Ray 的专栏

本文探讨了AI生成内容中的"幻觉"问题及其解决方案。作者通过实际案例指出，AI在信息不足时会产生看似合理但错误的回答，这一问题在大模型应用中普遍存在。研究发现，检索增强生成（RAG）技术能有效解决这一痛点，它通过检索外部知识库来增强回答的准确性。

AI结对编程的工程化实践与Mock-First架构探索 本文分享了作者使用国内大模型进行MindX设计开发的失败经历，揭示了"上下文腐烂"导致AI跑偏的核心问题。通过三次失败尝试，总结出关键经验：Spec编程易受上下文限制，系统级错误往往在后期才暴露。进而提出创新的Mock-First架构方法

MindX项目持续更新中，重点优化本地量化模型与云端模型能力。发现小模型存在答非所问、编造答案等问题，通过测试发现是Prompt引导不足导致。改进措施包括优化Prompt模板、调整temperature参数、添加负面提示词等，显著提升了模型表现。同时区分测试中的硬断言与软警告，解决技能调用不稳定的问题。经过系统性优化，量化小模型的性能得到明显改善。

摘要：AI时代的概念设计与开发反思 本文探讨了AI时代概念设计的重要性。作者通过开发MindX项目的经历，发现传统敏捷开发模式在AI辅助下可能不再适用，而曾被业界放弃的"瀑布流式设计"反而更有效。概念设计是对现实问题的逻辑映射，需要洞察、论证和记录，形成自洽的系统。在AI辅助下，清晰的概念设计能极大提升开发效率，使AI能准确实现构想。作者以"仿生大脑"设计为例，展示了如何将生物学概念转化为计算机逻辑结构，并认为这种严谨的设计方法在AI时代可能成为主流开发模式。

在与Opus结对死战了10多个小时后，突然发出的一个小插曲，从而引发我对国内编码大模型与国外编码大模型之间在架构差异上的一个比较清晰直观的对比。

被 OpenClaw 的 Token 消耗劝退之后，我用 13 天基于 Go 语言重构了一款 AI 助手。拒绝盲目堆算力，采用 “潜意识 + 主意识” 仿生架构，搭配本地量化模型与可演进的记忆系统，彻底解决成本高、易健忘、生态差的行业痛点，项目已全开源。