【2025 AI原生技术全景图】:智能体/向量数据库/RAG三大核心技术深度解析

第一章:2025必学AI原生技术:智能体/向量数据库/RAG

随着大模型技术的成熟,2025年AI应用的核心已从“模型驱动”转向“系统驱动”。智能体(Agent)、向量数据库与检索增强生成(RAG)构成新一代AI原生技术栈的三大支柱,正在重塑企业级智能应用的开发范式。

智能体:具备自主决策能力的AI执行单元

现代AI智能体不仅能理解指令,还可规划任务、调用工具并迭代执行。基于LLM的Agent框架如LangChain和AutoGPT支持构建具备记忆、目标与行动能力的系统。例如,一个客服Agent可自动查询订单、生成回复并提交工单:

# 使用LangChain创建简单Agent
from langchain.agents import load_tools, initialize_agent
from langchain.llms import OpenAI

llm = OpenAI(temperature=0)
tools = load_tools(["requests_all", "llm-math"], llm=llm)
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
agent.run("当前北京气温是多少摄氏度?若低于10度,提醒我穿外套。")

向量数据库:高维语义检索的基石

传统数据库难以处理非结构化数据的语义相似性匹配。向量数据库将文本、图像等转化为嵌入向量,实现毫秒级近似最近邻搜索。主流系统包括Pinecone、Weaviate和Milvus。
  1. 对原始文档进行分块处理
  2. 使用Embedding模型(如text-embedding-ada-002)生成向量
  3. 将向量写入数据库并建立索引
  4. 通过相似度查询召回相关内容

RAG:让大模型“有据可依”地生成

检索增强生成(RAG)通过引入外部知识源,缓解幻觉问题并提升回答准确性。典型流程如下:
graph LR A[用户提问] --> B{语义检索} B --> C[向量数据库] C --> D[召回相关文档片段] D --> E[拼接Prompt输入LLM] E --> F[生成最终答案]
技术核心价值代表工具
智能体自动化任务执行LangChain, AutoGPT
向量数据库高效语义检索Pinecone, Weaviate
RAG减少幻觉,增强可信度LlamaIndex, Haystack

第二章:智能体(Agent)核心技术深度解析

2.1 智能体的架构演进与核心组件剖析

早期智能体采用单一规则引擎驱动,响应逻辑僵化。随着深度学习兴起,基于神经网络的感知-决策-执行闭环架构成为主流,显著提升环境适应能力。
典型分层架构
现代智能体普遍遵循以下核心组件分层:
  • 感知模块:处理多模态输入(视觉、语音等)
  • 记忆单元:短期工作记忆与长期知识库协同
  • 推理引擎:基于符号逻辑或神经网络进行决策
  • 动作接口:调用工具或输出行为指令
代码示例:简化推理循环

def agent_step(observation, memory):
    # observation: 当前环境输入
    # memory: 包含历史状态的上下文缓存
    context = fuse_context(observation, memory)  # 融合上下文
    plan = reasoner.generate_plan(context)       # 规划动作序列
    action = planner.select_action(plan)         # 选择最优动作
    return action, update_memory(memory, action)
该循环体现“感知→记忆整合→推理→行动”的标准流程,其中reasoner常为大语言模型,memory支持向量检索与状态持久化。

2.2 基于大模型的自主决策机制实现

在复杂系统中,大模型通过感知输入与环境状态,构建动态决策路径。其核心在于将语义理解转化为可执行动作。
决策流程架构
系统采用“感知-推理-行动”闭环结构:
  1. 接收多模态输入(文本、图像等)
  2. 利用大模型进行意图解析与上下文建模
  3. 生成候选动作序列并评估风险收益
  4. 输出最优策略至执行模块
代码示例:动作选择逻辑

def select_action(model, state):
    # 输入:预训练大模型,当前环境state
    with torch.no_grad():
        logits = model(state)          # 前向传播获取动作概率
        probabilities = softmax(logits)
    return torch.argmax(probabilities).item()  # 贪婪策略选动作
该函数通过模型前向计算输出动作分布,argmax选取最高概率动作,适用于确定性策略场景。
性能对比表
策略类型探索能力收敛速度
贪婪策略低快
ε-greedy中中
Softmax策略高慢

