<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[circuitsosk的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/circuitsosk</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; circuitsosk]]></copyright><item><title><![CDATA[向量数据库选型实战:Milvus、pgvector 与 Elasticsearch 在千万级文档下的压测对比]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164451443</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164451443</guid><author>circuitsosk</author><pubDate>Mon, 07 Sep 2026 10:08:20 +0800</pubDate><description><![CDATA[在数据量增长到千万级后，向量检索性能成为瓶颈。为客观选型，作者在相同环境下对 Milvus、pgvector 和 Elasticsearch 进行压测，重点考察查询延迟、召回质量、写入吞吐和资源占用。测试使用真实文本生成的 512 维向量，确保结果可信。]]></description><category></category></item><item><title><![CDATA[上下文工程的工程化:窗口管理、动态压缩与关键信息注入策略]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164451178</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164451178</guid><author>circuitsosk</author><pubDate>Mon, 07 Sep 2026 09:57:58 +0800</pubDate><description><![CDATA[本文针对LLM长对话中“越聊越蠢”的问题，提出上下文工程三招：滑动窗口管理历史、滚动摘要压缩旧对话、关键事实库与检索注入，确保模型注意力放在关键位置，提升效果并降低成本。]]></description><category></category></item><item><title><![CDATA[GraphRAG 落地实践:当传统向量检索不够时,知识图谱如何补位]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164430477</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164430477</guid><author>circuitsosk</author><pubDate>Sun, 06 Sep 2026 20:34:47 +0800</pubDate><description><![CDATA[内容讲了RAG在处理跨文档推理问题上的不足，引入GraphRAG，用LLM抽取实体关系构建知识图谱，纯Python实现，混合路由架构，实验对比显示GraphRAG对关系题有效但单点事实题不如向量检索。]]></description><category></category></item><item><title><![CDATA[RAG 评测体系从零搭建:面向生产环境的召回率、忠实度与端到端指标设计]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164430414</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164430414</guid><author>circuitsosk</author><pubDate>Sun, 06 Sep 2026 20:29:57 +0800</pubDate><description><![CDATA[本文介绍了从零搭建生产环境RAG评测体系的完整方案：强调评测集必须来自真实用户日志并标注三层信息；分环节设指标，用Recall@K、MRR定位检索问题，用忠实度检测幻觉；对齐RAGAS口径，结合人类打分验证；最后强调离线指标与线上业务指标并重，实现自动化回归。]]></description><category></category></item><item><title><![CDATA[企业知识库 RAG 从 62% 到 91%:分块策略、混合检索与重排序的调优全记录]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164340123</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164340123</guid><author>circuitsosk</author><pubDate>Thu, 03 Sep 2026 21:13:34 +0800</pubDate><description><![CDATA[作者为厘清RAG准确率来源，基于开源模型搭系统并自建评测集。通过分块策略优化、BM25+向量混合检索与RRF融合、重排序精排，将端到端准确率从62%提至91%，强调量化评测与实验对比驱动调优。]]></description><category></category></item><item><title><![CDATA[多智能体框架自研实录:为什么我们放弃现成编排框架,自己写了 500 行调度器]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164340021</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164340021</guid><author>circuitsosk</author><pubDate>Thu, 03 Sep 2026 21:06:45 +0800</pubDate><description><![CDATA[本文是基于“智能供应链助手”实际需求，试用CrewAI等框架三个月后，因无法满足生产级确定性、可观测和稳定性，改用500行自研调度器。核心为纯函数Agent、消息总线显式路由、可观测调度循环，失败作为状态流转，支持重试转人工。]]></description><category></category></item><item><title><![CDATA[构建可断点续跑的 Agent:长任务执行中的状态持久化、恢复与幂等设计]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164289480</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164289480</guid><author>circuitsosk</author><pubDate>Wed, 02 Sep 2026 09:51:28 +0800</pubDate><description><![CDATA[长任务会因中断失败，需要断点续跑；包含状态持久化、断点恢复、幂等执行；用SQLite存储状态和副作用记录。用简洁语言。</think>Agent长任务易因进程重启、外部超时或人工审批中断而失败，需断点续跑能力。核心包括：状态持久化（用SQLite分层存储上下文与副作用流水）、断点恢复（按已完成步骤续跑）、幂等执行（副作用去重）。最小实现通过TaskStore与StepRunner完成。]]