- 博客(977)
- 收藏
- 关注
RSS订阅原创 DeepSeek V3.1：虽然价格涨了但Agent能力提升了
8月21日，业界千呼万唤的R2模型没来，但DeepSeek官方正式发布了新模型V3.1。从命名来看这或许不是一次大的版本更新，更像是前一代DeepSeek-V3模型的小版本迭代。在X上，DeepSeek将V3.1称为“我们迈向智能体时代的第一步”（our first step toward the agent era）。本次升级主要有三大亮点，其中包括更强的 Agent能力、混合思考模式和更高的思考效率。官方表示，通过后训练优化，新模型在工具使用与智能体任务中的表现有较大提升。在编程智能体、搜索智能
2025-08-22 11:54:52
442
原创 【AI大模型实战】手把手教你使用Spring AI + Milvus 实现 RAG 智能问答，全程干货，收藏这一篇就够了！！
公司的文档太多，查找信息太慢！”、“客服回答总是千篇一律，不能精准解答用户问题！” —— 这些痛点背后，是传统关键词搜索和规则引擎的局限。如今，语义搜索（Semantic Search） 和 检索增强生成（Retrieval-Augmented Generation, RAG） 正成为解决这些问题的利器。它们能让应用“理解”用户问题的真正意图，并从海量资料中精准找出相关信息，甚至生成自然流畅的答案。
2025-08-22 11:37:41
492
原创 【喂饭教程】5分钟搞定！n8n 本地部署 + 汉化教程，一次到位，全程干货，简单易懂！！
n8n 是现在很热门的一款自动化工具，支持各种平台对接，还开源，挺香的。不光有官方的线上版本，也支持自己本地部署。那为什么不直接用线上版本呢？我自己试了一下，最主要的原因就是：太贵了。官方提供的云服务，一个月要 20 多美金，对于个人或者刚起步的小团队来说，这个成本完全没必要，自己部署一下就能省下来。还有一个问题，就是全
2025-08-21 14:30:29
374
原创 企业级AI知识库构建指南：避开这18个坑，少走3个月弯路，建议收藏！！
本文详细记录了我在给某企业实施AI运维知识库项目过程中遇到的多个关键坑点，希望这些经验能帮助大量想要构建知识库的企业少走弯路，实现知识高效管理和服务快速响应。
2025-08-21 13:45:29
263
原创 一文深度剖析7种 RAG AI 智能体架构设计，零基础小白收藏这一篇就够了！！
在检索增强生成（RAG）不断发展的世界中，并非所有 AI 智能体都生而平等。有些充当智能路由器，有些是总规划师，还有一些同时处理记忆、工具和逻辑。以下是一个关于智能 RAG AI 智能体类型的架构设计剖析，每种类型都配有实际用例，展示它们在实践中如何表现。
2025-08-21 11:36:28
423
原创 【大模型实战】手把手教你基于LLM与RAG的AI智能体意图识别深度实践，全程干货，简单易懂！！
在构建AI智能体的征途中，精准的意图识别（Intent Detection）是决定成败的第一道关卡。它负责将用户自由形式的输入（Query）映射到系统预定义的具体任务上，例如“查询天气”、“预订机票”或“播放音乐”。随后的槽位抽取（Slot Filling）则从输入中提取执行任务所需的关键参数，如“北京”、“明天”或“周杰伦”。
2025-08-20 14:44:02
579
原创 LLM × Prometheus 强强联合：打造智能可观测性中枢，驱动平台工程智能化升级
随着云原生架构日益复杂，微服务、容器、Serverless、大量 API 接口等技术堆叠造成系统运行环境高度动态。平台团队已普遍采用 Prometheus、Grafana、Loki、Tempo 等主流可观测工具构建监控体系。然而，即便拥有完善的指标采集与可视化能力，企业仍面临三大难题：
2025-08-20 11:50:39
475
原创 重磅炸弹！DeepSeek-V3.1正式开源！
就在刚刚，DeepSeek AI 团队在 Hugging Face 上投下了一颗重磅炸弹！他们正式开源了 DeepSeek-V3.1 的基座模型！是的，你没听错，是 V3.1！不是 V4，不是 R2，是那个传说中拥有万亿参数、采用 MoE 架构 的 DeepSeek-V3.1！这简直是开源社区的一场狂欢！🎉目前官方还未上传模型卡片，暂时没分数，预计明天就会上传
