<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[edison4499的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/edison4499</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; edison4499]]></copyright><item><title><![CDATA[Vibe Coding 面试踩坑实录｜河南宁渡科技有限公司：AI 全栈面试，别只会让 AI 写代码]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/165586251</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/165586251</guid><author>edison4499</author><pubDate>Wed, 16 Sep 2026 09:52:42 +0800</pubDate><description><![CDATA[河南宁渡科技宁渡课堂揭示AI全栈面试新趋势：VibeCoding非简单代码生成，而是考察需求拆解、代码质量评估与风险管控能力。求职者需摒弃“AI万能”误区，建立“人主导、AI辅助”的工程思维。高频真题聚焦任务拆分、验收标准与安全校验，强调人工评审、边界测试与系统重构能力。备考应整合前端、后端与AI协作全流程，以RAG项目为例，掌握真实场景下的全链路开发逻辑，方能在面试中脱颖而出。]]></description><category></category></item><item><title><![CDATA[AI 全栈面试新趋势：Vibe Coding、前端、Java 后端高频面试题深度解析｜河南宁渡科技有限公司编程教程]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/165455709</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/165455709</guid><author>edison4499</author><pubDate>Tue, 15 Sep 2026 11:19:56 +0800</pubDate><description><![CDATA[AI全栈岗位面试正迎来变革，企业聚焦VibeCoding能力——即利用AI高效完成需求拆解、提示词工程、代码审查与风险管控的全流程开发。宁渡课堂指出，求职者若仅依赖AI生成代码而缺乏校验能力，易暴露短板。面试融合前端（如Vue3流式渲染）、后端（如Java网关限流）与VibeCoding实战，考察项目整合能力。备考关键：打造1-2个完整AI项目，串联技术链路，突出人机协作中的工程闭环思维，方能胜任新时代全栈要求。]]></description><category></category></item><item><title><![CDATA[河南宁渡科技有限公司｜宁渡课堂 AI 全栈面试分享，大模型 API 开发与流式输出面试题]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/165333202</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/165333202</guid><author>edison4499</author><pubDate>Mon, 14 Sep 2026 16:57:32 +0800</pubDate><description><![CDATA[AI全栈开发聚焦大模型API应用，核心考点包括SSE流式输出原理与断线重连、API异常处理（超时、限流、网络、token超限）、Temperature参数调优、FunctionCall函数调用实现智能工具联动，以及基于FastAPI的后端架构设计。面试需突出接口封装、流式返回、异常捕获与日志埋点等工程能力。宁渡课堂实战项目助你掌握SSE对话与FunctionCall落地。]]></description><category></category></item><item><title><![CDATA[河南宁渡科技有限公司｜宁渡课堂 AI 全栈面试分享，RAG 项目面试深挖问题解析]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/165332537</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/165332537</guid><author>edison4499</author><pubDate>Mon, 14 Sep 2026 16:55:09 +0800</pubDate><description><![CDATA[RAG项目是AI全栈面试必考内容。宁渡课堂总结高频深挖问题：文本切分需平衡语义完整与效率，推荐语义分片+重叠；召回采用混合检索（向量+BM25）提升精度；优化方向包括query重写、TopK调整、Rerank重排过滤无关文档；RAG适合动态知识库，微调适用于固定风格任务；部署需解决并发，可通过异步、缓存、队列削峰及Docker化实现。面试官看重实战优化经验，非仅流程复述。]]></description><category></category></item><item><title><![CDATA[河南宁渡科技有限公司｜宁渡课堂 AI 全栈面试分享，AI 应用开发高频考点汇总]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/165324929</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/165324929</guid><author>edison4499</author><pubDate>Mon, 14 Sep 2026 16:47:51 +0800</pubDate><description><![CDATA[本文梳理AI全栈开发面试高频考点，涵盖大模型基础、提示词工程、RAG检索增强、向量数据库及前后端集成。