- 博客(12)
- 收藏
- 关注
RSS订阅原创 深度解析：基于 RAG 与 LLM 的智能推荐系统架构设计
智能推荐系统架构设计：RAG与LLM的融合创新 本文深入解析了一套基于检索增强生成(RAG)和大语言模型(LLM)的智能推荐系统架构。该系统分为离线数据处理和在线推理两大流程：离线部分通过文档解析、规则提取和LLM特征工程构建知识库；在线部分则根据用户交互深度动态生成画像，结合向量检索实现个性化推荐。文章详细拆解了五个核心模块的设计思路，包括数据解析层、规则提取层、LLM特征工程层等，并提供了典型生产案例和工具栈建议。特别强调了LLM在特征工程中的关键作用，以及如何处理延迟等实际挑战。该架构通过融合传统推荐
2025-11-24 14:26:06
369
原创 WVP+ZLMediaKit流媒体实战：从园区千路接入到云端级联优化的全链路解析
本文深入解析了基于GB/T 28181协议的WVP+ZLMediaKit流媒体架构方案。该方案采用信令与媒体分离的设计理念，WVP负责SIP信令管理，ZLMediaKit处理视频流转发与协议转换。相比厂商SDK方案，该架构具有跨品牌兼容性强、Web支持友好等优势。针对千路并发场景，分析了网络带宽、CPU内存等关键瓶颈，并给出TCP被动模式等优化建议。在云边级联场景中，提出了按需拉流策略以降低流量成本。文章还揭示了时间戳异常等生产环境常见问题及解决方案，为大规模视频监控系统建设提供了实用参考。
2025-11-24 14:08:45
851
原创 面向海量并发的云边端协同IoT架构研究：数据流向、网关内核与分布式状态管理
随着物联网（IoT）技术的飞速发展，连接规模已从简单的数万台设备跃升至数亿级海量并发。传统的单体架构已无法满足工业互联网、智慧城市及车联网等场景对低延迟、高可靠性及离线自治的严苛要求。“云-边-端”协同架构因此成为业界事实上的标准范式。本报告旨在对该架构进行详尽的技术解构，特别聚焦于华为IoTDA（IoT Device Access）、智能边缘平台（IEF）及EMQX等业界领先解决方案的架构设计。
2025-11-23 15:20:26
834
原创 深度解析：AI 联网搜索（Search-based RAG）的生产级架构实践
本文深入探讨了AI联网搜索（Search-based RAG）的生产级架构实践。针对大语言模型的知识局限性，提出了一套包含广度检索、精度筛选、深度解析和知识增强的漏斗型解决方案。通过搜索引擎API获取初始结果后，利用语义评分筛选高相关URL，再通过爬虫和数据处理转换为模型友好的Markdown格式，最终结合RAG流程实现精准回答。文章详细拆解了各阶段技术实现，包括Cross-Encoder重排序、HTML清洗和Prompt组装等关键环节，并提供了实际案例说明。
2025-11-23 14:16:47
496
原创 构建企业级 RAG 知识库：从向量存储到全链路护栏
企业级RAG知识库构建指南：从向量存储到全链路安全 本文深入探讨构建企业级RAG知识库的关键要素，包括： 安全控制：通过权限校验和输入护栏防范恶意攻击 查询优化：利用上下文理解重写用户查询提升检索精度 混合检索：结合向量检索与关键词搜索提高召回率 存储方案：对比专用向量库、传统数据库扩展等不同选择 输出防护：设置护栏拦截不当回答并建立用户反馈闭环 文章通过多个行业案例和方案对比，为企业构建高可用知识库系统提供实用参考。
2025-11-22 10:45:41
810
原创 企业级大模型推理网关设计：混合部署与高可靠通信机制详解
本文详细介绍了企业级大模型推理网关的设计方案，重点解决多模型混合部署和高可靠通信问题。系统采用Controller-Worker主从架构，支持在线商业模型和离线开源模型混合部署，通过敏感路由、降本路由和能力路由策略实现智能调度。核心创新在于异步回调存储机制，由Worker直接完成数据持久化，确保即使在网络中断情况下也能保证数据一致性。同时，通过协议清洗实现统一流式响应接口，简化前端开发。该架构有效平衡了企业级应用在成本、安全和稳定性方面的需求，为商业级RAG系统提供了可靠基础。
