- 博客(23)
- 收藏
- 关注
原创 让 AI 帮你查数据库,为什么经常查错?——从自然语言到 SQL 的 Agent 实战
AI 生成的 SQL 能运行,为什么查询结果仍可能不对?本文用虚构订单和 Python + SQLite 离线示例对比两种业务口径,讲解时间字段、退款规则、参数化查询、只读权限和结果验证。
2026-11-16 10:22:04
28
原创 文件明明更新了,为什么 AI 还是按旧版本回答?——知识库更新与版本管理实战
知识库文件更新后,AI 为什么仍引用旧版本?本文用虚构报销制度和 Python + SQLite 离线示例,对比直接追加与受控切换,讲解文档版本、索引同步、缓存失效、权限与排查方法。
2026-11-16 09:59:41
14
原创 知识库明明有答案,为什么检索时却找不到?从关键词到混合检索
知识库明明有答案,为什么检索仍可能找错?本文用虚构文档离线比较 BM25、手工特征向量和 RRF,展示同分、排序反例与未知编号,并附完整 Python 代码和排查清单。
2026-11-13 00:54:27
63
原创 MCP 到底是什么?给 AI Agent 接上一个自己的工具
MCP 如何让 AI 应用发现并调用自己的工具?本文用虚构任务查询示例,实际演示本地 stdio 初始化、工具发现、参数调用和错误处理,附流程图、对照表与可运行的 Python 代码。
2026-11-13 00:39:30
227
原创 本地大模型已经能聊天,为什么 AI 项目还是连不上?
本地模型明明能聊天,AI 项目却连接失败?本文以 Ollama 为例,拆解地址、端口、模型名、接口协议和容器网络,结合模拟 HTTP 对比、排查表与 Python 代码,说明如何逐步定位问题。
2026-11-12 01:51:03
276
原创 PDF 明明有内容,为什么 AI 知识库还是读不懂?
PDF 明明能看到内容,AI 知识库为什么仍然答不上来?本文用一份虚构 PDF 实测文字页、表格页和扫描页,展示本机 OCR 的真实误识别,并结合 Python 代码讲解结构保留、来源定位与逐步排查方法。
2026-11-12 01:40:52
268
原创 AI Agent 会调用工具后,怎样避免它做错事?从操作预览到人工确认
Agent 提出的工具调用,怎样在执行前进行权限校验和人工确认?本文通过虚构订单的本地示例,展示操作预览、版本冲突、重复确认、事务回滚与审计记录,附实际页面截图、表格和可运行 Python 代码。演示不连接真实模型或订单系统。
2026-11-11 10:22:23
218
原创 AI 设计稿很好看,怎么接入现有前端项目?从可编辑画布到真实页面
AI 设计稿怎样接入已有前端?本文以本地任务工作台为教学示例,对比原页面、设计标注与落地效果,讲解组件、样式、交互与响应式验收,附完整代码、图片和表格。设计标注稿非 Baoyu Canvas 实测,演示不接后端。
2026-11-11 10:07:18
239
原创 AI 应用为什么总是一个聊天框?把 Agent 做成可编辑的工作台
AI 生成计划后,用户怎样修改、锁定和确认结果?本文用纯聊天版与可编辑工作台的实际页面对比,拆解业务文档、局部修改、字段锁、版本冲突与保存状态,配 5 张图片、6 张表格和可运行 JavaScript 示例。演示使用离线预设数据。
2026-11-09 03:03:23
298
原创 Agent 任务跑到一半断了怎么办?从断点恢复到避免重复执行
Agent 执行中断后,怎样继续任务而不重复交付?本文拆解检查点、稳定操作键、结果未知、重试预算与取消边界,使用两个 SQLite 数据库和跨进程 Python 实验,对比普通重试与幂等恢复,配 3 张示意图、7 张表格及完整代码。
2026-11-09 02:27:02
270
原创 Agent 看起来能跑,怎么判断它真的做对了?从测试用例到回归评测
Agent 回答看起来正确,是否代表任务真的完成?本文以模拟订单查询为例,拆解测试用例、工具轨迹、权限、副作用和回归评测,配流程图、对照表与可运行的 Python 离线示例。
2026-11-08 23:32:07
309
原创 AI 返回的 JSON 看起来没问题,为什么程序还是报错?从结构化输出到业务校验
AI 返回的内容可以解析成 JSON,为什么程序仍然报错?本文以 Agent 任务卡片为例,拆解响应状态、JSON 解析、结构与业务校验、有限重试和前端反馈,附流程图、对照表及可运行的 Python 离线示例。
2026-11-08 22:57:16
296
原创 为什么 AI 写的前端总有“模板味”?