2025-08-20 10:55:10
670
原创 Dify 之外的新尝试：Coze Studio 知识库实战指南：部署、解析、接入全流程，建议收藏！！
coze studio 的向量还在不断地完善过程中，预估这周ollama会上，自定义http需要按规范实现知识库目前不支持外挂，这个在企业中是一个很大的问题，后续开源社区肯定会支持，迟早的问题整体检索效果相对来说比较差，这个可能是我使用的问题
2025-08-19 11:41:20
669
原创 n8n部署RAG太麻烦？MCP+自然语言搞定n8n workflow 的时代来了！
配置一个从Salesforce到MySQL的数据同步工作流，3天都还没搞定。这是不是你刚接触n8n的样子？的确，n8n很好，开源又低代码，高效且可视化，尤其适合做workflow。但对小白来说，上手真的太难了。那么，不妨试试n8n-mcp，相比纯手工配置，不仅效率大大提升，还能让你节省至少80%的时间成本。那么，能借助mcp用自然语言搭建n8n工作流吗？怎么用n8n结合Milvus快速落地一个RAG？接下来，我们将展示n8n-mcp如何在5分钟内构建一个原本需要2天才能完成的企业级RAG（检
2025-08-19 11:14:48
712
原创 AI Agent，产品经理的“新战场”！一文带你搞懂AI智能体，收藏这一篇就够了！！
2025年，AI智能体（AI Agent）正以颠覆性的姿态席卷各行各业。医疗领域中，AI医生能通过患者症状自动生成诊断报告，并推荐个性化治疗方案；金融领域里，智能投顾实时分析市场数据，动态调整投资组合；教育领域中，AI导师根据学生的学习轨迹生成定制化课程，甚至模拟真实教师的互动风格。
2025-08-18 22:20:26
756
原创 AI 智能体在企业真正落地的六大技术栈，你知道几个？一篇文章让你搞懂！建议收藏！！
会查资料的 Agent（Agentic RAG）不只是“问答”，而是像侦探一样边推理边实时翻资料。医院、法律、金融都在用，Perplexity、Harvey AI、Glean AI 都是例子
2025-08-18 21:55:29
516
原创 一文读懂这8个关键概念，AI大模型入门到精通，零基础小白收藏这一篇就够了！！
AGI全称是Artificial general intelligence，中文含义是通用人工智能，是指人工智能达到的一种智能形态：像人类一样去思考问题、解决问题，表现出智能的行为，并且不局限于特定领域。 简单来说，AGI具备比较广泛的认知能力，像人类一样能够适应环境并且自主学习，做人类能够执行的任务。所以AGI具备以下特点：
2025-08-18 21:09:28
584
原创 【小白教程】手把手教你6种DeepSeek大模型的部署模式，快收藏起来慢慢看！！
云端部署模式指的是将 DeepSeek 大模型托管在公有云或私有云平台上，通过云服务提供商提供的高性能计算资源（例如 GPU/TPU 集群、分布式存储、负载均衡等）实现模型的在线推理和训练任务。具体实现方式通常包括：
2025-08-17 08:00:00
766
原创 Transformer位置编码：为何采用正弦和余弦函数？看完这一篇你就知道了！！
Transformer模型由于自注意力机制的并行处理特性，天然缺乏对序列顺序的敏感性。如果不给模型提供位置信息，模型将无法区分序列中不同位置的元素，导致顺序信息丢失。例如，“我爱你”和“你爱我”虽然包含相同的词，但词序不同含义也完全不同。如果没有特殊处理，Transformer对这两句的编码结果可能是一样的。位置编码（Positional Encoding）因此被引入，用于为每个词注入其在序列中的位置信息，从而打破Transformer的置换不变性 ，让模型“知道”哪个词在前、哪个词在后。
2025-08-16 11:42:19
511
原创 再见扣子 , 用上DeepSeek , 工作效率加倍 ! 绝了，Github斩获59.4K星 !!!