重点解析Transformer结构、上下文窗口限制、Few-shot/Zero-shot/COT应用、RAG流程与优势、向量库选型及SSE流式输出实现。结合真实面试场景，提供模型幻觉应对策略与工程落地实践，助力开发者系统备考。]]></description><category></category></item><item><title><![CDATA[河南宁渡科技有限公司,宁渡课堂教程,nodejs-koa迅速搭建后端接口]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/164425833</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/164425833</guid><author>edison4499</author><pubDate>Sun, 06 Sep 2026 11:37:48 +0800</pubDate><description><![CDATA[河南宁渡科技有限公司,宁渡课堂教程,nodejs快速搭建后端接口教程]]></description><category></category></item><item><title><![CDATA[想转AI大模型应用开发，学习方法很重要！]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154835522</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154835522</guid><author>edison4499</author><pubDate>Fri, 14 Nov 2025 14:17:43 +0800</pubDate><description><![CDATA[AI大模型应用开发学习路线：从入门到商业部署 本文提供了一份系统化的AI大模型学习路径，分为四个阶段： 初阶应用（10天）：理解大模型原理，掌握提示工程与业务衔接 高阶应用（30天）：构建私有知识库，开发对话机器人，学习RAG系统 模型训练（30天）：掌握模型训练方法，了解Transformer结构与微调技术 商业闭环（20天）：学习大模型部署方案，探索商业化应用场景 通过90天的系统学习，开发者可掌握从理论到实践的全栈AI大模型开发能力，包括核心原理、工具使用、项目实战及商业部署等关键技能。]]></description><category></category></item><item><title><![CDATA[从生成内容角度介绍开源AI大模型]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154774722</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154774722</guid><author>edison4499</author><pubDate>Thu, 13 Nov 2025 10:38:42 +0800</pubDate><description><![CDATA[本报告评估了Qwen、DeepSeek和Llama三大主流开源大模型，聚焦文本生成和多模态能力（文生图、图生文、视频/音频解析）。报告显示：Qwen中文能力突出且多模态支持丰富，DeepSeek在数学推理和性价比方面表现优异。多模态方面，HunyuanImage和Qwen-Image是专业文生图模型，DeepSeek-OCR和PaddleOCR擅长文字识别，Qwen3-Omni是唯一支持四模态的全能模型。选型建议根据具体需求选择专用模型或全能方案，其中Qwen3-Omni-30B-A3B-Instruct是]]></description><category></category></item><item><title><![CDATA[AI大模型 图书智能检索系统：融合 RAG 技术的文学智能问答解决方案]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154740730</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154740730</guid><author>edison4499</author><pubDate>Wed, 12 Nov 2025 15:53:05 +0800</pubDate><description><![CDATA[图书智能检索系统基于RAG技术实现文学作品深度解析，采用Python与DeepSeek API构建智能问答体系。系统运用TF-IDF向量化、jieba分词和自定义文本分块算法处理中文文本，通过模块化设计的SmartLibRAG类实现文档加载、语义分块、向量索引构建等核心功能。该系统为《红楼梦》等古典文学提供专业级智能解析，实现&quot;用户提问→智能检索→AI生成答案&quot;的完整闭环，展示出技术与文学结合的创新价值。]]></description><category></category></item><item><title><![CDATA[Agent 框架热潮褪去，大模型开发已经进入“生死局”？]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154677810</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154677810</guid><author>edison4499</author><pubDate>Tue, 11 Nov 2025 09:01:28 +0800</pubDate><description><![CDATA[从 2022 年起，“AI 一天，人间一年”就成了行业内的普遍共识。AI 技术迭代速度之快，让从业者既兴奋又焦虑。一方面，大模型能力正不断进化，疯狂刷新人们的认知边界。从最初的文本生成到多模态交互，从对话式 AI 到具身智能，无一不令人兴奋。另一方面，回看这些年涌现的 AI 项目，一个个迅速地崛起、消亡，其中甚至不乏 AI 独角兽项目跌落神坛，真正能够屹立在山巅的佼佼者寥寥无几。也正因如此，蚂蚁开源最新发布的《2025 ⼤模型开源开发⽣态全景与趋势》报告才显得格外有意义。]]