AI 写的前端为什么总有“模板味”?本文用同一 Agent 工作台的四个可运行教学版本,展示默认布局、样式调整、信息重组与窄屏适配的实际差异。结合 7 张配图、6 张表格和代码示例,讲清 CSS 参考、设计规范、Skill 与截图迭代的作用,并给出可复用提示和验收方法。
2026-11-06 15:38:35
319
原创 大模型应用响应太慢?从流式输出到异步任务,拆开性能、日志与成本
大模型应用响应慢,问题可能出在排队、检索、流式传输或结果保存。本文以报告生成为例,拆解 API 接入、SSE、异步任务、日志追踪、部署与成本控制,配 3 张图、6 张表和可运行的 Python 离线示例,帮助区分首段等待、总耗时与业务交付,定位超时、重复提交和费用待核对等问题。
2026-11-06 12:03:51
295
原创 对话越聊越长,Agent 为什么会忘事?记忆与上下文管理实战
聊天记录保存着,为什么 Agent 还是会忘记已确认的要求?本文用 PPT 项目案例,拆解短期记忆、摘要、长期记忆、上下文裁剪和记忆更新,附流程图、对照表与可运行的 Python 筛选器。进一步说明版本冲突、失效处理、预算、缓存及评测,帮助定位信息究竟在哪一层丢失。
2026-11-05 14:28:48
312
原创 大模型 Agent 到底怎么干活?从工具调用到失败恢复,拆开完整执行闭环
Agent 为什么能从回答问题走向执行任务?本文用订单与物流查询案例,拆解工具调用、任务规划、状态管理、多轮执行和失败恢复,附 93 行可本地运行的 Python 教学代码、流程图与排查表。进一步讨论重试、幂等、授权、可观测性和评估,帮助读者搭起一个能解释、能停止的执行闭环。
2026-11-05 10:11:31
187
原创 AI 编程为什么越改越乱?一套让 Codex 少走弯路的项目协作方法
AI 编程越改越乱,问题可能出在目标、上下文和验证方式。本文结合 Codex 项目协作,分享任务拆分、AGENTS.md、代码审查和交接方法,附可复制模板,帮助每轮修改更容易检查和接手。
2026-11-04 16:36:52
307
原创 AI 写完代码就能上线?一个多模态 PPT 项目的真实交付经历
AI 生成了代码和图片,离真正交付还有多远?以基于 Banana Slides 改造的多模态 PPT 项目为例,复盘会话恢复、生成质量、费用记录、导出一致性和部署验证,附 TypeScript 示例、流程图与交付检查单。
2026-11-04 13:17:55
124
原创 AI Agent 到底在干什么?我把 Codex 的执行过程搬上了可视化大屏
AI Agent 正在运行,但屏幕上只有一行“处理中”。它在查资料、执行命令,还是等待工具返回?如果能把这些过程变成一个实时大屏,会是什么样?这篇文章分享一次动手尝试:在开源项目的基础上,接入 Codex 已记录的执行事件,让两个主题展示真实任务状态。先说清楚:大屏里的炫酷动画是视觉呈现。真实内容来自可读取到的执行记录;它无法展示模型内部的思考过程,也无法凭空补齐没有记录的信息。
2026-11-03 14:40:31
99
原创 RAG 效果怎么测?用 Ragas 拆开评估检索、幻觉与回答质量
本文通过Ragas工具,拆解RAG系统评估的四大核心指标:Context Precision、Recall、Faithfulness与Answer Relevancy,强调需分阶段评估检索与生成质量。指出仅看总分易误判,应结合上下文、参考答案与评审模型,定位“漏检”“无据扩写”“答偏”等问题。提供最小可运行代码,实现自动化评估,并建议保存完整数据链路以支持精准优化。
2026-11-02 17:24:13
224
原创 RAG流程讲解
本文详解检索增强生成(RAG)原理与实践,阐述其通过引入外部知识库提升大模型输出准确性与上下文相关性的核心优势。基于LangChain框架,RAG流程分为索引与检索两阶段:先用文档加载器统一解析多格式文档为Document对象,再通过文本分割器(如RecursiveCharacterTextSplitter)将长文档切分为带重叠的片段,以保持语义连贯性。随后,文本嵌入转化为向量并存入数据库。使用时,用户提问经向量化后检索相关片段,结合上下文生成精准、可引用的回答。核心在于“检索-生成”协同,实现更可靠的内容
2026-11-02 10:44:49
193
原创 微调流程讲解
本文概述了大模型监督微调(SFT)的四大核心环节:模型选择、数据准备、微调训练与模型验证。推荐优先使用已指令对齐的InstructModel以降低标注成本;强调高质量数据的重要性,建议结合公共与私有数据源,并通过工具如EasyDataset、DataFlow等进行预处理;微调阶段需关注损失函数与工程优化;最后通过多维度验证评估模型泛化能力与实际表现,确保任务适配性。
2026-10-29 13:39:38
51
原创 微调(Fine-tuning)
本文探讨大模型微调的必要性与实践路径,指出虽有DeepSeek等先进模型,仍需结合业务数据进行微调以提升准确性。基于监督微调(SFT)与对齐优化(RLHF/RLAIF)范式,强调高质量标注数据与充足硬件资源是微调前提。对比全参数微调与参数高效方法(如LoRA、QLoRA、AdapterTuning等),指出其在显存占用与训练成本上的优势。同时警示微调易引发过拟合、指令偏置与幻觉加剧等问题,提醒需谨慎操作。
2026-10-27 15:23:30
96
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