<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[星图]]></title><description><![CDATA[探索星辰大海，从每天点亮一颗星开始。]]></description><link>https://blog.youkuaiyun.com/singc</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; singc]]></copyright><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/singc/article/details/158462790</link><guid>https://blog.youkuaiyun.com/singc/article/details/158462790</guid><author>singc</author><pubDate>Fri, 27 Feb 2026 14:42:19 +0800</pubDate><description><![CDATA[接下来是数字和符号，这俩是最“省Token”的。先看数字，连续的数字会被AI打包计算，大概3-4个数字≈1个Token。比如“123”，差不多1个Token；“123456”，大概2个Token；像“2025-02-27”这种带符号的日期，会拆成几段，总共也就2-3个Token。然后是符号，分两种情况：英文符号，比如!@ # $这些，大概3-4个≈1个Token；而中文标点，比如，。，就和汉字一样，1个算1个Token。]]></description><category></category></item><item><title><![CDATA[一文看懂LangChain：大模型应用开发的万能积木框架]]></title><link>https://blog.youkuaiyun.com/singc/article/details/157476866</link><guid>https://blog.youkuaiyun.com/singc/article/details/157476866</guid><author>singc</author><pubDate>Wed, 28 Jan 2026 18:54:36 +0800</pubDate><description><![CDATA[title: str = Field(description=“书名”)author: str = Field(description=“作者”)reason: str = Field(description=“推荐理由”)]]></description><category></category></item><item><title><![CDATA[【Devops三千问】需求排期不算 DevOps 环节？]]></title><link>https://blog.youkuaiyun.com/singc/article/details/156648362</link><guid>https://blog.youkuaiyun.com/singc/article/details/156648362</guid><author>singc</author><pubDate>Tue, 06 Jan 2026 14:45:20 +0800</pubDate><description><![CDATA[需求排期不算 DevOps 环节？不算！它属于 DevOps 交付流程的前置规划环节，而非 DevOps 体系本身的核心执行环节。]]></description><category></category></item><item><title><![CDATA[【知识库】一文看懂如何为需求管理系统建立需求知识库（精）]]></title><link>https://blog.youkuaiyun.com/singc/article/details/155320078</link><guid>https://blog.youkuaiyun.com/singc/article/details/155320078</guid><author>singc</author><pubDate>Thu, 27 Nov 2025 17:29:54 +0800</pubDate><description><![CDATA[核心目标：围绕“AI需求助手能精准调用、高效赋能需求全流程”，在需求管理平台内构建“结构化、可复用、AI友好”的知识库，让AI能直接读取平台数据、生成适配需求、规避历史问题，最终提升需求分析效率、降低研发返工率。]]></description><category></category></item><item><title><![CDATA[企业内部AI Agent的必要性、利弊与可行性分析]]></title><link>https://blog.youkuaiyun.com/singc/article/details/155258905</link><guid>https://blog.youkuaiyun.com/singc/article/details/155258905</guid><author>singc</author><pubDate>Wed, 26 Nov 2025 08:43:31 +0800</pubDate><description><![CDATA[外部AI：指通用型第三方工具（如ChatGPT、豆包通用版、第三方需求分析SaaS），基于通用大模型与公开数据训练，无企业专属知识，数据需上传至第三方服务器。企业内部Agent：指基于企业私有数据（历史需求库、业务规则、流程规范、专家经验）构建的智能体，部署在企业内网或私有云，数据闭环流转，可与内部研发平台（需求管理、制品库、Jira）深度集成（参考摘要1、6）。]]