></description><category></category></item><item><title><![CDATA[任务规划器的三种范式对比:ReAct、Plan-and-Execute 与 Tree-of-Thought 在真实业务中的取舍]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164289091</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164289091</guid><author>circuitsosk</author><pubDate>Wed, 02 Sep 2026 09:48:04 +0800</pubDate><description><![CDATA[本文指出任务规划是Agent能力的分水岭，比较了ReAct、Plan-and-Execute、Tree-of-Thought三种主流范式：ReAct边想边做，适合动态环境；Plan-and-Execute先计划后执行，成本低但计划静态；Tree-of-Thought多路径搜索，适合高难度推理。并为不同场景提供了选型建议。]]></description><category></category></item><item><title><![CDATA[Function Calling 的工程化实践:函数定义设计、幻觉防护与失败重试的 12 个坑]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164267654</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164267654</guid><author>circuitsosk</author><pubDate>Tue, 01 Sep 2026 20:16:32 +0800</pubDate><description><![CDATA[Function Calling 是 Agent 从"会说"到"能做"的基石,但生产环境翻车频发。本文从函数定义、幻觉防护、失败重试、工程细节四个层面,拆解 12 个真实踩坑点:description 设计、参数约束、工具白名单、schema 校验、幂等重试、超时控制等,并附 100 行可复用的 ToolExecutor 完整实现,让每次工具调用可控、可恢复、不产生事故。]]></description><category></category></item><item><title><![CDATA[从单轮对话到多智能体协作：基于 LangGraph 构建可观测的企业级 Agent 工作流]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164267526</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164267526</guid><author>circuitsosk</author><pubDate>Tue, 01 Sep 2026 20:12:48 +0800</pubDate><description><![CDATA[单轮对话为何撑不起企业级应用?本文用 LangGraph 将 Agent 从"黑盒循环"升级为显式的有状态工作流。以工单系统为例,逐步实现意图路由、RAG 检索、工具调用与 interrupt 人工审批,并扩展 Supervisor 多智能体协作模式;最后从 Tracing、指标埋点到评测闭环,构建完整的可观测体系,附完整可运行代码。]]></description><category></category></item><item><title><![CDATA[LLM Tool Calling 的工程化实践：Function Calling 与 Schema 校验]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164229621</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164229621</guid><author>circuitsosk</author><pubDate>Mon, 31 Aug 2026 21:21:29 +0800</pubDate><description><![CDATA[本文围绕LLM Function Calling的工程化落地，提出三层校验体系：Schema自动生成（Pydantic转JSON Schema，解决手写维护难）、参数解析与类型校验（防JSON解析失败、防非法工具名、防类型不匹配）、多步推理追踪（ValidationTracker确保校验未被跳过）。通过约200行代码示范，强调“约束输出格式”不等于“提升模型能力”，但能帮助快速定位问题，是Agent从玩具走向工程的关键一步。]]></description><category></category></item><item><title><![CDATA[从零搭建轻量级智能体平台：任务调度与工具调用架构设计]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164229595</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164229595</guid><author>circuitsosk</author><pubDate>Mon, 31 Aug 2026 21:19:33 +0800</pubDate><description><![CDATA[本文从零构建轻量级智能体运行时，涵盖工具注册与Schema生成、Agent主循环（推理→调用→回填）、以及审批策略、上下文压缩、长期记忆三大生产级扩展。约300行Python代码完整演示ReAct模式落地，强调“亲手写调度循环”对理解Agent原理的价值，为开发者提供可调试、可扩展的入门级架构参考。

]]></description><category></category></item><item><title><![CDATA[多智能体协同的安全攻防演练：如何评测及防御Agent间的误导性信息传播]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164173328</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164173328</guid><author>circuitsosk</author><pubDate>Sat, 29 Aug 2026 20:58:05 +0800</pubDate><description><![CDATA[本文是应对多智能体协同中误导性信息传播的攻防实践总结。归纳了幻觉污染、级联放大、权威漂移、注入劫持、虚假共识五种传播形态,通过强制溯源(Claim血缘结构)与失真率、误导存活率、级联深度、虚假共识数等指标量化传播过程,并构建溯源与无源标记、信任度衰减、独立复核与分歧仲裁、高风险结论阻断四道防线。演练使误导种子存活率从68%降至12%以下,验证了"让错误在传播中失去信用"的防御理念。]]></description><category></category></item><item><title><![CDATA[从零搭建行业知识平台：向量库+图数据库+传统关系库的多模检索统一层设计]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164173305</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164173305</guid><author>circuitsosk</author><pubDate>Sat, 29 Aug 2026 20:55:04 +0800</pubDate><description><![CDATA[本文是从零搭建行业知识平台的实践总结。针对语义、关系、精确三类问题无法由单一存储覆盖的困境,设计了向量库+图数据库+关系库的多模检索统一层:查询解析以"规则优先、LLM补充、语义兜底"分诊意图,路由分发至三库执行(语义检索、关系遍历、精确查询),融合层用RRF算法规避跨源分数不可比并奖励多路印证。工程上沉淀了主键统一、白名单防注入、分路超时、评测集先行等决策,使上层只面对一个统一接口,换掉任一底层存储业务毫发无损。]]