-
Nano Banana 暴击 GPT-4o 绘图，谷歌赢麻了
五秒一张图，高质量，几乎是所有网友第一次用 Nano Banana 绘图的直观感受。这个模型不仅绘图快，而且P图足够狠，让谷歌在多模态战场上狠狠暴击了 OpenAI。为什么全世界都在聊 Nano Banana？首先，你必须要知道 Nano Banana 实际指的是谷歌新上线的绘图模型：gemini-2.5-flash-image-preview。此模型单张图…- 0
- 0
-
先RAG后KG，还是先KG后RAG？我们试了三种策略
近两年，大模型应用从“能聊两句”走到了“能干活”，而RAG（检索增强生成）与知识图谱（Knowledge Graph，KG）几乎成了构建企业智能问答系统的标配。但问题来了——很多团队“写了文章、拉了框图”，实际项目却效果一般，要么搜索不到关键信息，要么模型一本正经胡说八道。根本原因：你只是把RAG和KG放在一起，而不是让它们互相校验与协同推理。今天我们不仅讲三种融合策略，还带上工作流、示例代码、防…- 0
- 0
-
多层记忆架构：让你的AI“像人一样记忆”
一、困境：记忆越多越聪明，但Token有上限在AI对话系统开发中，我们面临一个经典的矛盾：记忆越多，AI表现越"聪明"，但记忆多了又会触发Token上限。很多开发者会说：“我已经用Redis/数据库存储所有对话历史了。” 但这只解决了服务端存储性能问题，并没有解决核心矛盾——当对话记录积累到一定程度，依然会超过模型的上下文窗口限制。我们恰恰希望存储更多的聊天记录，因为只有这样，…- 0
- 0
-
首个Nano-banana企业级多模态RAG教程，适合电商、游戏场景
最近全球刷屏Nano Banana，应该没有人还没用过吧？！它不仅能根据一句话描述，就生成栩栩如生的手办图片，还能根据用户的描述，对图片进行精细化编辑，就连速度，也快得出奇。（指令：为马斯克换帽子和裙子。可以看到右图所有要素除了稍微漏了裤边之外，融合还算不错，甚至还贴心考虑到了穿裙子需要把短袖扎进去的细节，整个生成耗时仅16.0s。）可以说，作为当下最优秀的生图模型，Nano Banana在一致性…- 0
- 0
-
不到 100 行代码用 LlamaIndex 搞一个“带脑子”的 RAG 系统（RAG + 知识图谱）
一个真实可落地、代码完整、部署简单的教程，手把手教你用 LlamaIndex + Neo4j（知识图谱） + Chroma（向量库） 搭建一个“能推理、会回答”的智能问答系统。以一个企业内部 IT 支持场景为例：员工问：“我怎么重置密码？”，系统不仅要返回操作步骤，还要知道“你是哪个部门的”——因为不同部门流程不同！这个案例跑起来，不需要 GPU，普通笔记本就行。🎯 场景设定假…- 0
- 0
-
MiniMax音频依托MCP协议，打造多模态Tool新标杆!
不管是企业拍摄广告，还是跨境电商，音频作为信息传播的主要载体，它的制作效率跟质量直接影响着作品的影响力。但是，传统的全人工音频制作流程耗费大量的人力与时间，效果也不尽人意，这不，MiniMax音频凭借它卓越的技术实力帮我们解决了这个痛点。01全球达人背书，看看真实用户怎么说？海外达人实测：YouTube创作者@Kingy AI使用MiniMax后直言：“用MiniMax Audio克隆我…- 0
- 0
-
ASR+LLM+RAG视频内容识别全方案
1 引言：技术背景与核心挑战在视频内容爆发式增长的当下，品牌广告植入场景日益复杂，如何快速精准判断推广品类，成为转转内容运营、竞品分析的核心需求。当前传统方案主要依赖关键词匹配与规则引擎，面临三大技术痛点：ASR 转写准确性不高，输入数据质量低下产品表述异构性模型泛化与迭代能力弱本文提出基于 “ASR+LLM+向量知识库” 的技术方案，通过分层处理、语义修复、历史常见词匹配、知识检索融合，解决上述…- 0
- 0
-
给AI装个眼睛——能说、能看、能分享屏幕
快速0成本部署你的专属Gemini多模态AI助手！没错，就是Google最新发布的Gemini 2.0，不仅完全免费，还支持语音对话、视频通话、屏幕分享等功能。1.像和朋友/专家聊天一样与AI语音对话2.开启摄像头让AI"看"到你在做什么、识别物体、判别物料等（场景自己脑补）。3.分享屏幕让AI帮你分析代码、文档。4.手机电脑随时随地无缝使用。我已经帮你踩过所有的坑，整理了最详…- 0
- 0
-
解锁Dify功能三：四个小技巧带你飞
