- 博客(17)
- 收藏
- 关注
RSS订阅原创 当传统微调遇上RAG：混合检索策略在自动化治理工单分发场景中的权衡与模型效果调优记录
这是什么类型的工单（分类）应该派给哪个团队/个人（分派）优先级如何（定级）回复话术如何拟定（生成）原本由人工处理，平均每单耗时3~5分钟。我们的目标是把90%的常规工单做到全自动分发，人工只兜底异常情况。微调和RAG不是替代关系，而是互补关系——关键在于让它们各司其职，而不是相互干扰。分层设计比“端到端融合”更容易调优，也更容易解释。动态权重是连接“记忆”和“检索”的关键桥梁，值得花大量精力调参。任何融合方案都会带来延迟成本，需要在业务SLA和效果之间做出理性权衡。
2026-08-10 18:18:01
196
原创 结构化思维下的Prompt工程：利用思维链（CoT）与Few-shot动态选择策略，提升数据分析场景下的Text2SQL准确率
思维链（Chain of Thought）是一种Prompt技术，通过引导LLM在生成最终答案前，逐步展示中间推理步骤。其核心洞察在于：复杂的推理任务如果被分解为一系列简单步骤，LLM的表现会显著提升。在Text2SQL场景中，CoT的价值尤为突出。一个直接的“问题→SQL”映射可能让LLM在复杂查询中迷失方向，而分步推理则能将隐式的决策过程显式化。OpenSearch-SQL的研究发现，将Few-shot示例从Query-SQL对扩展为Query-CoT-SQL三元组，可以显著提升模型性能。
2026-08-04 14:23:50
235
原创 不仅仅是Lora：千亿参数大模型在数据治理场景下的高效微调实战——基座模型选型与Loss曲线调优经验
在数据治理场景中，大模型的应用正从概念验证走向生产落地。如何为千亿参数级别的基座模型找到最高效的微调方案？笔者在最近的项目中，针对数据治理业务场景，完成了从基座模型选型到Loss曲线精细化调优的全流程实践。如何系统性地选择基座模型，而非“开盲盒”数据处理环节的关键坑点和避坑指南Loss曲线的解读与调优策略完整可运行的代码实现在数据治理场景中，我们追求的是领域能力提升的同时保持通用能力不退化。
2026-07-29 18:40:36
371
原创 从“能用”到“好用”：提升企业级RAG系统响应速度与召回率的工程化秘籍
企业级RAG系统的优化不是单一维度的技术比拼，而是系统工程能力的综合体现。语义缓存：以极低成本解决重复查询，P95延迟可从秒级降至毫秒级，命中率可达30%以上查询改写：填平用户语言与文档语言的语义鸿沟，Recall@10可提升20%以上重排序：从候选池中精挑细选，用5%的计算换回50%的精度提升三者的组合拳，能让RAG系统在响应速度和召回率这两个核心指标上实现质的飞跃，真正从“能跑通”的Demo进化到“跑得稳、跑得快”的企业级生产系统。
2026-07-26 09:04:59
353
原创 解锁数据湖潜力的钥匙：基于LangChain与阿里云OpenSearch向量引擎的智能问答系统设计与多路召回优化
"""多路召回检索器"""# 异步实现本文详细介绍了基于LangChain与阿里云OpenSearch向量引擎多路召回策略：通过向量检索（语义）+ BM25检索（关键词）+ 元数据过滤（业务）三路并行，配合重排序机制，显著提升了问答系统的召回精度。生产级代码实现：提供了完整的可运行代码，涵盖文档加载、索引构建、检索链路集成、交互问答全流程。系统优化方案：讨论了HyDE查询改写、子查询分解、缓存机制等进阶优化手段。在实际企业场景中，这套方案已经能够解决大部分知识库问答需求。引入DAG编排。
2026-07-25 15:40:03
257
原创 大模型+RAG在大数据湖仓架构下的深度实践：从Naive RAG到Graph RAG的演进之路