2.3 多智能体协同与任务编排实战

在复杂分布式系统中,多智能体协同依赖高效的任务编排机制。通过定义角色职责与通信协议,智能体可自主协调资源并执行分工任务。
任务分配策略
常用方法包括拍卖算法(Auction Algorithm)和共识协商。以下为基于优先级的任务分发示例代码:
// 智能体任务结构体
type Task struct {
    ID       int
    Priority int
    Assigned bool
}

// 简化版任务分配逻辑
func assignTasks(agents []Agent, tasks []*Task) {
    for _, task := range sortByPriority(tasks) {
        for _, agent := range agents {
            if agent.CanAccept(task) {
                agent.Accept(task)
                task.Assigned = true
                break
            }
        }
    }
}
上述代码按任务优先级排序,并依次分配给首个可处理的智能体,确保高优先任务优先响应。
通信与同步机制
使用消息队列实现松耦合通信,常见方案如下表所示:
方案延迟可靠性适用场景
RabbitMQ低高企业级任务流
Kafka极低中大规模日志同步

2.4 智能体记忆机制与环境感知设计

智能体的记忆机制是其持续学习与决策的核心支撑。通过短期记忆缓存实时交互数据,长期记忆则借助向量数据库存储语义信息,实现跨会话上下文保持。
记忆结构设计
  • 短期记忆:用于保存当前任务上下文,如对话历史
  • 长期记忆:基于嵌入向量索引,支持语义检索
  • 反射记忆:记录经验策略,辅助未来决策优化
环境感知流程
感知输入 → 特征提取 → 状态建模 → 记忆更新

# 示例:基于时间衰减的记忆权重计算
def memory_weight(t, decay=0.9):
    return decay ** t  # t为时间步,decay控制遗忘速率
该函数模拟记忆随时间衰减的过程,参数decay越接近1,记忆保留越持久,适用于动态环境中的优先级评估。

2.5 智能体在自动化办公与客服场景中的落地实践

智能任务调度与邮件自动化
在办公自动化中,智能体可监听邮件服务器并自动分类处理客户请求。例如,使用Python结合IMAP和NLP技术实现邮件响应:

import imaplib
import email
from transformers import pipeline

# 加载预训练意图识别模型
classifier = pipeline("text-classification", model="nlptown/bert-base-multilingual-uncased-sentiment")

def classify_email(body):
    result = classifier(body)
    return result['label']  # 如:Positive/Negative 或自定义标签

# 连接邮箱并解析新邮件
mail = imaplib.IMAP4_SSL("imap.gmail.com")
mail.login("user@example.com", "app_password")
mail.select("inbox")
上述代码通过Hugging Face模型对邮件内容进行情感或意图分析,智能体据此触发工单创建、自动回复或升级至人工客服。
客服对话流程优化
  • 用户问题经自然语言理解模块拆解为意图+实体
  • 知识图谱检索匹配解决方案
  • 生成结构化响应并记录上下文会话状态
该机制显著降低平均响应时间,提升首问解决率。

第三章:向量数据库关键技术与应用

3.1 向量化表示原理与索引机制详解

向量化表示将文本、图像等非结构化数据映射为高维空间中的实数向量,使语义相似的样本在向量空间中距离更近。这一过程通常依赖深度神经网络(如BERT、ResNet)提取特征。
向量索引的核心机制
为高效检索海量向量,需构建专门的索引结构。常用方法包括:
  • 倒排索引(IVF):将向量聚类,缩小搜索范围
  • 乘积量化(PQ):压缩向量以降低存储与计算开销
  • HNSW图:基于图结构实现快速近似最近邻搜索
代码示例:使用Faiss构建HNSW索引
import faiss
dimension = 768
index = faiss.IndexHNSWFlat(dimension, 32)  # 32为邻居数量
vectors = model.encode(texts)  # 编码为向量
index.add(vectors)
distances, indices = index.search(query_vec, k=5)
上述代码创建HNSW索引,add方法添加向量数据,search执行近似最近邻查询,返回最相似的前5个结果及其距离。