你有没有想过，有一天可以轻松从海量复杂文档中找到藏针的信息 ？如果你正为企业化私有信息提取困难而头痛不已 ？
2025-08-16 11:26:24
637
原创 【保姆级教程】手把手教你用 FastAPI + LangGraph搭建 AI 工作流，全程干货，小白也能轻松学会！！
Large Language Models (LLMs) 擅长推理，但现实世界的应用往往需要有状态、多步骤的工作流。这就是 LangGraph 的用武之地——它让你可以通过由 LLM 驱动的节点图来构建智能工作流。
2025-08-16 10:53:59
830
原创 【AI大模型】手把手带你了解AI工作流与智能体的人机协作及应用，收藏这一篇就够了！！
AI正改变着各行各业，从内容创作到客户服务、知识问答等AI的应用日益广泛。为了更有效的利用AI，通常需要构建智能体或其初级形式的workflow。但在目前阶段无论是智能体亦或许Workflow都无法保证其自动运行能达到100%的可靠性，根源在于大模型存在着下面的一些问题：幻觉问题、工具调用的可靠性、训练数据未覆盖等。在引入RAG知识库后也未能够完全杜绝上面所说的问题。
2025-08-15 12:05:08
840
原创 企业RAG之构建 FastMCP 服务，基于模型上下文协议的智能服务体系搭建实践
在企业级的RAG系统落地过程中，如何构建一个高效、可扩展、智能化的服务调度体系成为了关键挑战。在本次实践中，我基于 FastMCP 工具，尝试构建一个完整的 多服务协作框架，并将其引入企业RAG架构中，探索其在复杂工具链调度、上下文保持、智能决策等方面的能力。
2025-08-15 11:40:47
659
原创 为什么你的AI Agent落不了地？答案不在模型，而在工程架构！看完这篇文章你就知道了！
过去两年，AI智能体（AI Agent）成为AI落地的热门方向，从 ChatGPT 的对话助手，到自动化办公、代码助手，再到多智能体协作平台，智能体被视为未来人机交互的核心形态。随着越来越多企业已经落地+AI+智能体应用，我们会发现，AI智能体应用在企业落地90%的工作都是工程架构设计（软件工程），只有10%是真正的AI大模型。
2025-08-15 10:41:02
726
原创 大模型+知识图谱=王炸组合？这3个应用场景正在改变AI落地方式！
目前，随着智能信息服务应用的不断发展，知识图谱已被广泛应用于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域，它在技术领域的热度也在逐年上升。 从一开始的Google搜索，到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统，无一不跟知识图谱相关。
2025-08-14 19:26:39
884
原创 【AI大模型】一文讲透如何用“上下文设计”降低大模型幻觉？看完这一篇你就懂了！！
比起“提示工程”（prompt engineering），我确实更喜欢“上下文工程”（context engineering）这个术语。它更好地描述了核心技能：提供完成任务所需全部上下文信息，使大语言模型（LLM）能够合理解决问题的艺术。
2025-08-14 19:08:34
552
原创 转行AI必学：Transformer架构+大模型微调，到底怎么工作的？（人话版）建议收藏！！
目前主流的微调方式就是LoRA低秩矩阵微调，训练速度非常快，节省资源，但训练结果很多时候是不稳定的，有一定玄学在里面，因为微调过程也是依赖模型的反向更新，有时候没有更新到相关知识点，就会导致出现模型幻觉，需要多次尝试，这个过程被趣称为：炼丹~
2025-08-14 13:49:20
571
原创 【AI大模型】手把手教你评估智能体：涵盖多轮对话、RAG及其他关键测试，看到就是赚到！！
这些指标如今仍在使用，但主要用于模型输出单一、易比较的“正确”答案的场景。以分类为例，其任务是为每个文本分配单一标签。为测试这一点，我们可通过比较模型分配的标签与评估数据集中的参考标签（判断是否正确）来计算准确率。规则很明确：若分配错误标签，得0分；若分配正确标签，得1分。这意味着，若我们为包含1000封邮件的垃圾邮件数据集构建分类器，且模型正确标记了其中910封，那么准确率即为0.91。
2025-08-13 14:12:11