摘要 本文探讨了数据湖仓架构如何支持RAG（检索增强生成）技术的演进与应用。随着大模型普及，传统数据架构已无法满足AI应用对统一数据源的需求。湖仓一体架构通过结合数据湖的规模与数据仓库的性能，为RAG提供了理想的数据底座。 文章系统梳理了从Naive RAG到Graph RAG的技术发展路径，指出Naive RAG虽然简单但存在语义理解不足等局限。通过详细的代码示例，展示了如何在Apache Iceberg湖仓环境中实现Naive RAG，包括文档分块处理、向量化索引构建和检索查询等核心环节。该实现利用Se
2026-07-24 11:18:49
191
原创 AI 全栈开发实战：工业场景下从数据查询到智能体应用的端到端解决方案
层级核心技术关键产出数据层元数据管理 + 向量检索可被智能体理解的数据索引智能体层LangGraph 编排 + Text2SQL + RAG可自主执行任务的AgentAPI层FastAPI 异步 + SSE流式可服务化的接口前端层Streamlit 快速原型可交互的用户界面工业AI的落地，本质上是将数据价值转化为业务决策力的过程。随着工业大模型与智能体技术的成熟，从“单点智能”走向“全厂自主运营”已成为可预期的现实。
2026-07-23 21:43:25
239
原创 Client-Server 架构下的 Agent 开发：基于 MCP 协议的分布式通信实现
MCP协议：AI Agent与企业系统的标准化桥梁 MCP协议（Model Context Protocol）为解决AI Agent与企业业务系统集成难题提供了标准化方案。该协议通过三层架构（Host、Client、Server）实现智能体与外部系统的解耦交互，支持Stdio和HTTP with SSE两种传输方式。核心原语包括Tools（可执行操作）、Resources（结构化数据）和Prompts（指令模板），通过标准化的消息序列实现互操作。在分布式场景下，MCP通过服务注册发现、负载均衡等机制满足企业
2026-07-22 19:27:30
290
原创 工业级目标检测与图谱分析：多模态大模型在制造业的落地实践
本文系统阐述了多模态大模型在工业目标检测与图谱分析中的落地实践。可信为先：工业场景不容许“幻觉”，知识图谱是确保模型输出可解释、可追溯的关键基础设施大小模型协同：不是所有问题都需要大模型，合理的场景评估与动态调度是工程落地的必要条件标准化与可复制：工业本体图谱不仅是技术组件，更是企业知识资产沉淀和跨场景复制的“共同语言”未来，随着多模态大模型能力的持续提升和边缘算力的增强，我们有望实现从“被动缺陷识别”向“主动质量预测”的跨越，让AI真正成为制造业的“可信伙伴”。
2026-07-20 17:50:26
206
原创 从 0 到 1 搭建智能 Agent 系统：AutoGen/LangGraph/CrewAI 框架对比与实战
随着大模型技术快速普及，AI 应用已经从单轮问答、静态 RAG，全面进化为自主思考、任务规划、工具调用、多角色协作的智能 Agent 时代。，各自定位、适用场景、开发范式完全不同，很多开发者在选型、落地、实战阶段极易混淆、踩坑。本文将从零到一系统讲解智能 Agent 核心原理，横向深度对比三大主流框架的优劣、适用场景、落地门槛，同时提供完整可运行实战代码，手把手搭建一套可商用的多智能体协作系统。关键词。
2026-07-17 20:26:14
302
原创 FlowRAG+LangChain 构建高性能检索系统：从文档加载到向量检索全流程解析
文档加载 → 文本切片 → 向量化存入向量库 → 问题向量化检索 → 召回片段 → 拼接上下文送入大模型。这套基础架构在简单短文、零散问答场景下可以正常使用，但面对长文档、技术手册、工业标准、合同文档、多章节书籍固定切片导致上下文断裂绝大多数开发者使用固定字符长度切片，不考虑语义、段落、章节边界。一份连贯的技术文档被强行拆分，单一切片语义不完整，大模型拿到碎片化内容，极易理解偏差、生成错误答案。单级召回冗余多、有效信息少。
2026-07-16 17:20:06
354
原创 MCP 协议详解与实战：构建高效的多智能体通信机制