3.2 主流向量数据库性能对比与选型指南

主流数据库性能维度对比
在选择向量数据库时,需综合考量索引构建速度、查询延迟、内存占用及可扩展性。以下为常见系统的性能表现:
数据库索引速度(万条/秒)查询延迟(ms)内存占用(GB/亿向量)
FAISS8.551.2
Pinecone3.2122.0
Weaviate2.8151.8
基于场景的选型建议
  • 高吞吐检索:优先选用 FAISS,支持 GPU 加速,适合离线批处理;
  • 实时服务:Pinecone 提供托管服务,具备自动扩缩容能力;
  • 语义搜索集成:Weaviate 支持混合检索与知识图谱建模。

# FAISS 中使用 IVF-PQ 索引示例
index = faiss.index_factory(768, "IVF100,PQ32")
index.train(train_vectors)  # 训练聚类中心
index.add(embeddings)       # 添加向量
distances, indices = index.search(query_vec, k=10)
该代码构建了一个基于乘积量化的高效索引,IVF100 将空间划分为 100 个簇,PQ32 将向量压缩为 32 字节编码,显著降低存储开销并加速检索。

3.3 高并发场景下的向量检索优化实战

在高并发场景下,向量检索面临延迟敏感与吞吐量挑战。为提升性能,采用分片(Sharding)与副本(Replica)机制是关键策略。
索引分片与负载均衡
将大规模向量空间划分为多个子索引,分布于不同节点,实现并行检索。例如使用Faiss的IndexShards:

import faiss
sharded_index = faiss.IndexShards(d=128, threaded=False)
sharded_index.add_shard(local_index_0)
sharded_index.add_shard(local_index_1)
该代码构建无锁分片索引,threaded=False确保线程安全写入,适用于高频读、低频更新场景。
缓存与近似检索优化
  • 使用HNSW图索引加速最近邻搜索,控制efSearch平衡精度与速度
  • 引入Redis缓存高频查询结果,降低底层计算压力
通过异步批量合并机制同步增量数据,保障检索实时性与系统稳定性。

第四章:RAG(检索增强生成)系统构建与调优

4.1 RAG基础架构与工作流程深度拆解

RAG(Retrieval-Augmented Generation)通过结合信息检索与文本生成,实现更精准的问答系统。其核心流程分为检索与生成两个阶段。
检索阶段:从海量知识库中定位相关文档
使用向量数据库对用户查询进行语义检索,匹配最相关的上下文片段:

# 示例:使用Sentence Transformer生成查询向量
from sentence_transformers import SentenceTransformer
model = SentenceTransformer('all-MiniLM-L6-v2')
query_embedding = model.encode("什么是RAG?")
该步骤将自然语言查询转化为768维向量,便于在向量空间中计算相似度。
生成阶段:融合上下文生成自然语言回答
将检索到的文档片段与原始问题拼接,输入生成模型:
输入组件内容示例
检索上下文RAG是一种结合检索与生成的架构...
用户问题请解释RAG的工作原理
最终由如T5或BART等序列模型生成连贯、准确的回答。

4.2 检索器与生成器的协同优化策略

在检索增强生成(RAG)系统中,检索器与生成器的高效协同是提升响应质量的核心。为实现二者深度耦合,需从数据流与模型交互两个层面进行优化。
双向反馈机制
通过引入生成器对检索结果的反馈信号,动态调整检索器的排序策略。例如,生成器可输出“信息充分度”评分,驱动检索器重新召回更相关文档。
联合训练框架
采用端到端联合训练,共享嵌入空间。以下代码展示了参数共享的简化实现:

# 共享编码器用于检索与生成
shared_encoder = BertModel.from_pretrained('bert-base-uncased')
retriever_encoder = shared_encoder
generator_encoder = shared_encoder

