-
Claude Code vs. OpenAI Codex为什么更慢的模型，反而更快把事情做完
同时使用 Claude Code 和 OpenAI Codex 的人，常会遇到一个反直觉现象：响应更慢的模型，反而更快把项目做完。问题不在模型强弱，而在工作方式的差异。一、一个反直觉的问题：为什么写得慢，反而交付更快？很多第一次同时用 Claude Code 和 OpenAI Codex 的人，都会产生同一个困惑：Opus 立刻响应，看起来效率极高Codex 半天不动，像是“卡住了”但在真实项目里…- 0
- 0
-
告别“搜不到、搜不准”：用这套查询优化，让你的RAG检索召回率飙升
引言在AI的世界里，有句老话叫“Garbage In, Garbage Out”。对于RAG系统而言，检索环节就是那个“In”，如果检索不到精准、全面的信息，那么即便是最强的LLM也只能望“材”兴叹，甚至开始一本正经地“胡说八道”，俗称产生幻觉。 本篇将聚焦于检索前和检索中的优化，从数据的源头和查询的入口解决“找不到”和“找不准”的核心痛点。一：优化数据源：索引构建的最佳实践核心痛点：粗暴地按固定…- 0
- 0
-
Skills使用体验
Skills概念关于Skills的概念，推荐查阅Anthropic官方文档的描述:“Agent Skills 是扩展 Claude 功能的模块化能力。每个 Skill包含指令、元数据和可选资源（脚本、模板），Claude 在相关时会自动使用这些资源。”https://platform.claude.com/docs/zh-CN/agents-and…- 0
- 0
-
比RAG提升27.4%，阿里等ComRAG利用“质心式”记忆机制实现实时社区问答
社区问答（CQA）平台（如 Stack Overflow、AskUbuntu）沉淀了大量高质量知识，但在工业界落地时仍面临三大挑战：静态知识不足：仅靠官方文档难以覆盖真实业务场景的“坑”。历史 QA 质量参差不齐：早期答案可能已被更好答案取代。实时性 + 存储爆炸：新问题持续涌入，如何快速检索并控制存储增长？现有方法要么只检索社区历史，要么只用静态文档，缺少“动态反思 + 高效存储”的机制。Com…- 0
- 0
-
AgentScope 正式发布 Skills 支持 – 实现渐进式披露
背景：多能力 Agent 的挑战在大语言模型驱动的 Agent 系统中，存在一个核心矛盾：我们希望 Agent 拥有尽可能多的能力，但在任何时刻它只会用到其中一小部分, 同时 Agent 的上下文空间是有限的。以一个客服系统为例：我们希望它能同时处理订单查询、退款申请、产品推荐、技术支持等多个领域的问题，但在任何一次对话中，用户通常只会涉及其中一两个领域。但是又要支持Agent同时具有这些能力如何…- 0
- 0
-
如何评估RAG系统：给你的AI助手做个"体检"
你有没有好奇过，为什么ChatGPT总能回答那些它"不应该"知道的问题？比如最新的新闻、你公司的内部资料？其实啊，它有个小秘密——背后有个超级勤快的"图书管理员"在帮忙。你一问问题，这个管理员就飞快地翻遍所有资料，找到相关内容，然后AI再基于这些资料给你答案。这个"图书管理员"就是RAG系统。但是，怎么知道这个助手靠不靠谱呢？…- 0
- 0
-
从“回答者”进化为“研究员”：全面解析 Deep Research
1、背景在 AI 问世的两年里，我们习惯了把它当作一个超级百科全书：如果你问它一个事实，它会给出答案；如果你给它一段文字，它会帮你总结。然而，当我们面对“分析某行业未来五年的趋势”或“撰写一份详尽的技术竞品调研报告”这样复杂的任务时，传统的 LLM 往往显得力不从心——它们缺乏深度，容易产生幻觉，且受限于上下文长度。Deep Research正是为了解决这一痛点而生。它不再是一个简单的聊天机器人，…- 0
- 0
-
RAG知识库不等于数据库！90%企业都在做无用功
"我们花了300万上AI系统，结果还不如Excel好用。" 上周在一个技术交流会上，某制造业CTO的这句话引起了全场共鸣。台下不少人都在点头，看来大家都有类似的"血泪史"。 这种场景你熟悉吗？公司高层拍板要做AI转型，技术团队加班加点搭建系统，最后却发现AI助手经常"胡说八道"，业务部门宁愿回到传统工作方式。钱花了，人…- 0