></description><category></category></item><item><title><![CDATA[大模型AI应用，正在企业级赛道迅猛爆发]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154653823</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154653823</guid><author>edison4499</author><pubDate>Mon, 10 Nov 2025 17:07:27 +0800</pubDate><description><![CDATA[企业级大模型AI应用市场正迎来爆发式增长，预计中国市场规模2024年将达35.4亿美元。随着AI技术的成熟和成本降低，企业智能化转型需求激增，但技术落地仍面临数据治理、行业适配等挑战。专业服务商如滴普科技通过&quot;数据+AI&quot;双引擎策略，提供端到端解决方案，帮助零售、制造等行业头部企业实现AI落地，近三年营收复合增长率达55.5%。该赛道呈现从模型能力向落地能力转变的竞争趋势，预计2029年市场规模将达2394亿元。滴普科技启动IPO进程，标志着企业级AI应用进入规模化发展阶段。]]></description><category></category></item><item><title><![CDATA[一文看懂！大模型领域近期进展！]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154650867</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154650867</guid><author>edison4499</author><pubDate>Mon, 10 Nov 2025 15:31:31 +0800</pubDate><description><![CDATA[2023年以来，大语言模型领域经历了显著的技术演进。GPT-4确立了规模化的发展路径，但其高计算成本促使2024年转向效率优化：混合专家(MoE)架构如DeepSeek-V2/R1、Qwen3系列和Minimax-m1实现了10:1的参数利用率比；注意力机制创新如MLA和Lightning Attention突破了O(L^2)复杂度限制。2025年重点转向推理优化，OpenAI的o系列和Claude的混合推理通过扩展思考链(CoT)显著提升复杂任务性能，形成&quot;预训练+推理计算&quot;的新范式。]]></description><category></category></item><item><title><![CDATA[通俗介绍大模型，从RNN 到Transformer]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154611909</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154611909</guid><author>edison4499</author><pubDate>Sun, 09 Nov 2025 16:29:45 +0800</pubDate><description><![CDATA[本文概述了大型语言模型(LLM)的发展历程与技术特点。从RNN到Transformer架构的演进，解决了序列处理中的长距离关系捕捉问题。LLM基于Transformer，通过海量参数、训练数据和计算资源，在预测下一个词的过程中学习语法、语义、知识推理等能力。文章分析了LLM的优势(理解复杂语义)与局限(可能出现幻觉、非实时数据)，并介绍了CoT、RAG等应用技术。最后指出LLM已成为AI生态链的核心，但其回答并非完全可靠，需要理性看待。]]></description><category></category></item><item><title><![CDATA[太强了！Kimi K2 Thinking开源大模型超越GPT-5，国产AI迎来史诗级突破！]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154611177</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154611177</guid><author>edison4499</author><pubDate>Sun, 09 Nov 2025 15:42:09 +0800</pubDate><description><![CDATA[摘要：月之暗面最新发布的开源大模型Kimi K2 Thinking引发AI领域热议，其性能在多基准测试中超越GPT-5、Claude 4.5等顶尖闭源模型，并在Agentic搜索、编程推理等方面表现突出。该模型已集成到vLLM框架，成本仅为竞品的1/6，性价比显著。国产大模型的技术突破标志着中国AI在全球舞台的崛起。]]></description><category></category></item><item><title><![CDATA[vue3项目实战，陪诊系统（pc端+h5端）非常稀缺的前端企业级项目，学完直接写在简历上]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154480419</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154480419</guid><author>edison4499</author><pubDate>Thu, 06 Nov 2025 11:43:36 +0800</pubDate><description><![CDATA[非常稀缺的vue3企业级项目实战，陪诊系统（pc+h5）学完直接写在简历上]]></description><category></category></item><item><title><![CDATA[一文全面看懂什么是大模型（LLM）]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154399881</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154399881</guid><author>edison4499</author><pubDate>Tue, 04 Nov 2025 16:17:57 +0800</pubDate><description><![CDATA[本文全面介绍大语言模型（LLM）的概念、特点及其分类，详细阐述其核心技术原理和训练过程（数据收集、Tokenization、预训练与微调等），并列举在内容创作、客户服务、代码生成等领域的应用。