# 梯度同步更新
loss_retrieval.backward(retain_graph=True)
loss_generation.backward()
optimizer.step()
上述设计确保检索与生成任务在语义空间对齐,提升整体一致性。同时,通过反向传播实现联合优化,显著增强系统响应准确性。

4.3 基于领域知识库的RAG定制化实践

在垂直领域场景中,通用检索增强生成(RAG)模型往往难以满足专业性需求。通过构建结构化的领域知识库,可显著提升检索精度与生成质量。
知识库构建流程
  • 数据源整合:汇聚行业文档、数据库、API接口等多模态信息
  • 文本预处理:清洗、分段、实体识别与标准化标注
  • 向量化存储:采用Sentence-BERT类模型生成语义嵌入,存入向量数据库
检索优化策略

# 使用FAISS进行高效相似度检索
import faiss
index = faiss.IndexFlatIP(dimension)
index.add(embeddings)
scores, indices = index.search(query_emb, k=5)
该代码实现基于内积的相似度搜索,scores表示匹配得分,indices对应知识库中的条目索引,用于后续上下文注入。
系统集成效果对比
指标通用RAG定制化RAG
准确率68%89%
响应延迟1.2s1.5s

4.4 RAG系统评估指标与效果调优方法

在构建高效的RAG(Retrieval-Augmented Generation)系统时,合理的评估指标与调优策略至关重要。
核心评估指标
常用的评估维度包括:
  • 检索准确率(Recall@K):衡量前K个检索结果中包含正确答案的比例;
  • MRR(Mean Reciprocal Rank):反映正确答案在排序中的平均位置;
  • F1 Score:评估生成答案与标准答案的词重叠度;
  • BLEU/ROUGE-L:用于衡量生成文本的流畅性与语义一致性。
调优实践方法

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('paraphrase-MiniLM-L6-v2')
query_emb = model.encode("什么是RAG?")
doc_emb = model.encode(corpus)
similarity = cosine_similarity(query_emb, doc_emb)
上述代码通过微调嵌入模型提升语义匹配精度。关键在于选择合适的预训练模型并结合领域语料进行微调,从而优化检索阶段的向量表示能力。
参数调优建议
参数建议值说明
top_k3~5平衡性能与召回质量
temperature0.7控制生成多样性

第五章:三大技术融合趋势与未来展望

云原生与AI的深度集成
现代企业正加速将AI模型训练与推理流程嵌入云原生架构。例如,使用Kubernetes部署TensorFlow Serving实例,结合Horizontal Pod Autoscaler实现动态扩缩容:
apiVersion: apps/v1
kind: Deployment
metadata:
  name: tensorflow-serving
spec:
  replicas: 3
  selector:
    matchLabels:
      app: tf-serving
  template:
    metadata:
      labels:
        app: tf-serving
    spec:
      containers:
      - name: tensorflow-serving
        image: tensorflow/serving:latest
        ports:
        - containerPort: 8501
        resources:
          limits:
            nvidia.com/gpu: 1  # 启用GPU加速
边缘计算赋能实时智能决策
在智能制造场景中,工厂产线通过边缘网关部署轻量化AI模型(如TensorRT优化的YOLOv8),实现毫秒级缺陷检测。设备端采集图像后,本地推理结果即时反馈至PLC控制系统,避免云端传输延迟。 以下为典型边缘AI部署架构组件:
  • 传感器层:工业相机、振动传感器
  • 边缘节点:NVIDIA Jetson AGX Orin
  • 通信协议:MQTT over TLS
  • 管理平台:Azure IoT Edge 或 KubeEdge
Serverless与AI服务的协同演进
AWS Lambda结合SageMaker可构建无服务器推理管道。用户上传图像至S3触发Lambda函数,自动调用SageMaker endpoint执行分类,并将结果写入DynamoDB。
组件职责技术示例
S3原始数据存储image-uploads/
Lambda事件驱动处理Python + Boto3
SageMaker模型推理PyTorch Endpoint