摘要：我们通常在dify做开发的时候，会遇到需要进行权限设置，快速导入问题，或者需要从知识库里面导数据出来进行微调，这些问题经常会困扰我们，今天来介绍几个使用的dify的小技巧，方便大家快速解决这些问题。1、开启标注功能，精准优化语料在使用 Dify 时，开启标注功能可能大家都容易忽略的一个小技巧。当你开启这一功能后，回答区域会出现点赞和不点赞的按钮 ，这一设计非常贴心。省去很多前端开发的时间，原…- 1
- 0
-
从工单、文档到结构化知识库：一套可复用的 Agent 知识采集方案
我们构建了一套“自动提取 → 智能泛化 → 增量更新 → 向量化同步”的全链路自动化 pipeline，将 Agent 知识库建设中的收集、提质与维护难题转化为简单易用的 Python 工具，让知识高效、持续、低门槛地赋能智能体。一、项目概述定位：知识刮削助手旨在补齐知识从原始位置（工单/文档）到向量知识库之间的自动化链路的空缺。核心能力：📥 多源接入 → 🤖 智能提取 → 🔄 知识泛化 → 💾 …- 0
- 0
-
AI 陪伴下半场，「桌宠」或是最好的载体
近一年，AI 伴侣类应用的数量还在不断增长。根据应用情报公司 Appfigures 提供的最新数据，在全球 337 款活跃且可创收的 AI 伴侣应用中，从 2025 年开始到今天，就发布了 128 款产品。截至 2025 年 7 月，苹果应用商店和谷歌应用商店中的 AI 伴侣应用全球下载量已达 2.2 亿次，2025 年上半年下载量同比增长 88%，达到 6000 万次。由于 AI 虚拟陪伴类产品…- 0
- 0
-
用了Dify的知识库，觉得自己就是个傻子
得上峰令，弄一套业务试题库，进行技能考核。我懂个锤子哟，把文件翻来覆去看了几遍，有个大概印象，直接开搞，让豆包、通义它们去干吧，找个法律条文先试试水。从政府官网选择《禁毒法》（https://www.gov.cn/zhengce/2007-12/29/content_2602213.htm）因为上下文长度的关系，中间中断了一次，然后继续生成。搞定了，方便快捷省事。按照这个思路就可以拿任意行业的知识…- 0
- 0
-
RAG知识库-文档过滤和检索
RAG完整流程文档过滤检索阶段拆分为：检索前、检索时、检索后。检索前预检索阶段负责处理和优化用户的原始查询，以提高后续检索的质量。Spring AI提供了多种查询处理组件。Spring AI提供了多种查询处理组件。查询转换-查询重写当用户查询含糊不清或包含无关信息时，使用RewriteQueryTransformer大模型语言对用户的原始检查进行改写。Query query =…- 0
- 0
-
一文了解调优Dify知识库方法
摘要：目前很多人在使用dify进行AI Agent的开发，而在开发智能体的时候，经常会遇到AI助手回答的问题不完整，或者回答的问题不全对，似是而非，那么是构建的知识库有问题导致的，一个高效、准确的知识库，是 AI 应用能够给出高质量回答和解决方案的关键。如果AI助手在回答问题的时候达不到预期的时候如何调优了？目前有三种方法，第一在构建 Dify 知识库时，有两个关键的参数设置起着决定性的作用，两个…- 0
- 0
-
RAG落地实践：知识库三层架构和关键组件
在当前LLM（大型语言模型）的应用浪潮中，检索增强生成（RAG）已成为相对成熟且应用最广的落地模式之一。但无论是从最初的Naive RAG演进到Advanced RAG，还是最新的Agentic RAG，其核心都离不开一个关键底座：知识库管理系统。对于面向落地应用RAG的产品经理和工程化技术人员而言，如果只是停留在对LLM能力或RAG流程的表面理解，很难在真实复杂的业务场景中建立起高效、稳定的智能…- 0
- 0
-
拆解 Dify 节点：搭建 AI 应用，这些 “积木” 怎么用？
在AI应用搭建的世界里，dify就像一个神奇的“积木工坊”，一堆节点各有神通，能组合出千变万化的智能场景。今天咱们就来拆解这些节点，搞懂它们在啥场景派上用场，帮你轻松搭出专属AI应用！一、核心“大脑”与“知识库”节点（一）LLM：大模型“心脏”作用：对接GPT、豆包等大语言模型，让AI拥有文本生成、问答、逻辑推理的核心能力。场景举例：写营销文案时，让它生成抓人眼球的产品推广语；解答知识类提问，像“…- 0
- 0
-
Dify x 阿里云 Tablestore：向量检索与结构化数据统一存储方案