></description><category></category></item><item><title><![CDATA[一文看懂什么是RAGFlow]]></title><link>https://blog.youkuaiyun.com/singc/article/details/155049092</link><guid>https://blog.youkuaiyun.com/singc/article/details/155049092</guid><author>singc</author><pubDate>Thu, 20 Nov 2025 07:38:26 +0800</pubDate><description><![CDATA[一、核心定位与特点RAGFlow是一款基于深度文档理解的开源RAG引擎，由Infiniflow团队开发，GitHub拥有59.4K+星标，是国内最流行的RAG框架之一。核心特点：• 文档理解之王：能解析23种格式的文档，包括PDF、Word、Excel、图片、扫描件等，OCR准确率达98%，能精准识别表格、图片、公式等复杂结构• 零代码可视化：通过拖拽式界面快速搭建RAG流程，非技术人员也能3小时内构建企业级知识库。]]></description><category></category></item><item><title><![CDATA[一文看懂Dfiy问答Agent工作流设计]]></title><link>https://blog.youkuaiyun.com/singc/article/details/154394152</link><guid>https://blog.youkuaiyun.com/singc/article/details/154394152</guid><author>singc</author><pubDate>Tue, 04 Nov 2025 14:13:08 +0800</pubDate><description><![CDATA[摘要：本文基于Dify平台的节点编排能力，设计了一个&quot;精准问答+知识库联动&quot;的智能问答工作流，包含输入、识别、检索、生成、输出5大核心阶段。工作流采用分支判断策略，支持知识库检索与直接生成两种响应路径，并包含结果校验和格式优化环节。通过轻量LLM模型、混合检索机制（语义+全文）和异常处理等优化配置，实现了高效精准的问答效果。该方案适用于产品咨询、内部知识问答等多个场景，具有通用性和灵活性，同时支持扩展工具调用和多语言等功能。（150字）]]></description><category></category></item><item><title><![CDATA[【AI百科】什么是主成分分析法]]></title><link>https://blog.youkuaiyun.com/singc/article/details/154004090</link><guid>https://blog.youkuaiyun.com/singc/article/details/154004090</guid><author>singc</author><pubDate>Tue, 28 Oct 2025 07:48:11 +0800</pubDate><description><![CDATA[主成分分析（PCA） 是一种降维方法，核心是在保留数据核心信息（方差） 的前提下，将多个相关的原始变量，转化为少数几个互不相关的“综合变量”（即主成分），实现数据简化。可以把它类比成“总结文章大意”：一篇长文（多个原始变量）包含很多细节，PCA就是提炼出1-2句核心主旨（主成分），既抓住关键信息，又大幅缩短了内容长度，且主旨之间互不重复。]]></description><category></category></item><item><title><![CDATA[宏指令：删除单元格中所有＜div之后的内容]]></title><link>https://blog.youkuaiyun.com/singc/article/details/153825715</link><guid>https://blog.youkuaiyun.com/singc/article/details/153825715</guid><author>singc</author><pubDate>Fri, 24 Oct 2025 13:56:54 +0800</pubDate><description><![CDATA[最近在清洗数据，由于是从代码库里拉出的内容，需要进行清洗html标签，就整理了如下指令：宏指令1：删除单元格中所有<div之后的内容
使用步骤：

按下 Alt + F8 打开宏窗口，选择RemoveDivAndAfter 宏，点击「运行」；
处理完成后会弹出提示框，所有选中单元格中 <div 及之后的内容会被自动删除。

说明：]]></description><category></category></item><item><title><![CDATA[一文看懂“神经网络、机器学习、专家系统”]]></title><link>https://blog.youkuaiyun.com/singc/article/details/153516074</link><guid>https://blog.youkuaiyun.com/singc/article/details/153516074</guid><author>singc</author><pubDate>Sat, 18 Oct 2025 10:30:31 +0800</pubDate><description><![CDATA[包含关系：神经网络（深度学习）是机器学习的一个分支，机器学习和专家系统是并列的两种“AI技术路径”；核心差异专家系统：人写规则，机器照做；机器学习：人帮机器选“关注什么特征”，机器找规律；神经网络：机器自己选“关注什么特征”，自己找规律（更智能，但更依赖数据）。]]