式匹配工具。 LLM的“知识”是参数化的幻象，而非事实：LLM的知识并非存储的事实，而是编码在其网络参数中的统计模式。这导致了三个无法根除的结构性缺陷：知识过时（有截止日期）、数据偏见（从互联网学到偏见）和知识分布不均（在某些领域是专家，在另一些领…- 6
- 0
-
AI文档智能体上线！AutoHub v0.7.0 全面升级，重构知识工作流
如何让每一个知识工作者都像专家一样高效？ 这正是 OpenCSG AutoHub 想解决的问题。 无论你是产品经理、项目负责人、运维工程师，还是企业管理者，日常都要频繁处理各类文档：需求文档、项目报告、技术方案、会议纪要、市场调研……不仅耗时，还常常“写了像没写”。 AutoHub v0.7.0 的升级，正是围绕“如何让AI真正成为知识创作的合作者”展开的——不再是玩具，而是生产工具。 01 重塑…- 7
- 0
-
用点线面体理论聊AI项目落地的困境
最近看了一篇文章深有感触点技术、线流程、面场景、体生态——AI落地成功的金字塔法则！ 和朋友聊天谈到AI项目的困境，智能客服项目做了1年的时间，受到领导的质疑说项目规划不清晰，没有达到高层预期的效果。今天借用点线面体的理论看是否能理清到底哪里出了问题？ 第一个问题：可能是技术"点"的打磨不够扎实。 “点”的打磨不充分（技术组件孤立） …- 7
- 0
-
基于大语言模型（LLM）的应用分块策略
什么是分块（Chunking）？ 在构建基于大语言模型（LLM）的应用时，**分块（Chunking）**是指将较长的文本分割成较小的片段，这些片段称为“块”。 这是一种重要的预处理技术，有助于优化最终存储在向量数据库中内容的关联性。关键在于找到大小适中的块：它们既要足够大以包含有意义的信息，又要足够小以确保应用的高性能和检索增强生成（Retrieval Augmented Generation,…- 4
- 0
-
企业级RAG智能体落地实战：10个血泪教训让你避开99%的坑
Hi，大家好，我叫秋水，当前专注于 AI Agent（智能体）。 最近看到一个非常有价值的分享，是来自RAG技术创始人、Contextual AI公司CEO Douwe Kiela在生产环境中部署RAG智能体的10个核心经验。 作为一个在AI应用开发一线摸爬滚打的开发者，我发现这些经验简直就是企业AI落地的避坑指南。 你是否也遇到过这些痛点问题： • 为什么投入巨资搞AI，但ROI却迟迟看不到…- 1
- 0
-
通义发布的Qwen-TTS太绝了 ，劳资蜀道山都能说得这么溜
感谢阅读，我是江枫，专注AI工具/智能体/AI编程, 文末有福利赠送 在语音TTS方面，国产能打的不多，海螺Minimax是其中的佼佼者。但随着各种AI应用的落地，AI生成语音是个非常大的市场，就比如AI陪伴玩具，如果能带上各地方言，这样的陪伴将会更具象化 现在除了海螺和豆包，通义也开始杀进这个蓝海市场，就在前几天，通义发布了Qwen-TTS. 通过API调用，目前支持北京，上海和四川话三种方言，…- 6
- 0
-
【Ragflow】30.离线环境迁移方案
前言 之前的 Ragflow-Plus 在服务器上稳定运行一段时间后，接到任务，要把服务迁移到一台古老的，离线的windows台式机上。 起初认为，下载离线安装包，加载离线镜像，迁移下数据就可以了。 结果坑多得意想不到，折腾了一晚上才搞定。 本文就来分享一下解决方式，Ragflow-Plus 用的是和 Ragflow 相同数据存储方式，用 Ragflow 部署的系统可相同适用。 数据迁移准备 1…- 18
- 0
-
如果你的RAG系统不好用，请收藏一下这份RAG系统优化指南
↑↑↑ 点击关注，分享IT技术|职场晋升技巧|AI工具昨天有个同学来咨询我，说他们做的智能客服很不好用，明明问题答案就在知识库里，但智能客服就是一直胡说。这种问题在RAG系统中太常见了，大概率是在某些地方配置的不合适。 今天我总结了几个关于RAG系统的优化的策略方法，大家可以参考一下。当然，在这提醒一下大家，这些方法不见得一定适合你的RAG系统，你最好是根据你实际的场景针对性地去做调整，并且这个优…- 7
- 0
-
90%的人都搞错了：AI Workflow ≠ AI Agent
最近和几个做 AI 的朋友聊天，聊着聊着就聊不到一起去了。原因很简单，大家对 Agent 的理解，简直是天差地别。有人说他们的工作流产品是 Agent，有人说他们的对话机器人是 Agent，还有人说他们的自动化脚本是 Agent。我：？？？大哥，咱能不能先把概念搞清楚再聊？今天，我就想好好聊聊这个被无限放大的概念——AI Agent。从一个尴尬的对话说起前几天，有个创业者兴冲冲地找我，说他们做了个…- 4
- 0
-
从零搭建企业级RAG知识库问答系统
本文作者系360奇舞团前端开发工程师 RAG 是什么 RAG（Retrieval-Augmented Generation，检索增强生成） 是一种融合信息检索与大模型生成能力的技术架构。其核心逻辑分三步： 检索（Retrieve）：从企业知识库（产品文档、技术手册等）中定位与用户问题相关的片段； 增强（Augment）：将检索结果作为上下文输入大模型； 生成（Generate）：模型基于上下文生成…- 4
