<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[高校图书馆高级系统架构师/研究馆员，推动高校AI从概念演示到可评审、可交付、可运维：路线图与立项评审、PoC交付、评测回归与上线运维（Baseline/Eval/Ops）。]]></title><description><![CDATA[内容覆盖：立项与路线图、架构评审与选型、PoC最小可行交付、评测体系与回归测试、上线运维与可观测治理（Baseline/Eval/Ops）。每篇文章尽量明确“适合谁/交付物/验收方式”，帮助决策层做判断、架构层做设计、实施层能落地。]]></description><link>https://blog.youkuaiyun.com/liu1983robin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; liu1983robin]]></copyright><item><title><![CDATA[AI 时代的学术入门：文献综述实践指南]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/161868752</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/161868752</guid><author>liu1983robin</author><pubDate>Wed, 10 Jun 2026 19:10:05 +0800</pubDate><description><![CDATA[《AI 时代的学术入门：文献综述实践指南》面向初学者，提供一套可复用、可落地的文献综述工作流，避免“堆论文却写不出观点、引用链易断”的常见困境。指南以 Step 1 检索、Step 2 筛选、Step 3 入库、Step 4 提取、Step 5 生成串起全流程，强调“AI 负责加速，你负责判断与把关”。读者将学会用关键词金字塔构建检索式、用规则与相似度做筛选、用 Zotero 沉淀文献资产，并用 PICO 抽取与主题归纳形成可追溯的三段式初稿。最终产出包含核心文献库与一份结构清晰的综述草稿。]]></description><category></category></item><item><title><![CDATA[AI 时代文献综述：从检索到成稿的 RAG 五步法]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/161868130</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/161868130</guid><author>liu1983robin</author><pubDate>Wed, 10 Jun 2026 18:45:09 +0800</pubDate><description><![CDATA[这篇文章围绕“AI 时代如何把文献综述写成一条可复用的流程”展开。文章首先指出多数人之所以“读了很多却写不出来”，核心原因不是不努力，而是检索、管理、理解与写作缺少工程化方法。随后解释文献综述的关键目标：按主题归纳，呈现共识与分歧，并明确研究空白（Gap）。在此基础上，文章引入 RAG 思维，强调用可追溯的原文证据约束生成，避免“看似真实”的学术幻觉。最后给出平台无关的五步法框架（检索、筛选、嵌入、提取、生成），并提供可直接复用的提示词与模板，帮助将两周工作压缩为可执行的写作流水线。]]></description><category></category></item><item><title><![CDATA[用 Python + OpenAlex + 国产大模型，给毕业论文造一个选题侦察兵]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/161596838</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/161596838</guid><author>liu1983robin</author><pubDate>Fri, 05 Jun 2026 20:10:22 +0800</pubDate><description><![CDATA[当 OpenAlex 的图谱每天以百万级的速度自我演进，当国产大模型的成本每年下降一个数量级，研究的入口正在被彻底重新定义。此时，我们不妨做一个互动思考：当未来学术知识图谱 100% API 化、大模型生成的候选选题质量超过 80% 的初级研究者时，研究生还需要“想“选题吗，还是只需要“评审“选题？或许，作为新一代的研究者和工程师，我们的根本任务早已不是“手动找选题“，而是“为自己构建一个能持续产出高质量候选的工作流放弃灵感型选题，拥抱可工程化、可复现、可治理的选题流水线——这不仅是技术升级，更是。]]></description><category></category></item><item><title><![CDATA[把“选题三角”做成一个评分系统：Prompt 工程 + 多模型投票实战]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/161597295</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/161597295</guid><author>liu1983robin</author><pubDate>Fri, 05 Jun 2026 18:58:20 +0800</pubDate><description><![CDATA[当 LLM-as-a-Judge 的论文每周以几十篇的速度涌现，当多模型投票被工程界默认接受为评估范式，“AI 评分”正在从玄学走向工程。此时，我们不妨做一个思考：当未来 AI 评审委员会的可信度（Cohen’s Kappa）稳定超过 0.7 时，毕业论文还需要导师亲自打分吗？或者说，导师的角色会不会从“评审”变成“评审的评审”（meta-reviewer）？或许，作为新一代工程师，我们的根本任务早已不是“让模型给一个答案”，而是“]]></description><category></category></item><item><title><![CDATA[从“盲投”到“全栈自动化”：2026 年科研人的 AI 进化终极手册]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158893558</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158893558</guid><author>liu1983robin</author><pubDate>Tue, 10 Mar 2026 22:18:54 +0800</pubDate><description><![CDATA[本文深度拆解了2026年科研“全栈自动化”的演进之路：AI已从单纯的提效工具，跃升为重构科研的底层范式。