></description><category></category></item><item><title><![CDATA[【知识库】需求知识库构建kickoff]]></title><link>https://blog.youkuaiyun.com/singc/article/details/153332258</link><guid>https://blog.youkuaiyun.com/singc/article/details/153332258</guid><author>singc</author><pubDate>Wed, 15 Oct 2025 17:08:00 +0800</pubDate><description><![CDATA[博主目前在开发AI需求助手，目前受限于数据源，只能依赖单个需求上下文来进行需求分析评审，需要建立优质历史需求知识库来提供RAG数据源支撑。那么问题来了：目前公司有很多业务条线，是选1个条线还是1个业务系统来进行MVP尝试呢？推荐优先选择推进MVP尝试！而非1个业务条线。”，能以最小复杂度快速跑通“数据采集-处理-检索-价值验证”全流程，避免MVP阶段因范围过大导致落地失控。]]></description><category></category></item><item><title><![CDATA[【知识库】一文看懂如何为AI需求管理建立RAG需求知识库]]></title><link>https://blog.youkuaiyun.com/singc/article/details/153329325</link><guid>https://blog.youkuaiyun.com/singc/article/details/153329325</guid><author>singc</author><pubDate>Wed, 15 Oct 2025 15:42:12 +0800</pubDate><description><![CDATA[最近为公司的需求管理平台开发了AI需求撰写助手，经过对prompt的无数次调试，工具目前可以稳定地完成需求审阅、辅助撰写工作，但还存在着一个无法回避的问题：没有历史需求知识库，只能基于单独需求上下文进行分析，无法分析存量复杂需求。]]></description><category></category></item><item><title><![CDATA[【知识库】一文看懂如何构建有效的需求知识库来评审新需求]]></title><link>https://blog.youkuaiyun.com/singc/article/details/152228958</link><guid>https://blog.youkuaiyun.com/singc/article/details/152228958</guid><author>singc</author><pubDate>Sun, 28 Sep 2025 19:54:25 +0800</pubDate><description><![CDATA[• 示例：新需求写“资管产品支持T+0赎回”，AI查知识库“资管-赎回合规标签”（对应《资管新规》“开放式产品赎回不得快于T+1”），直接提示：“未提及合规依据，且T+0赎回可能违反《资管新规》第X条，建议补充合规说明或调整赎回时效。• 示例：新需求写“开发投行并购尽调功能”，AI查知识库“投行需求核心标签”（需含“尽调范围、数据来源、合规审查节点”），提示：“缺失‘合规审查节点’描述，参考历史投行需求，建议补充‘尽调后需经合规部二次审核’的内容。需要我帮你定制一份“券商需求知识库标签模板”吗？]]></description><category></category></item><item><title><![CDATA[为什么prompt越优化越不准了？]]></title><link>https://blog.youkuaiyun.com/singc/article/details/152162746</link><guid>https://blog.youkuaiyun.com/singc/article/details/152162746</guid><author>singc</author><pubDate>Sat, 27 Sep 2025 11:02:08 +0800</pubDate><description><![CDATA[你有这样的体会，在优化Prompt指令时，随着Prompt的各组细节描述、约束越来越精准和复杂，但结果反而变差。其实，问题往往出在「信息过载」或「逻辑冲突」——AI难以办法同时优先级处理复杂指令中的优先级，甚至会被冗余信息干扰。]]></description><category></category></item><item><title><![CDATA[需求质量检测Prompt之是否涉及异常场景]]></title><link>https://blog.youkuaiyun.com/singc/article/details/151833515</link><guid>https://blog.youkuaiyun.com/singc/article/details/151833515</guid><author>singc</author><pubDate>Thu, 18 Sep 2025 16:51:46 +0800</pubDate><description><![CDATA[摘要： 本文提供了一套AI检测证券软件需求文档的精准方案，聚焦证券业务专属、高风险、框架无法覆盖的异常场景，避免过度检测增加需求方负担。核心逻辑是： 只查三类异常：合规性约束、资金/资产关联、交易规则专属等高风险场景； 排除通用问题：框架可处理的空指针、网络断连等低风险技术异常； 输出极简结论，直接标注需补充的致命异常（如“非交易时间委托”“保证金不足”）。通过“证券业务+风险等级+框架能力”三重筛选，确保检测精准高效。]]