<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[realllccc的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/realllccc</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; realllccc]]></copyright><item><title><![CDATA[【从 0 到 1 构造大模型微调数据】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/163371994</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/163371994</guid><author>realllccc</author><pubDate>Fri, 31 Jul 2026 17:23:45 +0800</pubDate><description><![CDATA[本文详细记录了从11篇安全生产法规构建662条问答对数据的全流程：1）通过滑动窗口切分法规文本（800字块，80字重叠）；2）使用Qwen3.6-35B大模型基于精心设计的prompt蒸馏生成4类问答对，重点要求答案注明法规出处；3）实施文档级数据隔离防止测试集泄露；4）通过JSON校验、断点续跑和多重过滤（去重、长度、人工核验）确保数据质量。]]></description><category></category></item><item><title><![CDATA[【第 11 篇：RAG 缓存优化全流程实战——从 26 秒到 0.5 秒】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/163138433</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/163138433</guid><author>realllccc</author><pubDate>Thu, 23 Jul 2026 17:04:51 +0800</pubDate><description><![CDATA[本文介绍了企业级LLM应用中RAG缓存的优化过程，通过设计三级置信度决策和缓存机制，将高频重复问题的响应时间从26秒降至0.5秒。]]></description><category></category></item><item><title><![CDATA[【第 10 篇：优化过程中的问题及解决方法】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/162942432</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/162942432</guid><author>realllccc</author><pubDate>Thu, 16 Jul 2026 17:28:48 +0800</pubDate><description><![CDATA[本文记录了优化企业级LLM应用智能体时遇到的三个关键问题及解决方案]]></description><category></category></item><item><title><![CDATA[【第 9 篇：本地化部署——从 0 到 1 的企业级系统部署全记录】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/162497760</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/162497760</guid><author>realllccc</author><pubDate>Wed, 01 Jul 2026 23:00:03 +0800</pubDate><description><![CDATA[本文详细记录了企业级LLM应用系统的本地化部署全流程。系统采用多智能体架构，包含业务API、代码沙箱、监控平台和前端服务四大核心模块，支持知识库问答、数据分析和API对接功能，部署后所有数据留存本地。 ]]></description><category></category></item><item><title><![CDATA[【第 8 篇：数据接口管理——从模拟到真实与企业级接口治理】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/162464680</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/162464680</guid><author>realllccc</author><pubDate>Tue, 30 Jun 2026 21:40:33 +0800</pubDate><description><![CDATA[本文介绍了企业级LLM应用中数据接口管理的三大核心能力：1）Swagger URL导入功能，通过两阶段探测和选择性导入实现服务接口的可视化接入；2）前端接口测试功能，支持参数编辑、请求发送和结果展示；3）细粒度的接口权限管理，按用户和接口进行授权。文章还探讨了接口规范文件的存储方案选择（文件系统+数据库索引混合模式）、目录结构设计以及命令行导入工具的保留。这些功能共同解决了企业环境中接口的便捷接入、测试验证和权限管控问题，使非技术人员也能轻松管理API接口。]]></description><category></category></item><item><title><![CDATA[【第 7 篇：API 调用 Agent——外部系统打通与结果解析】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/162225996</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/162225996</guid><author>realllccc</author><pubDate>Tue, 23 Jun 2026 10:54:11 +0800</pubDate><description><![CDATA[本文介绍了企业级LLM应用中API调用Agent的设计与实现。该组件通过配置驱动方式动态接入外部HTTP接口，解决了实时数据查询需求。文章分析了三种API调用方案优劣，选择JSON配置+HTTP直调的中间路线，支持GET/POST等多种请求方式、多种认证机制和参数动态合并。设计了list_interfaces和call_interface两个核心工具，实现接口热加载和错误处理。该Agent采用显式调用模式，与RAG、Data等Agent形成互补：知识库问答走自动路由，实时数据查询需手动切换模式。]]