借助“选题三角模型”、多智能体自动化工作流、“红队预审”防拒稿机制与“多模型路由”修回策略，AI将接管90%的繁重执行任务。未来科研的核心竞争力，将彻底回归人类高价值的深度思考与学术伦理坚守。]]></description><category></category></item><item><title><![CDATA[OpenClaw 落地指南：在 Windows 本地零基础部署 OpenClaw 与自动化强化学习 (RL) 系统]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158893139</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158893139</guid><author>liu1983robin</author><pubDate>Tue, 10 Mar 2026 22:00:46 +0800</pubDate><description><![CDATA[OpenClaw作为2026年爆发的AI Agent框架，凭借模块化设计、多模型支持和强化学习能力，正在重塑AI应用开发范式。本文从架构设计到实战部署，详细介绍了在Windows环境下搭建OpenClaw系统的全流程，包括硬件配置、安装指南、智谱GLM-4模型集成，以及强化学习调优等关键技术。通过高校智能助教系统的案例，展示了如何实现从基础对话到自主进化的完整AI Agent闭环。文章特别强调GRPO算法在模型微调中的优势，为开发者提供了从入门到进阶的全面指导。]]></description><category></category></item><item><title><![CDATA[RAG 系统评估终极指南——从底层算法到 LLM-as-Judge 新范式]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158545105</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158545105</guid><author>liu1983robin</author><pubDate>Sun, 01 Mar 2026 22:55:22 +0800</pubDate><description><![CDATA[RAG系统评估：从检索到生成的全面优化 RAG（检索增强生成）系统结合了信息检索与大模型生成能力，但实际应用中常面临检索不准、生成幻觉等问题。本文系统性拆解RAG评估方法： 双核架构特性 检索器决定上下文质量，生成器影响答案准确性 级联误差导致端到端性能急剧下降（如80%检索+80%生成≈64%准确率） 检索模块评估 核心指标：Recall@K、MRR、NDCG 工程实现：Python代码示例展示指标计算方法 关键平衡：需同时监控Recall和Precision，避免过度检索 生成模块评估 传统方法：]]></description><category></category></item><item><title><![CDATA[从 CUDA OOM 到彻底榨干 GPU：DeepSeek 等大模型高效推理与部署全攻略]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158544722</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158544722</guid><author>liu1983robin</author><pubDate>Sun, 01 Mar 2026 22:14:08 +0800</pubDate><description><![CDATA[本文深入剖析大模型部署中的显存瓶颈问题，以DeepSeek-V3为例，系统分析显存占用的四大来源（模型权重、KV缓存、激活值、运行时上下文），并通过量化、动态优化、分布式扩展等策略提供解决方案。文章包含工业级诊断工具和实战代码，帮助开发者在资源受限环境下高效部署大模型，涵盖INT8/INT4量化、FlashAttention优化及vLLM集群部署等关键技术。]]></description><category></category></item><item><title><![CDATA[从“玩具脚本”到“工业级流水线”：2026 智能舆情报告系统工程化落地全指南**]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/145919405</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/145919405</guid><author>liu1983robin</author><pubDate>Sat, 28 Feb 2026 00:09:38 +0800</pubDate><description><![CDATA[本文提出了一套智能舆情报告生成系统的工程化建设方案，核心聚焦于构建可追溯、可审计的完整生产链路，而非孤立的技术模块。系统分为三期实施：Phase1建立数据闭环（源管理→爬取→清洗→审核→导出），Phase2增强智能化能力（情感分析、AI报告生成），Phase3扩展为实时预警平台。文章强调数据资产标准化优先于AI应用，推荐采用Streamlit+RAG+模块化管道的架构，通过检索增强生成技术解决大模型幻觉问题，并详细拆解了各阶段工程要点。]]></description><category></category></item><item><title><![CDATA[突破大模型推理天花板：基于 GraphRAG 的多跳推理与隐式因果关系挖掘深度指南]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158433219</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158433219</guid><author>liu1983robin</author><pubDate>Fri, 27 Feb 2026 23:57:37 +0800</pubDate><description><![CDATA[GraphRAG：知识图谱与大模型协同的因果推理架构 摘要：本文提出GraphRAG架构，通过知识图谱增强大模型的因果推理能力。传统RAG依赖向量相似度检索，无法捕捉数据间的隐式因果关系。