624
原创 【AI大模型】多轮强化学习（multi-turn RL)让LLM智能体自我演化出推理与适应能力，建议收藏！！
将大型语言模型（LLM）训练成交互式智能体面临多项挑战，包括对长远决策的需求以及应对环境反馈的随机性。尽管强化学习（RL）已在静态任务中取得显著成果，多轮智能体 RL 的训练仍缺乏深入研究。本文提出 StarPO（State-Thinking-Actions-Reward Policy Optimization），一个面向轨迹级别智能体 RL 的通用框架，并设计了 RAGEN——一个模块化的 LLM 智能体训练与评估系统。我们在四种风格化环境上的实验揭示了三大核心发现：
2025-08-13 11:34:59
749
原创 【AI大模型落地】企业AI落地不顺，问题可能出在你没搞懂知识库！
今年的AI应用里，让我最惊艳的应该是Gemini的Deep Research（pro版本）和Manus了，似乎AI真的走到了自己思考和执行事项的时代，相信已经用上这些产品的朋友会有同样的感叹。但别急，我也发现了它们的一些局限。也许用显微镜看的时候，它们的局限会很多，比如相对来说还比较高的执行失败率，或者明明规划路径是对的，最终结果却未达预期。但对我来说，最大的差距是Deep Research在规划时不能理解企业特有的业务流程，造成很多它们给的结果明明很好，但和我的业务无关，特别是企业自身的知识无法用
2025-08-13 10:54:37
1005
原创 别再碎片化学习了！64张图带你系统吃透AI智能体底，零基础小白收藏这一篇就够了！！
在这篇文章中，我们将通过64张图，探索 AI 智能体的架构设计、关键技术、主要组成部分、以及多智能体框架。具体包括14项关键技术：什么是LLM智能体、记忆、短期记忆、长期记忆、工具、Toolformer、模型上下文协议（MCP）、规划、推理、推理与行动、反思、多智能体协作、人类行为的交互式仿真、模块化框架等。
2025-08-12 13:52:21
622
原创 你的 RAG 还在“机械检索”？LangGraph 让它拥有类脑思维！
想象一下你是一位公司老板，交代 AI 小助手一个任务：“帮我写一份报告，主题是：中国AI创业公司发展趋势，要有数据、行业案例、专家观点，还要配图。”普通的 AI（就算是很聪明的）可能这样操作：植入一堆“AI行业”的文章、胡乱拼接成一段话、语气文雅但逻辑混乱、而你更想要的，是这样一位助手：🧩 会先拆解任务🔍 然后一步步查找资料🛠 动态调用工具🧠 最后整合并判断输出质量这时候，LangGraph就像给AI“加上大脑皮层”一样，把原本“线性答题”的流程，变成了“可思考、可控制”的
2025-08-12 11:36:07
706
原创 一文讲清Transformer 架构融合了哪些重要的数学理论，零基础小白收藏这一篇就够了！！
Transformer 是线性代数为骨架、概率论为推理机制、优化理论驱动学习、信息论衡量表现，并融合了微积分、组合数学与数值分析的复合体。
2025-08-12 10:37:57
789
原创 企业新基建MCP + LLM + Agent架构，将打通AI Agent的“神经中枢”，看到就是赚到！！
近年来，AI大模型席卷各行各业，我们感受到它强大的语言理解和生成能力。但在实际应用中，光“能说会道”还不够，更重要的是“能说还得能做”。大模型如何跨出文本世界，触达数据库、调用接口、执行代码？答案就是：MCP（Model Context Protocol）模型上下文协议。今天这篇文章，我们将详细解读 MCP 能做什么、它的工作原理以及它是如何打破大模型“只能说不能做”的边界。后面的文章中会分享Cursor等IDE中配置MCP服务器、Cherry Studio等支持MCP的聊天应用、MCP开发等系列文章。
2025-08-10 08:00:00
870
原创 【大模型实战】这个 GitHub 项目让你 5 分钟搭建 AI 知识库，真的牛！！
这个基于 AI 大模型的开源知识库搭建系统，可以帮你轻松搞出来一个智能化的产品文档、技术文档、FAQ甚至博客系统。无论是企业内部的技术文档，还是面向用户的产品说明，PandaWiki 都能轻松胜任。
2025-08-09 08:00:00
688
原创 AI Agent Prompt是什么？智能体Prompt如何设计？看完这一篇你就知道了！！