相关推荐

【高分子材料工程】嵌件注塑结构设计与工艺优化:金属-塑料复合件界面强度及失效预防技术规范

内容概要:本文系统阐述了嵌件注塑(Insert Molding)的设计参数、模具关键技术及失效预防措施,聚焦黄铜H62或304不锈钢与PA66-GF30材料组合的基准工况,提供可用于工程图纸、DFM检查、模具验收和工艺规程的量化依据。内容涵盖工艺边界界定、材料匹配与界面力学分析、结构设计参数(如包覆壁厚、滚花、倒角)、模具设计要点(定位、浇口、排气、冷却)、工艺参数窗口、八大失效模式及其对策、验证验收标准以及量产控制要求,强调通过DFM仿真、模流分析和DOE试模优化工艺,并列出常见设计误区与纠正方案。; 适合人群:从事注塑产品设计、模具开发、工艺工程及质量管理的工程技术人员,尤其适用于汽车、电子、医疗等行业中具备1-3年及以上相关经验的研发人员; 使用场景及目标:①指导嵌件注塑零件的可制造性设计与结构优化;②支持模具设计评审与验收;③制定试模调机与量产工艺规范;④开展失效分析与质量改进; 阅读建议:此资源兼具理论机制与工程实践,建议结合实际项目对照查阅,重点关注包覆壁厚、预热温度、浇口布置等关键参数的取值边界,并在应用非基准材料时进行线膨胀系数与收缩率的换算修正,避免直接套用数据。

向量数据库的实际应用全景解析:从搜索推荐到多模态智能体

摘要: 向量数据库(Vector Database)是处理非结构化语义信息的专用数据库,擅长通过近似最近邻搜索(ANN)实现高效语义检索。其核心应用包括:1️⃣ 智能搜索(如FAQ问答、法律文档检索);2️⃣ 推荐系统(匹配用户与商品向量);3️⃣ 多模态搜索(跨图文音模态检索);4️⃣ 智能体记忆管理(如RAG增强生成);5️⃣ 图像识别(异常检测、无标签识别)。主流工具包括Qdrant、Milvus、Weaviate等,需结合向量模型(如sentence-transformers)使用。适用场景需权衡精

技术需要沉淀,需要碰撞。 890

智慧医共体AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

智慧医共体AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

AI 智能体应用的向量数据库如何选型?

从 Elasticsearch、Milvus、腾讯云向量数据库、PG Vector 到 Qdrant,再到 AWS 最新发布的 S3 Vector,市场上的选择令人眼花缭乱。只要一条 import,就能把 OpenAI、Claude、Qwen 的 Embedding 写进库里,并直接在 LangChain / LlamaIndex / Dify 里做 RAG--做不到就换。向量数据库功能侧的选型,我们从“能不能接”、“能不能跑”、“能不能打” 、“能不能撑”四个方面来展开剖析。

musicml的博客 872

14-15日周末听写音频.mp3

14-15日周末听写音频.mp3

图腾柱无桥PFC变换器+平均电流控制+PI电压双闭环前馈控制设计(Simulink仿真实现)

内容概要:本文系统研究了图腾柱无桥PFC变换器的高效率控制策略,采用平均电流控制结合PI电压双闭环前馈控制,利用Simulink平台构建完整的系统仿真模型,涵盖主电路拓扑、控制环路设计、关键参数计算及动态性能验证。研究重点在于提升功率因数、降低输入电流谐波含量,并确保输出电压的高度稳定性。通过仿真分析,全面评估了系统在启动、稳态运行及抗干扰等方面的性能表现,充分展现了现代电力电子变换器在高效能、高可靠性方面的先进控制技术应用; 适合人群:具备一定电力电子技术基础和Simulink仿真能力的电气工程及相关专业的研究生、科研人员及企业研发工程师; 使用场景及目标:①研究高效率PFC变换器的控制策略;②掌握图腾柱无桥PFC电路的工作原理与建模方法;③开展新能源、电动汽车充电、工业电源等领域中高性能整流器的技术开发与性能优化; 阅读建议:建议读者结合Simulink仿真模型同步操作,重点关注控制环路的设计细节与参数整定过程,深入理解平均电流控制与双闭环前馈控制的协同机制,同时可拓展至不同工况下的性能测试以增强工程实践能力。

怎么看AI大模型(LLM)、智能体(Agent)、知识库、向量数据库、知识图谱,RAG,AGI 的不同形态?