GraphRAG将非结构化数据转化为结构化属性图（实体-关系网络），实现多跳推理：1）基于图注意力网络动态计算跳转路径；2）引入反事实检验验证因果关系。核心创新在于融合图神经网络与因果推断理论，使AI系统能像人类一样进行逻辑推演，在金融风控、医药研发等领域挖掘深层因果链。]]></description><category></category></item><item><title><![CDATA[RAG 五大应用场景（五）：学术研究综述生成系统：Map-Reduce 与出处追踪的工程实践]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158433113</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158433113</guid><author>liu1983robin</author><pubDate>Thu, 26 Feb 2026 23:39:36 +0800</pubDate><description><![CDATA[在企业级RAG系统中，学术研究综述场景面临传统切块+向量检索方法的局限性，导致结论缺乏出处和可复核性。本文提出自适应RAG架构解决方案： 深度结构化解析：采用VLM模型(Nougat/Marker)精准提取PDF中的多模态内容、语义区块和引用关系，保留关键元数据如页码和DOI。 Map-Reduce计算范式： Map阶段：并发使用轻量级LLM提取单文档核心观点并标注来源 Reduce阶段：通过强推理模型(GPT-4o等)聚合多文档信息，生成带完整引用的对比分析。]]></description><category></category></item><item><title><![CDATA[告别野路子！LLM时代百万级文献语料库的架构演进与合规获取深度指南]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158432984</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158432984</guid><author>liu1983robin</author><pubDate>Thu, 26 Feb 2026 23:37:55 +0800</pubDate><description><![CDATA[本文主张告别爬虫，用有限状态机(FSM)搭建文献获取：以DOI唯一标识驱动，先拉元数据，再按OA→TDM回退链路取文；下载PDF/XML后做版本与许可校验并入库。强调“发现≠获取”、优先XML/HTML，并以license/source/version/timestamp做审计追溯，避免侵权与失效。
]]></description><category></category></item><item><title><![CDATA[RAG 五大应用场景（三）企业级 Code RAG 与代码库 Copilot 深度架构指南]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158394636</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158394636</guid><author>liu1983robin</author><pubDate>Wed, 25 Feb 2026 23:04:09 +0800</pubDate><description><![CDATA[传统代码检索系统因采用“字符串暴力切分”而频繁失效，根源在于忽视了代码的结构化特性。本文提出基于AST语法树的检索范式，通过Tree-sitter工具实现精准代码解析，建立包含符号引用、调用链、配置依赖等元数据的知识图谱。相比文本切分方案，该方法能提升40%的代码生成准确率，解决依赖缺失、语义断裂等核心痛点。关键技术包括：以函数/类为最小检索单元、构建多跳依赖关系图谱、实现代码与配置的关联索引。该方案为构建真正可用的企业级代码Copilot提供了工程化实现路径。]]></description><category></category></item><item><title><![CDATA[RAG 五大应用场景（四）法务合同合规系统 —— 从“聊天玩具”到“证据链引擎”]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158393863</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158393863</guid><author>liu1983robin</author><pubDate>Wed, 25 Feb 2026 22:27:10 +0800</pubDate><description><![CDATA[法务大模型落地的关键挑战与解决方案 本文探讨了法务场景下大模型落地的核心问题与工程实践。与传统AI应用不同，法务领域对准确性和可追溯性要求极高，1%的错误可能导致重大损失。文章提出三个关键改进方向： 证据链优先：将系统目标从&quot;生成答案&quot;转变为&quot;构建可验证的证据链&quot;，确保每个结论都有法律条文或合同条款支撑。 条款级处理：采用语义切分技术替代传统Token切分，按法律文档的章、节、条结构建立索引，并嵌入法域、版本等元数据。 ]]></description><category></category></item><item><title><![CDATA[RAG 五大应用场景：2025-2026 工业级 RAG 落地的 5 个深水区与架构解法]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158354026</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158354026</guid><author>liu1983robin</author><pubDate>Tue, 24 Feb 2026 19:17:36 +0800</pubDate><description><![CDATA[本文从工程实践角度剖析了当前最具商业价值的五大RAG应用场景，揭示了传统方法的三大致命漏洞：语义相似度陷阱、权限裸奔问题和黑盒生成风险。文章指出2025年工业级RAG的核心KPI已转变为检索可控性和权限可控性，并重点分析了客服AI Agent、企业知识助手和代码库Copilot三大深水区应用。]]></description><category></category></item><item><title><![CDATA[架构师视角的 RAG 破局指南：不烧钱的 POC 怎么做？