2025-11-22 10:44:35
1161
原创 高性能 RAG 架构实战：从数据工程到 Agent 的全链路落地与工具选型
V1 版本：解决了“有”的问题（存进去，取出来）。V2 版本：解决了“准”的问题（PDF 解析优化、Re-rank）。V3 版本：解决了“新”的问题（联网搜索）。V4 版本：解决了“智”的问题（Agent 推理、主动推荐）。通过合理组合等生产级工具，我们才能构建出一个真正可用的企业级知识库。
2025-11-21 10:46:36
877
原创 生产级 RAG 系统构建：LangChain 实践、案例与优劣分析
从 Demo 到生产，RAG 的瓶颈通常不在 LLM 本身，而在数据工程（Data Engineering）和检索策略（Retrieval Strategy）。初期：用 LangChain 默认组件快速跑通。中期：引入混合检索、重排序和元数据过滤，解决准确率问题。后期：针对特定数据格式（如表格、PDF）定制 Loader 和 Chunking 策略，建立完善的评估（Eval）体系。
2025-11-21 10:27:54
674
原创 Agent Prompt 工程指南 ：从定义到自动化优化的生产级实践
一个健壮的 Agent 系统，其 Prompt 是模块化的。我们需要针对System（系统层）Planner（规划层）Executor（执行层）和Reflector（反思层）分别定义指令。这是 Agent 的“宪法”。在生产中，单纯的“你是一个助手”是无效的，必须包含任务目标行为约束和输出协议。优化策略：使用XML 标签隔离上下文，防止指令漂移。生产级示例（SQL 数据分析 Agent）<role>你是一个资深的数据仓库专家（Data Warehouse Specialist）。
2025-11-20 14:15:16
879
原创 AI Agent 工程化指南：架构设计、规划模式与生产实践
构建生产级 Agent 系统，本质上是从“提示词工程（Prompt Engineering）”向“智能体工程（Agent Engineering）”的跨越。确定性与灵活性的平衡：核心业务流程使用 Flow Engineering 固化，边缘探索任务交给 ReAct 泛化。错误即资源：设计完善的反馈回路，将运行时错误转化为模型修正的上下文，而非简单的异常抛出。可观测性：建立完整的 Trace 链路（如 LangSmith），确保 Agent 的每一次思考和行动都可追溯、可分析。
2025-11-20 14:04:16
1205
原创 从“直觉反应”到“自主思考”：LangChain 开发范式的三次跃迁
从面向 LLM到面向 Chain，再到面向 Agent，本质上是我们对 AI信任度LLM 时代：我们把 AI 当作一支笔。Chain 时代：我们把 AI 当作流水线上的工人。Agent 时代：我们把 AI 当作合作伙伴，只给目标，不问过程。随着LangGraph等新一代编排工具的出现，未来的 Agent 将具备更强的状态管理能力和多智能体协作能力，真正实现从“辅助工具”到“智能生产力”的跨越。
2025-11-19 22:36:38
607
原创 LangChain Agent 生产环境架构的经典挑战与应对策略
将 LangChain Agent 推向生产环境，本质上是从“提示词工程（Prompt Engineering）”向“软件工程（Software Engineering）”的跨越。维度Demo 阶段Production 阶段稳定性依赖运气依赖 Pydantic 校验与重试机制流程控制简单循环状态机 (LangGraph) + 熔断体验等待 Loading全链路流式 (Streaming)调试Print 打印分布式追踪 (Tracing)不要指望一个通用的能解决所有问题。
2025-11-19 18:15:17
647
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