- 0
-
🤯 终于搞懂了！LLM、RAG 和 AI Agents 到底是什么关系？
别再用错了！2年AI实战经验揭秘：真正的生产级AI系统是这样搭的！在深度参与 AI 生产系统建设两年之后，我发现一个巨大的误区：很多人还在纠结 LLM、RAG 和 AI Agents 哪个更厉害？大错特错！它们根本不是竞争关系，而是同一个智能堆栈中的三个“层级”！ 只有把它们的关系理顺了，才能真正搭建出有价值的 AI 应用。下面，我用最简单的方式，拆解这三者在 AI …- 0
- 0
-
提升 Dify 应用 RAG 召回质量的实践
💡 目录 💡 01 dify 内置 RAG 引擎的局限 02 通过 AI 网关帮助 Dify 应用 “开挂” 03 实操指南与效果展示 04 总结与展望Dify 是一款开源的 AI 应用…- 0
- 0
-
RAG 实现多语言客户端技术方案要点分析
场景RAG项目对应的目标客户群体是多个不同国家、不同语言，比如 英语、中文、德语等。开发RAG项目，该如何应对这种场景呢？一、知识库搭建1、知识库存储相关数据，是否要多语言存储？ 若能够提供多语言版本的知识源数据文档，建议各种语言都Embeddings向量化存储一份；可分在不同的表里，也可以在同一个表里。若无法提供多语言版本的知识源数据文档，或有些能有些不能，则只存储其中一份较为完善的文…- 0
- 0
-
一文搞懂大模型：何为深入理解RAG？
当你看到大模型应用开发招聘JD中"深入理解RAG"这个要求时，HR和技术面试官到底在考察什么？本文为你拆解RAG技能的各个层级，明确什么才算"深入理解"。一、理解层级：你在哪一层"深入理解RAG"并不是一个模糊的概念，而是有着清晰的能力层级划分。不同级别的岗位对"深入理解"的要求完全不同。Level 1：概念理解（入门…- 0
- 0
-
高质量AI知识库应用的前提：选对向量数据库
在构建RAG检索增强生成系统时，向量数据库几乎是必选组件。它负责存储和检索向量化的内容，直接影响检索结果的相关性和系统性能。选型不当，可能导致查询不准、响应缓慢、扩展困难等问题。本文将几款主流工具的向量数据库路线、适配场景和使用建议进行了系统整理。读完后，你可以直接判断应该选择哪一种。 向量数据库的核心作用向量数据库的核心能力是存储embedding并在查询时快速找到语义相似的内容。在RAG系统中…- 0
- 0
-
刚刚，Xcode 史诗级更新：原生集成 Claude Agent SDK，苹果开发直接起飞！
刚刚，Anthropic 和 Apple 联合搞了个大新闻！Xcode 26.3 正式宣布原生集成 Claude Agent SDK。注意，这可不是简单的在 Xcode 里加个 AI 聊天框，而是真正的 Agent（智能体）集成。这意味着以后开发 iOS、macOS 应用，可能真的要进入“自动驾驶”时代了。为什么说这次更新是“史诗级”的？早在去年 9 月，Xcode 就已经引入了 Cla…- 0
- 0
-
国产 Cowork 它来了！MCP、Skills和Expert Agents都支持，全部免费体验！
前些天，MiniMax Agent推出了桌面端（Cowork）和Expert Agents（Skills）。针对自动化办公的场景，需求量还是很大的。有必要给大家来实测体验一下，看看会有哪些惊喜。一、MiniMax Agent桌面端体验现在已经支持Windows/macOS双端，可以从agent.minimaxi.com进行下载安装即可。安装好之后，就能看到桌面端的用户指引，可以先跳过。打开桌面端的…- 0
- 0
-
RAG是个糟糕的概念，AI 应用的真正王牌是上下文工程
AI大模型浪潮汹涌，RAG（检索增强生成）无疑是过去一年最火热的概念之一。几乎所有人都认为，RAG是构建可靠AI应用，解决大模型“幻觉”问题的“银弹”。然而，AI原生向量数据库Chroma的创始人Jeff Huber，却在一次顶级播客访谈中语出惊人：RAG是一个糟糕的概念，它让开发者忽略了真正重要的事情。Jeff认为，当下所有顶尖的AI初创公司，真正擅长且赖以成功的核心能力，其实是另一…- 0