></description><category></category></item><item><title><![CDATA[【第 6 篇：处理数据统计与分析问题的 Agent】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/161839741</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/161839741</guid><author>realllccc</author><pubDate>Tue, 09 Jun 2026 22:03:32 +0800</pubDate><description><![CDATA[本文介绍了企业级LLM应用中数据分析Agent的设计与实现。针对RAG在数值统计类问题上的局限性，作者提出了基于沙箱执行的解决方案，设计了独立微服务架构以确保安全性和稳定性。文章详细阐述了架构设计中的关键决策点，以及解决agent回答性能的优化方案。通过代码骨架注入、真实列名注入、进程池预热等五项优化措施，最终实现150倍的性能提升。]]></description><category></category></item><item><title><![CDATA[【第 5 篇：记忆系统——长短期记忆与混合记忆】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/161751102</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/161751102</guid><author>realllccc</author><pubDate>Sat, 06 Jun 2026 17:32:17 +0800</pubDate><description><![CDATA[问题答案追问时上下文从哪来？SQLite messages 表手动注入（非 LangGraph 自处理）为什么有两套 SQLite？messages 管业务对话，SqliteSaver 管 Agent 执行快照短期记忆怎么实现的？全量历史消息 + 语义降权标签 + SqliteSaver 状态持久化长期记忆怎么实现的？Dify 文档 RAG + cache_service 历史问答经验匹配经验缓存能跨对话吗？能。扫描所有对话的消息记录跨对话能记用户偏好吗？不能。无用户画像存储。]]></description><category></category></item><item><title><![CDATA[【第 4 篇：RAG 知识库问答——检索只是第一步】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/161627222</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/161627222</guid><author>realllccc</author><pubDate>Tue, 02 Jun 2026 15:55:07 +0800</pubDate><description><![CDATA[本文总结了构建RAG知识库问答系统的关键优化点。单纯的"检索+生成"存在答案质量不稳定、检索结果不一致等问题，提出四步优化方案。实践表明，查询改写对提升检索准确率效果显著，而验证环节需平衡严格度，重点拦截明显错误而非追求完美。]]></description><category></category></item><item><title><![CDATA[【第 3 篇：Dify——低代码开发平台，快速搭建一个智能体】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/161511348</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/161511348</guid><author>realllccc</author><pubDate>Fri, 29 May 2026 11:38:43 +0800</pubDate><description><![CDATA[摘要： 本文探讨了使用Dify低代码平台快速搭建LLM智能体的实践与思考。Dify通过可视化工作流编排、知识库管理等功能，能高效搭建基础AI应用，适合快速验证想法。但在动态生成代码、多轮对话等复杂场景下存在局限，如静态工作流无法实现动态决策。作者通过HTTP请求节点临时绕过代码执行问题，最终因需求复杂度转向LangGraph框架开发，同时保留Dify知识库功能。文章对比了低代码与代码开发的适用场景，并总结了知识库切块策略、召回率优化等实战经验，指出工具选择应随需求复杂度递进调整。]]></description><category></category></item><item><title><![CDATA[【第 2 篇：框架选型——LangChain、LangGraph、CrewAI】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/161454019</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/161454019</guid><author>realllccc</author><pubDate>Thu, 28 May 2026 14:48:58 +0800</pubDate><description><![CDATA[本文探讨了企业级LLM应用开发中的框架选型问题。首先明确了核心需求：意图判别路由分发和Agent自主执行。通过对比主流框架，排除了基于关键词匹配的简单方案和CrewAI（因其多Agent协作特性不符合需求）。最终选择了LangChain与LangGraph的组合方案：LangChain负责模型抽象、工具定义等基础功能，LangGraph则处理流程编排和Agent协作。重点介绍了LangGraph的Supervisor模式，根据用户请求分派特定Agent执行。]]></description><category></category></item><item><title><![CDATA[【第 1 篇：项目起点——《从零搭建企业级 LLM 应用》】]]></title><link>https://blog.youkuaiyun.com/realllccc/article/details/161447372</link><guid>https://blog.youkuaiyun.com/realllccc/article/details/161447372</guid><author>realllccc</author><pubDate>Wed, 27 May 2026 11:36:51 +0800</pubDate><description><![CDATA[本文记录了从零搭建企业级LLM应用项目的起点。通过构建知识库智能助手项目来学习智能体开发全流程，采用分步推进策略，将初始大规划简化为知识库检索、数据统计和报告生成三大核心功能。项目采用分层架构设计（用户界面层、网关层、智能体层、基础设施层），技术选型上使用SQLite数据库、Streamlit前端框架和Qwen大模型。数据库设计包含用户认证、审计日志等功能模块，采用三级角色权限管理。开发策略强调"先跑通再优化"，初期代码集中后逐步重构模块化。下篇将探讨Agent框架选型问题。]]></description><category></category></item></channel></rss>