></description><category></category></item><item><title><![CDATA[破解功能设计 “无舵困境”：开发出身产品经理的指标拆解逻辑]]></title><link>https://blog.youkuaiyun.com/singc/article/details/151828245</link><guid>https://blog.youkuaiyun.com/singc/article/details/151828245</guid><author>singc</author><pubDate>Thu, 18 Sep 2025 14:06:15 +0800</pubDate><description><![CDATA[开发转型产品的无目标感，本质是“思维还停留在‘执行层’，未进入‘决策层’”。解决的核心不是“学更多功能设计技巧”，而是建立“先定目标、再拆路径、最后验结果”的闭环逻辑——让每个功能都有“根”（目标），每个设计都有“据”（用户/数据），每个上线都有“果”（验证）。转型期的迷茫是正常的，但只要每次设计前都先问自己：“这个功能为了什么而存在？”，你会很快从“被动执行”的开发，变成“主动定义价值”的产品经理。]]></description><category></category></item><item><title><![CDATA[产品文档模板没人用？为什么、怎么办]]></title><link>https://blog.youkuaiyun.com/singc/article/details/151099153</link><guid>https://blog.youkuaiyun.com/singc/article/details/151099153</guid><author>singc</author><pubDate>Tue, 02 Sep 2025 08:02:50 +0800</pubDate><description><![CDATA[•	发现成本高：模板入口隐藏较深（如需3步以上点击才能进入模板库），或分类混乱（如按“模板1”“模板2”命名，而非“产品PRD”“测试用例”等直观分类），用户根本不知道有模板功能。◦	模板采用“搭积木”模式，用户可自由添加/删除模块（如不需要“风险评估”模块，可直接隐藏），或自定义字段（如在“开发需求”中添加“接口文档链接”“第三方插件要求”等个性化项）。◦	用“标签化分类+搜索”提升查找效率，例如：给模板贴“产品”“开发”“电商”“简易版”等标签，支持用户搜索“电商订单”“测试用例”快速定位。]]></description><category></category></item><item><title><![CDATA[一文看懂监督学习和无监督学习]]></title><link>https://blog.youkuaiyun.com/singc/article/details/150411725</link><guid>https://blog.youkuaiyun.com/singc/article/details/150411725</guid><author>singc</author><pubDate>Fri, 15 Aug 2025 08:17:03 +0800</pubDate><description><![CDATA[就像学生做“有标准答案的练习题”，训练数据中每个样本都附带“正确结果”（标签），模型的目标是从这些“问题-答案”对中学习规律，再用学到的规律预测新数据的结果。就像学生整理“无答案的杂乱资料”，训练数据只有“问题”没有“答案”，模型需要自己从数据中发现隐藏的结构或规律（比如分组、聚类）。二、无监督学习：没有“老师”，自己找规律（无标签数据）一、监督学习：有“老师”给答案（带标签数据）]]></description><category></category></item><item><title><![CDATA[一文看懂如何分级处理需求文档]]></title><link>https://blog.youkuaiyun.com/singc/article/details/150266026</link><guid>https://blog.youkuaiyun.com/singc/article/details/150266026</guid><author>singc</author><pubDate>Tue, 12 Aug 2025 11:06:55 +0800</pubDate><description><![CDATA[近日有同学在问：实践软件研发管理过程中，如果对需求文档刚性要求过多，往往会增加工作量，引起需求撰写人的反感。这种情况如何判断和妥善处理？在实践过程中，处理需求文档刚性要求与实际场景的矛盾，关键在于建立“分级适配机制”，既守住质量底线，又保留灵活空间。]]></description><category></category></item><item><title><![CDATA[一文看懂数据挖掘中的分类方法]]></title><link>https://blog.youkuaiyun.com/singc/article/details/150260230</link><guid>https://blog.youkuaiyun.com/singc/article/details/150260230</guid><author>singc</author><pubDate>Tue, 12 Aug 2025 08:35:30 +0800</pubDate><description><![CDATA[数据挖掘中的分类方法是基于监督学习的核心技术，其目标是通过已知类别的训练数据构建模型，预测新数据的类别标签。通过计算样本间的距离或相似度，将新样本归为“最近邻”的类别，属于“惰性学习”（无显式训练过程）。通过多层非线性神经元模拟人脑，学习数据的复杂特征，适合处理高维、非线性数据。这类方法以统计学理论为基础，通过分析数据的概率分布或统计特征构建分类模型。通过构建“if-then”规则或树状结构，直观地划分数据类别，可解释性强。三、基于距离或相似度的分类方法。四、基于核函数的分类方法。一、基于统计的分类方法。]]></description><category></category></item></channel></rss>