在 AI 人工智能时代,智能体将会是未来最主流的大模型应用方式?人人都有机会通过智能体,解锁成为【超级个体】。在人工智能的快速发展中,LLM、Agent、知识库、向量数据库、RAG(检索增强生成)、知识图谱以及AGI(人工通用智能)等概念和技术不断涌现,其共同推动着人工智能技术的进步和应用场景的拓展!从智能体定义到实际应用,在多次体验各个智能体系之旅的前提下,简单谈谈一点 IDea!本文将分别介绍这些概念和技术,并探讨它们在实现AGI的不同形态中所扮演的角色。

zhishi0000的博客 3683

解决 NLPIR (中科院分词) License 过期问题

因为学习需要,使用到了中文分词技术,网上搜索一番,最终选择了名气比较大的中科院分词器(NLPIR/ICTCLAS)。 用了几个月之后突然报错: E:\code\URLClassifier\Data\NLPIR.user Not valid license or your license expired! Please feel free to contact pipy_zhan

勇敢向前冲 1万+

大模型、RAG、函数调用、Agent、知识库、向量数据库,我来扫盲了!

为了让AI更聪明,我们用了很多技术,比如Prompt、RAG、Agent等。这些技术各有特点,但它们一起工作,让我们的AI更接近真正的智能。这些技术到底有哪些区别和联系,下图作了横向对比,接下来我们详细剖析下。技术大集合要解决的问题举例人的思路AI大模型的思路布置任务查数据对话(提示词工程)新知识,记不住报税学习资料RAG检索增强生成深度理解学新语言好好学习(微调)对接外界获知天气查询工具(函数调用解决复杂问题工程项目综合能力Agent智能体02。

2401_84204207的博客 682

国产FPGA开发实战:紫光同创编程软件中的约束文件详解与常见问题

本文详细解析了紫光同创FPGA编程软件中约束文件的关键配置技巧与常见问题。通过基础架构解析、时钟约束实践、物理约束调控及典型问题排查指南,帮助开发者高效掌握国产FPGA开发中的约束文件应用,提升开发效率与设计稳定性。

gin88的博客 913

从Delta Delay到Timing Window:详解数字芯片后端时序差异的那些坑

本文深入剖析了数字芯片后端设计中,模块级与系统级时序分析结果不一致的核心原因。重点解释了Delta Delay如何导致模块级分析的乐观假设,以及Timing Window(时序窗口)差异如何通过影响串扰噪声计算,在顶层集成时引发新的时序违例,尤其是保持时间问题。文章为工程师提供了从约束建模到签核策略的系统性应对方案。

beer8的博客 502

从0到1掌握AI开发!7大核心领域全解析,LLM/RAG/Agent记忆系统一文打尽,小白也能秒变大神!

如果你刚刚踏入 AI 工程领域,面对 LangChain、RAG、向量数据库、Agent 这些名词感到困惑,那么这篇文章就是为你准备的。我会用最直白的方式,帮你建立起 AI 大模型工程的完整知识框架。有了这个框架,你再去学习任何细分技术,都不会迷失方向。本文涵盖的 9 大核心领域序号领域核心内容1LLM 大模型GPT-4o、Claude、o1/o3 推理模型、智能路由2RAG 检索增强混合检索、重排序、Agentic RAG、Graph RAG3Agent 智能体4。

xx_nm98的博客 833

第 8 篇:TMC2240 电机正反转实现|DIR 引脚控制 + 代码优化(稳定不抖动)

本文详细介绍了TMC2240电机驱动芯片的正反转实现方法,重点解决方向切换时的抖动和冲击问题。文章首先明确了硬件连接、基础配置和使能状态三个前提条件,然后阐述了DIR引脚电平控制方向的核心原理,提供了STM32的GPIO配置代码。针对方向切换时的电流冲击问题,作者提出了"停止-延迟-切换-启动"的平滑切换逻辑,并给出了包含方向枚举、转速控制和方向切换函数的完整代码实现方案。通过这种优化方法,可以有效避免电机在正反转切换时产生的抖动、冲击声和发热问题,实现稳定的双向控制。文章还提示了后续可

