- 博客(21)
- 收藏
- 关注
原创 知识库召回中的粗排与精排到底是什么原理?
知识库检索采用两阶段排序:粗排通过双塔模型或BM25快速筛选候选集,保障召回率;精排使用交叉编码器对少量候选项深度重排序,提升精确度。因交叉编码器计算成本高,仅适用于小规模候选集。粗排的Top-K值直接影响精排上限,需通过Recall@K等指标调优。两阶段设计平衡延迟与精度,适用于大规模语料库,而小规模场景可考虑单阶段方案。
2026-10-22 10:34:55
338
原创 Claude 5.5 与 Codex 选型详解:模型家族对照、编程流程对比与成本核算教程
选工具最怕的不是选错,而是连自己在选什么都没搞清。本文指出,“Claude 5.5”与“Codex”并非同级对比——前者是模型家族,后者是编程产品线。真正应比较的是“Claude Code + 模型组合”对“Codex + 模型组合”。通过真实任务实测、成本核算与返工记录,建议基于项目实际需求分档使用(如 Sonnet 5.5 为主力),避免盲目上顶配。关键不在于模型名称或单次输出速度,而在于任务完成质量、返工次数与代码可维护性。附可复用的记录脚本,助力团队做出基于数据的工程决策。
2026-10-21 16:06:46
353
原创 AI决策自动化偏见深度拆解:为什么Claude拒付5000万美元反而暴露了人类最大的认知陷阱?
最近圈子里在疯传一篇小作文,主角把感情和五千万美元的决定权交给Claude Code,模型斩钉截铁地回了句“不能给”。真假先丢一边。干了快20年技术,我见过太多人把AI的输出当圣旨。这玩意儿,说白了就是个概率缝合怪。今天咱们不聊八卦,就借着这个荒唐的案例,从技术底层把“AI决策”这层底裤扒干净。
2026-08-28 14:20:38
182
原创 AI Agent 开发深度教程:从 Chatbot 到 Harness,我拆解 DeepSeek 源码后彻底划清了这条技术线
DeepSeek 开源 Harness,最大的意义不是让你白嫖一个工具,是让你看到:一个认真的 Harness 长什么样。它有多复杂、为什么要这么复杂、复杂的代价是什么。Agent 的竞争力不在模型多聪明,在那层壳做得多扎实。至于我,这个系列写完了,但事情没做完。GEO Agent 每天都在遇到新问题,有些我能解决,有些我还在想。下一个系列可能会聊聊 GEO 本身——AI 搜索正在怎么改变内容分发的规则,以及我们在这个变化里看到的坑和机会。
2026-08-22 15:07:58
456
原创 DeepSeek Agent Skills 零配置加载原理详解与 6,242 Token 开销踩坑实录
本文对比了DeepSeek和自研GEO Agent在Skill加载机制上的不同设计哲学。DeepSeek采用自动扫描6个预设路径的"开源式插拔"方案,无需配置即可识别57个行业标准Skill,但会带来6242 Token的固定开销。其通过"渐进式披露"设计,仅加载Skill名称和简短描述来降低成本。而GEO Agent采用封闭式架构,自定义Skill格式和加载流程,强调安全可控,适合企业环境。两种方案分别面向极客玩家和企业用户,体现了在生态扩张与安全管控之间的不同取舍,反映了Agent时代Skill标准化的
2026-08-20 10:09:30
395
原创 DeepSeek Agent 工具调用优化教程:执行画像(Run Profile)原理、踩坑与 Vercel AI SDK 实践
本文探讨了AI Agent开发中的"过度工具调用"问题及解决方案。作者发现,当用户简单问候时,GEO Agent会过度调用工具,生成冗长回复,导致响应慢、成本高。问题根源在于模型面对模糊意图时倾向于"广撒网"式调用工具。 作者提出"执行画像"解决方案,根据用户意图预设8种交互模式,限制每轮对话的步数、工具和输出长度。关键创新在于第一步工具限制和最后一步强制总结。实践显示,该方法将工具调用从6次降至1次,响应时间从25秒缩短至4秒,成本降低75%。 文章强调,AI Agent的智能不在于无限调用工具,而在于适
2026-08-19 10:41:50
362
原创 Agent 开发实战:模型返回坏 JSON 怎么办?工具调用参数修复与容错机制详解(附 repairToolCall 完整逻辑)
模型工具调用的 JSON 参数经常出现包壳、截断、旧字段名、字符串化等问题。本文基于真实 GEO Agent 项目,详细拆解 Vercel AI SDK 中 repairToolCall 修复回调的分层处理逻辑、DeepSeek 的标准化思路,以及概率输出与确定性执行之间的根本矛盾。做 agent 开发有一个不对外说的秘密:你写的代码里,有相当一部分不是在实现功能,是在给模型擦屁股。什么意思?模型调用工具的时候,需要按照预定格式传参数。
2026-08-18 10:07:18
322
原创 DeepSeek 文件沙箱三档权限详解:从 sandbox-exec 到 isolated-vm 的服务器端代码执行沙箱实践教程