- 0
-
AI运维大脑：我们如何用大模型+智能体，重塑下一代IT运维
在瞬息万变的数字世界，系统稳定性是企业的生命线，而告警处置则是这条生命线上最重要的防线。传统的告警处理方式，就像一位经验丰富但分身乏术的老兵，虽然可靠，却难以应对日益复杂和海量的告警“轰炸”。 现在，游戏规则改变了。 大模型的出现，为我们带来了真正的“智能”。它不再仅仅是匹配关键词，而是能真正“读懂”告警背后的语义，进行深度推理。 我们设计的，并非是用AI简单替换人工，而是一个“规则引擎 + 知识…- 4
- 0
-
AI实战手册：成功推出AI产品的六步实战法
引言在当前充满机遇与挑战的AI浪潮中，成功推出真正 impactful 的AI产品至关重要。许多项目止步于技术探索，未能转化为实际的商业价值。本指南提炼了六个核心步骤，旨在为您的团队提供一个清晰、可执行的框架，确保AI产品从构思到落地的每一步都聚焦于用户价值和业务影响。遵循这套实战法，您可以有效避免常见陷阱，显著提升AI产品成功的概率。成功推出AI产品的六步实战法 (The Playbook)与其…- 6
- 0
-
一文了解dify如何支持多agent架构
摘要：我们经常会用dify 来实现明确场景的Agent或者工作流，但是一些复杂场景的时候我们就需要使用多agent架构，本文介绍了agent和workflow的区别以及在dify中如何实现多agent架构。 Agent 与 Workflow：不可不知的差异 在 Workflow 中调用 Agent：关键的 Agent 节点 dify中如何在chatflow中配置agent 01 —Agent 与 …- 15
- 0
-
基于 Ollama 多模态引擎的 Qwen 2.5 VL 模型部署及其应用
点击蓝字 关注我们Ollama 于 5 月份推出的全新多模态引擎。新的多模态引擎，可突破旧架构的设计依赖限制，为本地部署的多模态 AI 模型提供更准确、可靠、灵活的运行环境，并严格确保推理过程符合模型的设计初衷（忠于原始模型，对模型原始意图的忠实执行）。本文介绍基于Ollama 多模态模型引擎的 Qwen 2.5 VL 模型部署及其应用，主要内容如下： Ollama 全新多模态模型引擎介绍 Qwe…- 11
- 0
-
什么是AI框架、AI编译器、推理引擎
今天概念性的理解AI框架、AI编译器、推理引擎的关系。 一个深度学习框架有多种类型编译器： • 图优化器 • JIT（Just-In-Time）编译器，动态从内置的算子库中选择最优的执行方式 • 代码生成路径，如果算子库不支持某些操作，就需要使用编译器生成代码 • 传统编译器，比如 LLVM 什么是图呢？它将深度学习模型抽象为一个图结构，用于表示模型的计算过程、数据流、控制流，图中的节点表示一个张…- 4
- 0
-
啥时候上RAG？啥时候上微调？丨实战笔记
哈喽，大家好👏 我是阿星！ 现在很多AI科普文章都会提到微调，RAG。 但是没有实战的过的同学可能会问🤔—— 啥时候用RAG？啥时候用微调呢？有啥区别？不都是让模型增加知识面的吗？ 今天我们就对这个问题进行粗略归类—— 关于微调 你可以简单理解为在预训练之后（预训练你可以简单理解成自监督学习，得到一堆参数但是还不会自己回答） ——进行的一些QA对训练，来教会模型组织语言，回答问题。 但是要注意微调…- 9
- 0
-
从调研到行动：利用灯塔项目迈出AI实施第一步
最近在 AI Podcast 里收听到采访沃尔玛 AI 业务负责人的访谈。作为全球财富一号位的企业，他提到了几个信息点： 沃尔玛也是 22 年左右开始关注 AI 的。到现在很多机会依然找不到合适的供应商，一是大家可能都没有做过，二是自己做有时比咨询公司做还要快； 从立项到发起 RFP 再到合同签订，要几个月的时间，尤其对于这种体量的企业，一个项目往往要几十个部门批准； 我们的 AI Agent 都…- 5
- 0
-
AI 重塑软件工程：穿越中间时代的迷雾，洞见实践的真正革命
自生成式 AI 的浪潮席卷全球，软件工程领域正经历着一场前所未有的范式转移。然而，在这场变革的初期，我们正处于“AI 的中间时代”——一个充满了巨大期望与现实落差的迷惘阶段。许多企业在 AI 上投入了大量资金，但并没有获得期望的收益。这背后揭示了一系列深刻的挑战，需要我们冷静审视。我们必须清醒地认识到几个关键点：AI 中间时代的投资困境：许多组织发现，尽管在AI上投入巨大——包括高昂的算力、模型训…- 6
- 0
-
AI正在让你变“笨”，然后取代你
引子还有多少人能够手写出“gān gà”这两个字？ 当然，如果你不以此为生，这可能无关紧要。但如果你是一名程序员，却发现自己正渐渐写不出代码，那就真的“尴尬”了。“95% 代码出自 AI”，一面让企业对降本增效的可能感到兴奋，另一面则让无数从业者陷入了深深的职业焦虑。与其陷入“AI是否会取代人类”的表面争论，我们更应该理性地向前看，直面一个更残忍的问题：假设AI已足够强大，它带来的真正挑战是什么？…- 3
- 0
扫码打开当前页
联系我们
-
￥优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×