从 $0 起步到 vLLM 私有化完整落地路线图]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158352830</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158352830</guid><author>liu1983robin</author><pubDate>Tue, 24 Feb 2026 18:33:32 +0800</pubDate><description><![CDATA[本文提出了一套"可撤退、可升级"的RAG（检索增强生成）技术实施路线，将系统演进划分为三个阶段：1）零成本概念验证阶段，采用智谱API等SaaS服务快速搭建演示链路；2）质量可控阶段，通过多级缓存、阈值拒答等机制优化成本结构；3）私有化部署阶段，实现完全自主可控。文章强调POC阶段应将80%精力投入检索层优化（文本分块、元数据挂载、重排策略），而非过早关注大模型选型，并提供了详细的工程实施建议和成本控制策略。核心观点是RAG系统的下限由检索层决定，只有检索层优化到位后，LLM的能力才会成为系统上限的决定因素]]></description><category></category></item><item><title><![CDATA[第七章 LoRA训练稳赢指南:数据集工程“三件套“全解析]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158155862</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158155862</guid><author>liu1983robin</author><pubDate>Tue, 17 Feb 2026 21:44:44 +0800</pubDate><description><![CDATA[LoRA训练风格的核心要素：Caption粒度、分辨率桶、风格锁 训练风格LoRA时，80%的稳定性问题源于数据预处理而非参数设置。关键要点包括： Caption工程：采用五段式结构（主体/材质/光影/构图/镜头），确保风格锚点稳定； 分辨率桶：按长宽比分组（方图/竖图/横图），避免裁切噪声导致构图漂移； 风格锁：固定触发词与视觉特征描述（如&quot;SKWSTYLE+油画质感&quot;），实现风格可迁移。 自动标注工具（WD14/Florence-2）需配合结构化映射，最终通过人工抽样校对确保质量。]]></description><category></category></item><item><title><![CDATA[第六章 从“能用”到“能交付”的关键一刀：偏好对齐（Preference Alignment）数据工程]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158155578</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158155578</guid><author>liu1983robin</author><pubDate>Tue, 17 Feb 2026 21:17:32 +0800</pubDate><description><![CDATA[本文系统梳理了偏好对齐（Preference Alignment）的四大主流算法（DPO/ORPO/SimPO/KTO）及其选型策略，提出企业级落地解决方案。核心发现包括：1）chosen回答质量是DPO性能的关键因素；2）四层门禁标注准则（安全/正确性/格式/帮助性）确保数据质量；3）难例挖掘（占比20%-40%）能显著提升模型表现；4）一致性审计（Kappa≥0.8）和工具链（Argilla/TRL）保障工程落地。研究强调应聚焦chosen优化而非过度打磨rejected，并提供从数据采样到训练审]]></description><category></category></item><item><title><![CDATA[从小白到架构师：AI 学习的系统化工程——把“技能点”变成“认知基础设施”]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/145944305</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/145944305</guid><author>liu1983robin</author><pubDate>Sun, 15 Feb 2026 23:27:59 +0800</pubDate><description><![CDATA[文章强调AI学习的差距不在刷知识点，而在是否搭出可自我迭代的学习架构。把AI视为分层技术栈：数学与编程为地基，ML/DL方法为能力层，数据管道、复现、部署、监控构成系统层，叠加领域实践与论文/开源等元能力。用PDSA闭环驱动：先定交付目标与指标，再做项目、评估误差、固化模板。给出学习工程化三件套：Repo骨架、验收门禁、30分钟启动法，让能力可度量、可复现、可持续升级；从课程消费者转为架构师视角。]]></description><category></category></item><item><title><![CDATA[别再拿它当画框软件了！揭秘 Label Studio 开发者生态的 5 大工程化“黑科技”与架构实践]]></title><link>https://blog.youkuaiyun.com/liu1983robin/article/details/158103063</link><guid>https://blog.youkuaiyun.com/liu1983robin/article/details/158103063</guid><author>liu1983robin</author><pubDate>Sun, 15 Feb 2026 23:03:36 +0800</pubDate><description><![CDATA[摘要： Label Studio 的核心价值在于将标注从手动操作升级为自动化工作流起点。本文揭示其5个被低估的黑科技：1）统一API Key与Token术语，简化鉴权；2）区分PAT与Legacy Token的Header前缀，避免401错误；3）通过CI预校验XML配置，防止大规模任务导入失败；4）支持K8s、Ingress及气隙部署，满足企业级合规需求；5）利用预测回填与主动学习，将标注员转为审核角色，提升效率。关键是将标注工具转化为可编程基础设施，实现“标注-训练-迭代”闭环。（149字） 关键词： ]]></description><category></category></item></channel></rss>