安全边界必须落在内核层,不落在应用层沙箱不可用时 fail-closed,不降级成不设防安全提示的时机在撞墙后,不在开局前这三条没有任何一条来自教科书,全是线上数据和生产事故堆出来的。关于 isolated-vm 的更多细节,建议直接读官方 README,里面 Reference 和 ExternalCopy 的语义写得很清楚。传数据用 copy,传能力用 Reference,而你永远不需要传能力。
2026-08-17 19:07:18
404
原创 DeepSeek Harness 可观测性设计详解:44 条日志模型只见 6 条的实现逻辑与全链路追踪踩坑
《Agent可观测性设计实践:从DeepSeek Harness到GEO Agent的日志追踪方案》 本文剖析了DeepSeek Harness创新的可观测性设计,其核心原则是"模型可见即日志可重建",通过44行日志记录2秒对话的极端设计,确保每个决策环节可追溯。作者分享了GEO Agent的实践改进:在Vercel AI SDK中通过结构化生命周期事件+AsyncLocalStorage实现全链路追踪,解决了工具调用不透明的问题。文章指出,优质Agent日志应具备"日志即记忆"特性,支持分叉、恢复和回放三
2026-08-16 13:04:56
390
原创 Agent 多轮对话上下文超限详解:越聊越笨的根因、DeepSeek 三层递进策略与踩坑实战
摘要: Agent对话后期出现答非所问的问题,本质是上下文窗口被工具结果塞满导致"记忆溢出"。文章从token估算方法(中英文字符分段估算×3倍安全系数)、DeepSeek的三层递进管理策略(外溢spill→裁剪prune→压缩compact)及multi-step循环中的超限陷阱展开,通过代码示例揭示:大结果需剥离base64等冗余数据,压缩时需保留原文备查,且每一步循环都需重新检查token占用。排查Agent异常时,应优先检查上下文是否超载而非质疑模型能力。(149字)
2026-08-15 23:37:57
375
原创 DeepSeek Harness 开源架构详解:一个真正能用的 AI Agent 到底踩了多少坑?
【摘要】DeepSeek开源Harness框架,完整公开了AI Agent开发全流程。这份"施工日志"包含12293次提交、683篇设计文档和4次事故复盘,揭示了从聊天机器人到实用Agent的技术鸿沟。作者通过对比自身开发GEO Agent的经验,指出核心差异在于工具调用与安全管控——Harness框架实现了系统级权限管理(macOS沙箱/Linux Landlock)、精细成本核算(单次对话44条日志)和异常处理机制。最值得关注的是开发过程中暴露的共性问题:模型返回JSON修复、提示词臃肿、工具滥用等,这
2026-08-14 16:21:52
369
原创 详解:同一个问题8个AI给出8套不同引用,是怎么发生的?
在同一个时间点,用相同的语言和地区设置,我把一个公共信息型问题分别丢给了 8 个不同的 AI。结果?它们给出的 8 套参考资料几乎互不相交。我们把范围拉大到 20 万次 AI 引用测试(样本覆盖 2024 年 4—8 月),跨了 ChatGPT、Perplexity、Google AI Overview,还有 5 个中文 AI 平台。观察到的东西很直接:有的死磕官方网站和产品页,有的疯狂引用社区帖子、视频和问答,有的则偏爱百科和本地内容池。答案读起来都挺通顺。但背后的“证据网络”完全不同。
2026-08-13 10:21:24
317
原创 网站AI索引自检实战:三步排查品牌是否被大模型推荐(附避坑指南)
【AI搜索时代SEO新法则:先查索引再优化】 当前AI搜索已颠覆传统SEO逻辑,许多企业发现精心优化的内容根本不被AI识别。核心问题在于:你的品牌是否被AI索引?三步快速自检法:1)直接向AI提问品牌/产品相关问题,观察是否被提及;2)分析AI回答的引用来源,确认是否采用你的官方内容;3)用爬虫模拟工具检测页面信息是否被AI正确解析。关键发现:结构化数据比视觉设计更重要,竞品的负面评价可能成为AI认知你产品的唯一来源。建议优先确保被AI索引,再考虑优化策略,否则所有努力可能沦为竞品的背书。
2026-08-08 23:57:12
244
原创 LLM Wiki 详解:从零构建 AI 自维护知识库的原理、架构与 OKF 踩坑指南
偏激观点]:我赌两年内,“知识库”这个词的定义会变。今天它等于“向量数据库 + 检索器”,两年后它会等于“一个 git 仓库,里面装着 AI 维护的 Markdown”。向量库不会消失,但会缩回基础设施层,像今天的倒排索引一样,没人再拿它当卖点。当年做高并发的时候,我们就是这么被坑惨的——总以为缓存是优化项,后来才发现缓存即架构。RAG 是查询,Wiki 是缓存。查询谁都会写,能活过三年的缓存设计才是本事。你的文档库,打算继续每次从零检索,还是今晚就开始让 AI 给你攒一份会复利的 Wiki?
