Yuwen_forJava的博客

使用Embedding模型把每一个句子转化成向量，再去计算相邻的句子之间的向量相似度，如果向量相似度超过一定的阈值，那么就合并成一块，然后再把下一个句子和合并后的块再做一个比较，如果相似度下降不满足阈值了，那么就进行切分。结合小块检索的高精度和大块生成的高上下文优势。检索时使用细粒度的小块确保相关性,生成回答时则将其对应的大块父文档作为上下文,提供更丰富的信息。结合文档的天然结构(如章节、段落)进行初步划分,再对大块内容进行语义或递归的精细切割。策略死的，人是活的，实际分块可以灵活使用策略。

顾名思义，就是把文档切分成多个片段。

RAG全称Retrieval-Augmented Generation，RAG（检索增强生成）是一种将信息检索与语言模型生成相结合的技术，通过先检索外部知识库中的相关文档作为参考，再让大模型基于这些资料生成回答，从而提升准确性和时效性。

AI Agent(人工智能代理)是一种能够自主感知环境、进行思考、做出快策并执行任务的智能软件系统。与传统聊天机器人不同,AIAgent的核心在于具备"代理权"(Agency),能够主动地"做事",而不仅仅是"回答问题举例:聊天机器人只会告诉你"如何预订机票",而AIAgent则能直接帮你完完成"预订机票"这个动作。

核心价值演进大模型正从通用的"瑞士军刀"向深入业务流程的"核心引擎"演进。它不再仅仅是辅助工具,而是成为驱动业务决策、优化运营效率、赋能核心生产力的关键底层动力,重塑企业的技术架构与业务模式。成功落地关键掌握高级提示词工程与多工具集成能力,是企业挖掘Al深层价值的核心路径。通过精准的指令工程释放模型潜能,结合多模态工具链打通业务场景,才能让技术真正贴合业务痛点,实现从概念验证到规模化落地的跨越。未来发展趋势Al应用将与企业现有系统深度融合,打破信息孤岛,驱动业务流程的全面自动化与智能化。

核心定义:利用信任的"认知陷阱"提示词攻击是一种利用大语言模型对文本指令的天然信任,通过精心构造的特殊输入文本,诱导模型绕过其内置的安全伦理护栏与内容审核机制,从而执行非预期操作、输出有害信息或泄露内部数据的攻击方式。本质上是利用模型的"字面执行"特性,制造逻辑漏洞。

利用人工智能技术完全替代人工操作,自动完成提示词的生成、逻辑优化、策略选择与持续迭代的全生命周期过程。它不再是简单的文本生成,而是通过算法让机器理解任务目标,自主产出高质量的指令方案。通过这套标准化的四步流程,将人工撰写提示词的效率提升百倍。从定义规则到最终产出,全链路的自动化执行不仅大幅缩短了生成周期,更通过AI的多轮进化让提示调的专业度与适用性达到了极致,完美适配各类复杂的业务需求。

定义模型的学习起点与交互方式,通过不同的提示词范式控制模型的学习逻辑,使其能够快速透应从简单问答到复杂生成的各类任务需求,是大模型应用的基础操作。赋予模型"自我反思"能力,生成内容后自查纠错、对关键信息复述确认,或对复杂目标进行多轮任务拆解。适用于需要全局规划、多因素权衡和长程决策的高难度场景,大幅拓展模型的认知与决策边界。既解决了模型参数固化导致的知识滞后问题,又确保了业务结论的事实准确性与来源可追溯性。让非结构化内容具备结构化特征,确保结果符合业务规范,可直接对接下游业务系统。

一套结构化、模块化的提示词写作模板与方法论。它将零散的指令经验沉淀为标准范式,为各类AI应用场景提供可复用的底层逻辑,让不同使用者在指令创作时都能有章可循,从根源上避免因表达随意导致的Al响应偏差。赋予AI专业身份设定为AI设定具体的专业角色,例如资深顾问、行业分析师或技术专家。这能让AI在特定领域的知识体系下进行思考,确保生成内容具备专业视角,符合行业标准与实际应用场景。明确核心执行目标清晰、具体地向AI下达指令,说明需要完成的工作内容与核心成果要求。

能够快速识别文本中的关键信息与逻辑关联,并将其转化为清晰的结构。同时严格恪守"不创作、不扩展"的工作原则,忠实还原原始信息的本质内涵,确保提炼结果的准确性与客观性。通过这种严格约束,保证内容的客观性与与精炼度,最大程度还原文的核心表意与关键逻辑。在工作中需始终保持客观中立的专业视角,不代入个人主观情感与判断,严格遵循行业规范和专业标准,以可靠、权威的方式处理各类文本信息,为后续的信息应用提供坚实基础。用高度凝练的单句话直击核心主旨,不堆碍修饰,让读者第一眼即可快速把握内容的核心议题与方向。

这种方式大幅降低了单次处理的为认知负荷,让模型能聚焦于单一逻辑的精准推导,从而使整体任务的完成准确率与执行稳定性获得指数级的提升。通过不断地测试、验证、复盘,将有效的改进固化下来,同时剔除无效的尝试,让提示词的质量在每一轮循环中持续精进,最终达到理想的输出水准。这能帮助你精准识别出究竟是哪个具体的调整(如关键词、语气、格式要求)带来了结果的变化,避免多个变量混杂导致的归因错误,从而明确有效的优化方向。让模型的隐性逻辑显性化,如同大脑的思考过程可视化,从而在推理中自我校正,获得更精准的结论。