同时，文章分析了LLM面临的挑战，如技术局限性、资源成本高及安全伦理问题，并展望未来多模态融合、模型轻量化等发展趋势。大语言模型正改变人机交互方式，但其发展仍需关注伦理安全，以确保健康应用。]]></description><category></category></item><item><title><![CDATA[AI大模型深度解析：从ChatGPT到“千模大战]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154399226</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154399226</guid><author>edison4499</author><pubDate>Tue, 04 Nov 2025 16:02:28 +0800</pubDate><description><![CDATA[AI大模型发展与应用综述 本文系统梳理了AI大模型的现状与发展。大模型通常指千亿参数以上的预训练模型，其发展经历了2012年萌芽期到2022年ChatGPT引领的AI2.0时代。核心要素包括算法、数据、算力和人才，目前主要由科技巨头主导。国内外已形成&quot;千模大战&quot;格局，国外以OpenAI、Google为代表，国内百度、阿里等纷纷推出对标产品。文章详细解析了模型评价指标、专业术语及技术原理，包括Transformer架构、RLHF训练方法、涌现能力等核心概念。大模型已广泛应用于语音助手、图像]]></description><category></category></item><item><title><![CDATA[Streamlit+RAG实战：零基础搭建智能穿搭系统，支持个性化推荐和可视化展示]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154398441</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154398441</guid><author>edison4499</author><pubDate>Tue, 04 Nov 2025 15:43:53 +0800</pubDate><description><![CDATA[本文介绍了一款基于RAG技术的智能服装搭配助手系统。项目通过集成大语言模型与向量检索技术，为用户提供个性化时尚建议。系统特点包括：1）基于用户特征和场合的定制化推荐；2）整合高质量时尚知识库；3）采用IPEX-LLM优化模型性能；4）提供可视化穿搭效果展示。技术实现上使用Qwen2.0-7B-Instruct模型进行知识处理，HuggingFace Embedding实现向量检索，并优化了知识片段处理效率。系统还配备友好的Streamlit Web界面，支持自然语言交互和直观的图片展示功能。]]></description><category></category></item><item><title><![CDATA[AI客服不再“胡说八道”：我用多智能体+RAG+人工审核，实现了三重保险]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154395548</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154395548</guid><author>edison4499</author><pubDate>Tue, 04 Nov 2025 14:54:16 +0800</pubDate><description><![CDATA[本文介绍了一个基于多智能体和RAG技术的智能客服系统，主要用于处理旅行相关查询和电商服务。系统采用模块化架构，包含主助手和专业助手（航班、酒店、租车等），通过LangGraph实现状态管理。新增的安全功能包括越狱防护、相关性检查和人工审核流程（GoHumanLoop）。项目使用Qdrant向量数据库存储知识库，支持本地运行和Web界面交互。系统特点包括复杂问题拆解、敏感操作确认机制和对话状态维护，未来计划优化RAG工具和图架构。整体提升了AI客服的专业性、安全性和响应准确性。]]></description><category></category></item><item><title><![CDATA[2025最新AI大模型应用开发，AI大模型项目实战，RAG项目实战，全网稀缺实战教程，99%都在讲理论，直接带你手写代码实战完成项目]]></title><link>https://blog.youkuaiyun.com/edison4499/article/details/154392503</link><guid>https://blog.youkuaiyun.com/edison4499/article/details/154392503</guid><author>edison4499</author><pubDate>Tue, 04 Nov 2025 13:01:20 +0800</pubDate><description><![CDATA[本文介绍了一个基于检索增强生成（RAG）技术的图书智能检索系统。系统采用Python 3.13开发，整合了DeepSeek API、TF-IDF向量化、jieba中文分词等技术，实现了文档加载、文本分块、向量索引构建和智能问答功能。核心类SmartLibRAG的设计注重缓存优化和模块化，包含中文NLP处理、语义分块算法和检索优化策略。系统通过结构化提示词生成专业回答，为用户提供《红楼梦》等文学作品的智能化检索体验，并具备错误处理和性能优化机制。相关技术文档和视频教程链接已提供。]]></description><category></category></item></channel></rss>