2026-07-28 11:14:22
428
原创 AI搜索内容排序原理详解:5大关键信号与落地实践指南
结构化+数字锚点+时效声明+权威引用+客观陈述。这5个信号,你给得越全,AI越爱。信号核心要求反面案例结构化H1/H2/H3,清单/表格三段抒情散文事实性具体数字、来源“可能”“据说”时效性更新时间、数据截止引用6年前数据权威性外链、来源网址无引用裸奔情感化客观陈述感叹号排比句[待补:我2019年在广告投放项目中,曾因使用2016年数据导致内容被AI拒绝的详细经历]
2026-07-24 09:49:50
192
原创 Schema.org结构化数据详解:一步步提升AI索引效率的教程与最佳实践
结构化数据是一种标准化的格式,用于向页面内容提供明确的含义。例如,在普通文本中,“2025年3月15日”可能被AI视为普通字符串,但通过标记后,AI能直接将其识别为日期属性。AI索引的核心依赖于语义解析。结构化数据将信息拆分为实体(如“产品”)、属性(如“价格”)、关系(如“作者为张三”),从而减少AI的语义歧义,加速内容提取与分类过程。Google、Bing等主流搜索引擎已明确推荐使用结构化数据来提高索引覆盖率和展示形式(如富片段)。结构化数据是连接人类内容与AI索引的桥梁。
2026-07-22 15:57:21
210
原创 AI搜索内容引用机制详解:从结构化、权威性到时效性的优化教程
了解AI的偏好,并非为“讨好”算法,而是提升内容的可发现性和可信度。重构内容结构:将大块文本拆分为带小标题的模块,优先使用列表和对比表格。建立权威体系:在页面上添加作者介绍、引用出处的链接、以及机构背书信息。管理内容时效:为每篇文章标注版本号和最后更新时间,对历史数据进行定期复核。使用结构化数据:在HTML中添加Schema.org标记(如Article),提升AI解析效率。当内容在结构、权威和时效上同时满足AI的检索偏好,将大幅提升被引用为事实来源的概率。
2026-07-20 23:06:18
183
原创 GEO详解:生成式引擎优化的核心概念与RAG底层逻辑,一篇搞懂
GEO不是玄学,而是一次内容质量的根本回归。它要求你不再讨好只看表面的爬虫,而是服务真正“看懂”文本的AI。核心策略:用结构化让AI快速提取,用权威性让AI信任,用自然语言让AI愿意引用。结构化详解:如何用Markdown或HTML大纲,让AI一眼看中你的文章标题?权威性策略:在AI时代,哪些“背书”才管用?实战检查清单:发布一篇文章前,你要做的5步GEO自查。别走开,帮你“向AI写好信”的旅程,才刚刚开始。
2026-07-18 09:10:41
338
原创 RAG 检索增强生成机制详解:大模型如何实时“看到”你的网站(含代码与最佳实践)
大模型“看到”你的网站,不是通过爬虫,而是通过RAG机制将网站转化为实时、语义可查的知识源。对于内容创作者,未来需要为RAG优化网站结构——清晰的标题、语义化段落、结构化数据。因为未来的AI不再“搜索”你的网站,而是“理解”你的网站。下一篇文章预告:如何具体优化网站,使其在RAG驱动的AI搜索结果中脱颖而出。
2026-07-17 13:56:04
322
原创 GEO 技术详解:从搜索引擎到生成式 AI 的流量入口变迁
维度SEOGEO全称优化目标提升在搜索结果列表中的排名提升在 AI 生成答案中的引用概率核心指标CTR、排名位置、自然流量引用次数、答案中品牌出现率、来源点击率优化手段关键词优化、外链建设、技术 SEO语义结构优化、权威信号建设、结构化数据流量模式用户点击进入网站品牌在答案文本中曝光通过优化网页的语义结构、权威信号和可提取性,提高其在 LLM 的 RAG 检索结果中被选中并引用的概率。
2026-07-16 13:58:48
230
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