- 0
-
混元研究博客上线姚顺雨团队最新成果：从 Context 探索语言模型的范式转变
“模型想要迈向高价值应用，核心瓶颈就在于能否用好 Context。”2月3日，腾讯混元官网技术博客（Tencent HY Research）正式上线并发表了一篇名为《从 Context 学习，远比我们想象的要难》的文章，系统的介绍了腾讯混元团队联合复旦大学的一项新研究。这是姚顺雨加入腾讯担任首席AI科学家后带领团队首次发布研究成果，也是腾讯混元技术博客首次公开。这一博客的推出，旨在分享腾讯混元研究…- 0
- 0
-
从3%到80%：揭秘Vanna如何用RAG技术革命性地解决AI生成SQL的准确率难题
❝"在数据驱动的时代，让AI理解你的数据库就像教会外星人说人话一样困难。但Vanna做到了，而且做得相当优雅。"引言：当ChatGPT遇上企业数据库的"水土不服"想象一下这样的场景：你兴冲冲地打开ChatGPT，输入"帮我查询一下德国有多少客户"，期待着AI能够生成一条完美的SQL语句。结果呢？AI给你返回了一个看起来很专业的查询：SEL…- 0
- 0
-
通俗讲解大模型短期记忆 vs 长期记忆
我们在《终于有人把“智能体”的概念给我讲明白了！》一文中深入浅出地讲解了智能体的概念。有些同学问：智能体的 Memory 中 短期记忆（Short-term memory）与长期记忆（Long-term memory）是什么意思？有什么区别？本文用相对通俗易懂的语言帮助大家来理解这两个概念，以及如何实现的？在 《LLM Powered Autonomous Agents》这篇文章中提到，大语言模型…- 0
- 0
-
对话式 RAG：让你的问答应用更“聪明”
在很多问答（Q&A）应用中，用户希望和机器人进行自然的多轮对话。这意味着应用不仅要能回答单个问题，还需要具备“记忆”功能，把过去的问题和答案利用起来，才能让对话连贯。本文将介绍如何在 RAG（Retrieval-Augmented Generation，检索增强生成） 的基础上，扩展支持对话交互。🔑 核心思路传统的 RAG 通常是这样的流程：👉 用户输入问题 → 检索文…- 0
- 0
-
谁动了我的电脑？谁应该抱怨？
关于本地 AI 权限，我观察到一个悖论OpenClaw 这样的程序要求全部系统权限时，很多技术人的第一反应是恐慌："这东西要控制我的电脑了。" 但同样是这些人，把邮件、文档、日程全部交给云端服务，却毫无戒心。这背后有个更深的问题：我们给 AI 装了身体，天天操弄它——到底谁该抱怨？一、这个悖论，90% 的人没想明白OpenClaw 发布后，技术社区炸了锅。有人说"这是…- 0
- 0
-
Agentic RAG 开发实践（查询重写、多路召回、路由决策、质量评估、多步重查）
RAG（Retrieval-Augmented Generation，检索增强生成）是一种将 检索技术与 生成式 AI结合的技术框架。其核心流程包括：存储阶段：对输入文档进行清洗、分块等预处理，并存入知识库；查询阶段：接收查询请求后，通过检索系统获取候选结果，再交由生成式 AI 处理，输出逻辑性更强、可读性更好的答复。在实际应用中，单纯的 RAG 系统往往存在 查询质…- 0
- 0
-
从 CLI 到桌面：Codex 把 coding agent 变成“任务指挥台”
Codex 上桌面：OpenAI 推出原生 macOS 应用，把多代理协作变成工程工作流当一个需求同时牵扯修 bug、补测试、改文档、跑回归，真正拖慢你的往往不是写代码的速度，而是上下文切换。Codex 的 macOS 桌面应用把“让多个代理并行干活、你只负责审稿和决策”做成了一套可视化工作台：线程按项目组织、每个任务在独立工作区推进、改动可以直接审 diff、批注、回退与提交。下面用一份上手清单…- 0
- 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：×