></description><category></category></item><item><title><![CDATA[面向行业Agent的全链路可观测性设计：Trace、Metrics与Feedback闭环]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164152453</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164152453</guid><author>circuitsosk</author><pubDate>Fri, 28 Aug 2026 19:52:38 +0800</pubDate><description><![CDATA[本文是针对传统监控无法回答"Agent做了什么、结果对不对"的问题,作者设计了三层方案:Trace层用Span模型与contextvars上下文传播记录每次LLM/工具调用及推理事件,实现按trace_id还原完整执行路径;Metrics层围绕任务生命周期定义成功率、延迟、Token成本、修订率等指标,并配以面向业务的告警语义;Feedback闭环通过自动校验、结构化用户反馈与延迟业务结果三路收集质量信号,经实时纠错、质量画像、评测集回灌三层改进系统。]]></description><category></category></item><item><title><![CDATA[大模型本体安全防护实践：提示词注入防御、输出合规过滤与敏感信息脱敏]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164152428</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164152428</guid><author>circuitsosk</author><pubDate>Fri, 28 Aug 2026 19:48:23 +0800</pubDate><description><![CDATA[本文是针对提示词注入、输出越权、数据泄露三类威胁,设计了三层纵深防御:输入侧通过指令层级隔离与"规则+分类器"双通道检测防御提示词注入,并对高风险工具调用做二次校验;输出侧通过分级过滤管道与流式逐段过滤拦截有害及越权内容;数据侧实现双向(入口/出口)、可逆、位于防护链最外层的敏感信息脱敏。工程上沉淀了"安全靠结构而非模型""规则优先于模型""日志本身是攻击面""评估误拦截成本"四个关键认知。系统上线后拦截数百次注入尝试,输出越权归零,日志中不再出现明文PII,验证了纵深防御在LLM应用安全中的有效性。]]></description><category></category></item><item><title><![CDATA[企业级智能体平台架构设计：从Agent Registry、Skill Store到运行时沙箱]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164111526</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164111526</guid><author>circuitsosk</author><pubDate>Thu, 27 Aug 2026 10:25:33 +0800</pubDate><description><![CDATA[本文是对构建企业级智能体平台的工程实践总结。针对智能体应用规模化后的重复开发、技能冲突、越权失控等问题,作者提出Agent Registry(注册与发现)、Skill Store(技能版本化与权限声明)、运行时沙箱(资源限额与隔离执行)三根支柱正交解耦的架构,并经"发现→解析→授权→沙箱执行→双重校验→全链路审计"调用链协同。工程上沉淀了契约先行、平台不写业务、默认拒绝等决策。平台已支撑20余个智能体、300多个技能稳定运行,无越权或逃逸事件,验证了"让平台更可靠而非让Agent更聪明"的理念。]]></description><category></category></item><item><title><![CDATA[多智能体协同在能源数据分析中的实践：分配-执行-校验闭环架构设计]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164111224</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164111224</guid><author>circuitsosk</author><pubDate>Thu, 27 Aug 2026 10:21:30 +0800</pubDate><description><![CDATA[本文记录作者将多智能体协同落地于能源数据分析场景的工程实践。针对负荷预测、异常检测、能效归因等任务异质且错误代价高的特点,作者设计并实现了"分配-执行-校验"闭环架构:分配层通过智能体注册表将任务拆解为带依赖的子任务;执行层以统一接口驱动清洗、建模、异常检测等专业智能体并行协同;校验层通过契约校验、交叉校验、基准比对三层机制独立验证结果;失败结果经反馈回路回传分配层,支持参数修订、智能体切换或降级转人工。工程上沉淀了统一接口、上下文按需注入、trace全链路等关键决策。]]></description><category></category></item><item><title><![CDATA[智能体任务拆解与执行：基于ReAct+Plan-and-Execute框架的行业Skill构建实录]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164097037</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164097037</guid><author>circuitsosk</author><pubDate>Wed, 26 Aug 2026 21:10:13 +0800</pubDate><description><![CDATA[本文是作者将LLM智能体落地行业业务的实践记录,聚焦任务拆解与执行难题。作者对比了ReAct(动态纠错)与Plan-and-Execute(全局可控)两大框架,提出以Plan-and-Execute为骨架、ReAct为步骤内执行引擎的混合方案,并抽象出可复用、有输入输出契约的"行业Skill"能力单元,通过"异常走廊"机制实现失败后的计划修订。工程上沉淀了工具契约显式化、失败分级、全链路可观测等经验。最终人工介入率从90%降至约15%,证明任务拆解走向显式、可编排的工程结构是智能体生产化的可行路径。]]></description><category></category></item><item><title><![CDATA[NL2SQL在工业级场景下的精度优化：Schema Linking + 动态Few-shot实战]]></title><link>https://blog.youkuaiyun.com/circuitsosk/article/details/164096991</link><guid>https://blog.youkuaiyun.com/circuitsosk/article/details/164096991</guid><author>circuitsosk</author><pubDate>Wed, 26 Aug 2026 21:05:29 +0800</pubDate><description><![CDATA[摘要： NL2SQL在工业级场景落地面临多表JOIN、字段语义歧义等挑战，准确率往往不足70%。本文从两个核心优化方向入手：一是基于双向语义匹配的Schema Linking，将表级召回率从72%提升至90%；二是根据问题语义动态检索示例的动态Few-shot策略，复杂查询准确率提升8-10%。结合执行反馈自我修正机制，最终实现准确率从58%提升至87%。文章附完整可运行代码，适合AI工程师与数据开发人员参考。]]></description><category></category></item></channel></rss>