“AI Agent的能力，大多藏在Prompt里，可以说Prompt决定了智能体的行为准则。它是智能体的 “行为指南”，定义了角色、任务与决策逻辑。没有好的Prompt，再强的模型也是“无头苍蝇”，反之精准的Prompt，能让Agent从机械的执行流程中解放出来，升级为可以灵活应变的智能工具，是低成本释放AI潜力的核心钥匙，更是中小企业的福音！”
2025-08-08 11:47:13
657
原创 AI大模型与知识图谱结合的这几种方式，你知道几种？
大模型自从去年底爆火出圈以后，很多人把大模型和知识图谱进行比较，甚至大量业内人士认为在大模型的发展下，知识图谱已经没有存在的必要了。那么真实情况，或者未来更有可能的一种情况是什么样的呢？
2025-08-08 11:20:50
970
原创 【产品经理必看】从产品视角，读懂 AI Agent 究竟是什么？看到就是赚到，建议收藏！！
在计算机、人工智能技术领域，agent 常被译为 “智能体”，是具备自治性、反应性、社会性等智能特征的实体。而在产品语境中，OpenAI 对 AI Agent 的定义更具指引性 —— 以大语言模型为 “大脑”，能自主理解、规划、记忆、使用工具，自动化完成复杂任务。简单说，AI Agent 不是单一功能模块，而是像有自主意识的 “数字员工”：能理解用户需求（比如你说 “整理一周旅行攻略并预订行程” ，它能拆解需求），会规划步骤（先查目的地景点、再算交通路线、最后预订住宿），还能调用工具（对接地图、预订平台
2025-08-08 10:19:56
814
原创 【AI大模型】如何提升大模型的记忆效率？LangChain 的「记忆压缩术」给你答案
智能体执行任务离不开 上下文。上下文工程（Context Engineering）既是一门艺术，也是一门科学，其核心在于，在智能体运行轨迹的每个步骤中，精准地将恰好适量的信息注入其上下文窗口。本文将通过回顾多个热门智能体实例及相关研究论文，解构上下文工程的四大核心策略——“保存、筛选、压缩、隔离”，并深入探讨 LangGraph 如何为这些策略提供强大支持！
2025-08-07 14:16:57
910
原创 【AI大模型教程】一文详解AI 智能体架构中的协议设计三部曲：MCP → A2A → AG-UI，零基础小白收藏这一篇就够了！！
AI 智能体应用在企业实际落地越来越多，一个完整的 AI 智能体应用系统通常包含三个主要角色：用户、AI 智能体和外部工具。AI 智能体架构设计的核心任务之一，就是解决这三个角色之间的沟通问题。这三个角色的沟通，涉及到：MCP 协议、A2A 协议和 AG-UI 协议。其中，MCP 协议解决 AI 智能体和外部工具的标准化交互问题；A2A 协议解决 AI 智能体间的标准通信问题；AG-UI 解决前端应用（比如：APP）和 AI 智能体间的标准交互的问题。
2025-08-07 11:54:21
946
原创 【AI大模型教程】一文带你了解dify如何支持多agent架构，看到就是赚到，建议收藏！！
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。
2025-08-07 11:03:42
553
原创 【AI 基础知识】Transformer 架构为何能统治AI领域？看完这一篇你就懂了！！
沿着 AI 的发展脉络，本系列文章从Seq2Seq到RNN，再到Transformer，直至今日强大的GPT模型，我们将带你一步步深入了解这些关键技术背后的原理与实现细节。无论你是初学者还是有经验的开发者，相信读完这个系列文章后，不仅能掌握Transformer的核心概念，还能对其在整个NLP领域中的位置有一个全面而深刻的认识。那就让我们一起开始这段学习之旅吧！
2025-08-06 19:18:49
566
原创 【AI大模型入门教程】向量数据库从踩坑到精通的完整攻略，零基础小白收藏这一篇就够了！！
说起向量数据库，我得先聊聊最开始在做RAG项目时遇到的一个头疼问题。当时我有几万份技术文档需要检索，用传统的关键词搜索总是找不到我想要的内容。比如我搜"机器学习"，但文档里写的是"AI算法"，结果就错过了。
2025-08-06 14:01:20
550
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