BackCatK Chen的博客 2082

AI大模型工程师完全指南:LLM、RAG、Agent等9大核心领域详解,建议收藏学习

本文为AI大模型工程师提供系统化学习指南,涵盖LLM、RAG、Agent等9大核心领域,包括模型选型、检索增强、智能体架构、提示词设计、数据处理管道、记忆系统构建、评测方法、微调部署及安全合规。文章提供知识全景图、技术栈对比和最佳实践,帮助读者建立完整AI工程知识体系,快速掌握大模型应用开发技能。

2401_85325726的博客 1349

一次点击跑通:用 Postman 自动获取并携带 CSRF token,测试 SAP OData 写操作

SAP OData 写操作自动化测试方案 针对 SAP Gateway OData 服务写操作中常见的 CSRF token 验证问题,本文提出了一套基于 Postman 的自动化解决方案: 问题分析:解释了 CSRF token 的验证机制及其必要性,说明手工测试效率低下的原因 解决方案: 使用 Postman 环境变量存储 token 通过脚本自动获取并传递 token 利用 Collection Runner 实现一键执行 实施步骤: 创建环境变量存储 token 第一个请求获取 token 并存入变

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 310

【ArcGIS风暴】Win10操作系统ArcGIS许可License无法启动的解决方法汇总(绝对成功!)

文章目录1. 关闭Windows Defender2. 关闭系统防火墙3. 删除迈克菲(McAfee)杀毒软件4. 在系统服务中启动 在安装ArcGIS软件时,最重要的一步是许可服务的正常启动,通常,由于各种各样的原因,ArcGIS许可管理器License Manager十有八九会无法启动,点N多次都没反应,如果许可服务不能如愿启动的话,即使Desktop安装成功,也是无法打开的。本文汇总了Win10操作系统之上ArcGIS安装过程中可能会导致服务无法启动的原因及解决办法。 ArcGIS安装参考教程:

智慧空间实验室 2万+

【必收藏】AI大模型工程师完整学习路线:从LLM、RAG到Agent的9大核心领域系统化指南

本文为AI工程师提供系统化学习指南,涵盖LLM大模型、RAG检索增强、Agent智能体、Prompt/Context工程、数据处理、记忆系统、评测系统、模型微调与部署、安全与合规等9大核心领域。详细解析各领域关键技术、最佳实践和主流工具,提供企业级AI系统技术栈推荐和性能指标参考,帮助小白和程序员快速构建AI大模型工程知识体系。

Android_XG的博客 1350

Claude Code 100个真实案例 - 用AI搭建GIS地理信息系统(地图标注+热力图)

本案例展示如何使用 Claude Code 从零搭建一个完整的 GIS 地理信息系统。我们将使用 Python + Flask 作为后端,Leaflet.js 作为前端地图引擎,实现地图标注、热力图展示、区域绘制、坐标搜索等功能。全程通过与 Claude Code 对话完成,让你感受 AI 在地理信息领域的强大开发能力。

yueyeguzhuo的专栏 113

AI 大模型工程师系统化学习指南:从 LLM 到 Agent,全面掌握 9 大核心领域(收藏版)

本文为AI工程师提供了一份全面的学习指南,系统梳理了LLM大模型工程的9大核心领域:LLM大模型、RAG检索增强、Agent智能体、Prompt/Context工程、数据处理管道、记忆系统、评测系统、模型微调与部署、安全与合规。文章详细介绍了各领域的关键技术,包括LLM模型选型与智能路由、RAG混合检索、Agent工作框架、Prompt设计策略等,并提供了技术栈速查表和企业级系统架构推荐。通过构建完整的知识框架,帮助工程师快速掌握AI大模型工程的核心要点,为实际项目开发奠定基础。

Trb201013的博客 1086

一文搞懂多速率信号处理中信号插值的本质:从插 0、插原值到线性插值!