随着 AI 多智能体技术快速落地，多 Agent 协同通信混乱、调用不标准化、跨框架无法互通、分布式协作低效，已经成为制约企业级智能体系统落地的核心痛点。AutoGen、LangGraph、CrewAI 各有一套私有通信规则，智能体之间无法通用交互，导致项目耦合度极高、迁移成本巨大、无法规模化部署。MCP（Multi-Agent Communication Protocol，多智能体通信协议）是目前行业通用的标准化智能体通信规范。
2026-07-14 17:58:05
314
原创 企业级 API 集成与鉴权：工业管理系统与 AI 应用的无缝对接方案
大模型、RAG、数字人、多智能体全部开发完成，但是无法对接企业真实业务数据。鉴权方式不统一：有的系统用Token、有的用Cookie、有的用AK/SK，AI应用无法统一适配。Token过期频繁：调用中途鉴权失效、接口报错、AI问答中途中断。权限不可控：AI应用权限过大，可查询所有设备、所有工单，存在数据泄露风险。接口参数不规范：工业系统返回字段混乱、空值、特殊字符，导致大模型解析报错、幻觉激增。内网穿透与白名单限制：AI服务器IP未备案，无法调用内网业务接口。无日志、无审计。
2026-07-11 14:38:31
349
原创 Dify多智能体协作开发：实现工业场景任务编排与业务集成
本文针对工业AI应用场景，提出基于Dify低代码平台的多智能体协同解决方案。文章首先分析了传统单智能体在工业落地时面临的四大痛点：任务混杂、业务系统割裂、推理链路混乱和维护成本高。随后提出通过多智能体架构实现专业分工，并对比了Dify相比AutoGen等框架在工业场景的落地优势。 核心内容包括：工业多智能体系统的四大角色设计（调度主控Agent、知识Agent、数据Agent和业务Agent），任务流转链路，以及Dify平台的五项核心能力。文章提供了完整的工程实现方案，包含三部分可运行代码：MES设备数据模
2026-07-09 08:44:33
476
原创 生产级 RAG 系统全链路调优：解决大模型幻觉与知识截止问题的工程实践
生产级RAG的核心不是搭建架构，而是全链路精细化调优。Demo级RAG只实现了“检索+生成”的基础流程，而生产级RAG需要从数据、检索、重排、生成、监控五层闭环，针对性解决大模型幻觉、知识截止、问答不准、语义断裂四大核心问题。这套调优方案已广泛落地于工业设备问答、企业知识库、智能运维、数字人问答等场景，低成本、高效率、可快速复用。后续进阶优化方向引入DPO偏好训练，针对性优化行业问答风格，进一步降低幻觉率结合MCP协议实现多智能体协同检索，解决复杂跨文档推理问题。
2026-07-06 20:53:25
345
原创 工业AI应用实战：基于大模型的数字人/知识问答系统从0到1开发指南
本文手把手指导工业AI开发者从零构建数字人知识问答系统，涵盖工业场景痛点分析、技术选型、核心模块开发及生产级优化全流程。工业领域面临知识分散、专家资源有限等痛点，该系统可实现7×24小时专业问答与故障诊断。技术栈采用Python+FastAPI后端、工业大模型、RAG引擎等，架构包含交互层、业务层、服务层与数据层。核心开发步骤包括：工业知识库构建（文档加载预处理、向量化存储）、混合检索优化（关键词+向量召回）、数字人交互模块（TTS+语音驱动）。系统支持对接企业ERP/MES，满足高并发、低延迟的工业级需求
2026-07-05 19:26:45
237
原创 静态代码块和实例代码块
代码块是类的五大成分之一（成员变量、构造器、方法、代码块、内部类）代码块分为两种：：static {}：类加载时自动执行，由于类只会被加载一次，所以静态代码块也只会执行一次：完成类的初始化，例如:对类变量的初始化赋值：{}：每次创建对象时，执行实例代码块，并在构造器前执行：和构造器一样，都是用来完成对象的初始化的，例如，对实例变量进行初始化赋值。
2024-01-11 16:32:12
643
1
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