今天，dify 正式适配阿里云 Tablestore 向量索引能力，并依托阿里云计算巢提供一键部署体验。企业无需重构现有架构，就能获得更轻的运维负担、更灵活的按需计费，以及面向百亿级数据增长的扩展能力，让生产级 RAG 更容易落地。挑战：Dify 用户在构建生产级 RAG 时，常需额外部署和维护独立向量数据库，面临高昂内存成本、百亿级扩展困难、多系统数据同步复杂等难题，严重制约应用规模化落地。开源…- 0
- 0
-
Dify 又更新了，v1.7.1版本：从默认值设置、OpenAPI 模式增强到K8s纯迁移选项！
dify v1.7.1 版本发布了，新增功能包括为选择输入字段设默认值等；修复了 Langfuse 集成路径等错误；优化了工具提示组件等；还改进了工具列表页面等。此次更新优化了体验，为未来发展奠基。🚀 v1.7.1 新增功能选择输入的默认值：现在，您可以为选择输入字段设置默认值，在使用表单时能提供更流畅的用户体验。感谢 @antonko。（#21192）在条件筛选器中选择变量…- 0
- 0
-
RAG检索增强是在给大模型“喂”数据？不，你是在为它构建一整套物流体系
“ RAG就像一套完善的物流管理体系，其核心困难点永远在我们看不到的地方。”在很多人看来，做检索增强生成的难点在于提升检索召回的效率和准确率，因，因此很多人把大量的时间花在优化检索方案上。但作者作为一个对RAG有深入了解的开发人员，恰恰认为RAG真正的难点并不在检索端，而在于知识库的管理。为什么会说RAG的难点在知识库的管理，而不是数据召回？知识库管理很多人都知道RAG是检索增强生成，从…- 0
- 0
-
ChatGPT VS Claude ，Agent记忆用对话压缩还是RAG按需检索
在高质量 AI Agent 系统里，记忆模块的设计远比看起来复杂，它要解决三个关键问题：怎么存历史对话？什么时候检索？该检索哪些内容？这些问题直接决定了 Agent 的响应速度、资源占用和能力天花板。而我们常用的 ChatGPT、Claude 这类大模型，之所以能记住用户的长期偏好，越用越顺手，本质上是因为它们也算一种极简版 AI Agent。但在记忆模块的设计上，两者走了完全不同的路。最近，一位…- 0
- 0
-
上下文不等于记忆：从单Agent到多Agent协作，记忆系统是关键
开篇在Agent的浪潮中，我们经历了一次又一次的认知迭代。最初是提示工程，我们学习如何更好地提问；随后是上下文工程，随着窗口从8k卷到1M，我们误以为塞进去就是记住了。但当Manus、Anthropic 等团队开始引入file system和agent skill等概念后，上下文工程的边界又变得日益模糊。😳最近看了AWS re:Invent 2025 中关于memory的一场技术演讲以及Mongo…- 0
- 0
-
为什么Claude Code不用RAG？
引言最近看到有一些文章提出了“RAG已死”的观点。核心论据是 Claude Code 开发负责人 Boris Cherny 在一档播客节目[1]中，披露现在的 Claude Code已不再使用RAG，而改用 Agentic Search。他的主要观点如下：起初采用RAG路线，将整个代码库索引一遍，然后用 Voyage 这类检索器上，让模型用提示去查找信息，用的是标准模板。但到最后，团队放弃了结构化…- 0
- 0
-
图索引性能提升 400%：详解 VSAG 向量检索框架
VSAG 是蚂蚁集团开源的图索引向量检索框架。本文源自 VSAG 团队在 VLDB'25 发表的《VSAG: An Optimized Search Framework for Graph-based Approximate Nearest Neighbor Search》，介绍 VSAG 框架如何通过缓存优化、自动调参和距离计算加速，在保证高召回率前提下将检索性能提升最高 …- 0
- 0
-
告别关键词高亮，语义高亮才是解决搜索 / Agent噪音的标准答案
今天聊一聊怎么在RAG、Agent场景中实现语义高亮（Semantic Highlight）。在AI落地的过程中，我们不管是用电商搜东西、用RAG查文档，还是靠AI Agent做信息挖掘，大家做检索最核心的需求其实就一个：快速找到有用的信息。而高亮功能，就是帮我们快速定位信息的关键。但传统基于关键词匹配的传统高亮，无法根据语义信息做内容定位，市面上已有的Semantic Highlight方案，又…- 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：×