信号插值在数字信号处理中经常被使用,但“插值”背后究竟发生了什么,却常被忽略。插0、插原值、线性插值看似只是不同的实现方式,实则对应着完全不同的频域效应与滤波特性。本文将结合公式与MATLAB仿真,深入剖析插0、插原值与线性插值三种典型策略的本质区别。

m0_66360845的博客 923

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

【爆肝整理】AI大模型开发全栈指南,从LLM到Agent记忆系统,小白程序员也能秒变AI大神!9大核心领域硬核解析,建议收藏反复观看!

本文是一份面向AI工程师的系统化学习指南,详细介绍了AI大模型工程的9大核心领域:LLM大模型、RAG检索增强、Agent智能体、Prompt/Context工程、数据处理、记忆系统、评测系统、模型微调与部署以及安全与合规。文章提供了技术栈对比、最佳实践和代码示例,帮助读者建立完整的知识框架,适合初学者和进阶开发者学习AI大模型应用开发。

Python_cocola的博客 851

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

AI大模型工程师系统化学习指南,涵盖LLM、RAG、Agent、记忆系统等7大核心领域

如果你刚刚踏入 AI 工程领域,面对 LangChain、RAG、向量数据库、Agent 这些名词感到困惑,那么这篇文章就是为你准备的。用最直白的方式,帮你建立起 AI 大模型工程的完整知识框架。有了这个框架,你再去学习任何细分技术,都不会迷失方向。序号领域核心内容1LLM 大模型GPT-4o、Claude、o1/o3 推理模型、智能路由2RAG 检索增强混合检索、重排序、Agentic RAG、Graph RAG3Agent 智能体4Prompt/Context 工程。

xxue345678的博客 300

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

AI 工程师进阶指南:从 LLM 到 Agent,7 大核心领域助你成为大模型专家

本文为AI工程师提供了一份系统化的学习指南,涵盖AI大模型工程的7大核心领域:LLM大模型、RAG检索增强、Agent智能体、Prompt/Context工程、数据处理管道、记忆系统和评测系统。文章详细介绍了各领域的核心概念、技术要点和实践方法,并提供了模型选型、智能路由等实用建议。通过建立完整的知识框架,帮助工程师快速掌握AI工程的关键技术,为职业发展奠定基础。

2401_84495872的博客 571

AI大模型工程师系统化学习指南:涵盖LLM、RAG、Agent、记忆系统等7大核心领域,小白也能轻松入门

LLM(Large Language Model)就是我们常说的"AI 大模型",比如 ChatGPT、Claude、通义千问。它们是整个 AI 应用的"大脑",负责理解用户输入、生成回复。

大模型教程的博客 363

AI大模型工程师系统化学习指南:涵盖LLM、RAG、Agent、记忆系统等7大核心领域,助你从入门到精通

如果你刚刚踏入 AI 工程领域,面对 LangChain、RAG、向量数据库、Agent 这些名词感到困惑,那么这篇文章就是为你准备的。我会用最直白的方式,帮你建立起 AI 大模型工程的完整知识框架。有了这个框架,你再去学习任何细分技术,都不会迷失方向。序号领域核心内容1LLM 大模型GPT-4o、Claude、o1/o3 推理模型、智能路由2RAG 检索增强混合检索、重排序、Agentic RAG、Graph RAG3Agent 智能体4Prompt/Context 工程。

weixin_59191169的博客 421

主流 Agent 开发框架对比

AI Agent 开发框架哪家强?本文从 LangChain、AutoGen、CrewAI 到 Dify,全面拆解四大主流框架的核心概念、适用场景与选型策略,帮你选对轮子,少走弯路。

2503_91308599的博客 565
上一篇: 如何实现无缝远程结对编程?这4个工具组合堪称王炸
下一篇: 【CSS+AI智能主题切换】:揭秘前端自动化配色背后的黑科技
SimCompile
博客等级 码龄1年 140粉丝 2012原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值