<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ziper29的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ziper29</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ziper29]]></copyright><item><title><![CDATA[AI应用可观测性实战：OpenTelemetry链路追踪与成本监控]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165455608</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165455608</guid><author>ziper29</author><pubDate>Tue, 15 Sep 2026 11:20:10 +0800</pubDate><description><![CDATA[AI 应用上线后两眼一抹黑：LLM 调用耗时多久、成本多少、为什么返回乱码、哪次请求把 Token 限额打满了，统统不知道。，最后给排错表和配置清单。]]></description><category></category></item><item><title><![CDATA[LangChain生产部署避坑：序列化、版本管理与Chain测试完整指南]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165455439</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165455439</guid><author>ziper29</author><pubDate>Tue, 15 Sep 2026 11:19:36 +0800</pubDate><description><![CDATA[LangChain 跑通 demo 很简单，上生产才发现一堆坑：Chain 序列化失败、Prompt 版本对不上、缓存没生效、测试根本跑不动。，最后给排错表和配置清单。]]></description><category></category></item><item><title><![CDATA[RAG系统评测实战：MMLU到G-Eval的完整评测踩坑与提分]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165308560</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165308560</guid><author>ziper29</author><pubDate>Mon, 14 Sep 2026 13:38:32 +0800</pubDate><description><![CDATA[评测体系核心要点：评测集选择：- 通用能力：MMLU + GSM8K + HumanEval- 中文场景：C-Eval + CMMLU- 对话质量：MT-Bench + AlpacaEval- 领域场景：必须自建评测集评估方法：- 选择题/代码/数学：自动评测（精确匹配/pass@k）- 开放生成：LLM-as-a-Judge（G-Eval）- 重要场景：必须人工评估避免坑点：- 警惕数据泄露（用私有测试集）- 警惕位置偏见（打乱对比顺序）- 多维度评估（不要单一指标定英雄）]]></description><category></category></item><item><title><![CDATA[LoRA微调Qwen-7B显存实战：3种方案完整对比与生产级选择]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165308593</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165308593</guid><author>ziper29</author><pubDate>Mon, 14 Sep 2026 13:38:05 +0800</pubDate><description><![CDATA[Fine-tuning核心要点：选型决策：- 有足够数据 + 任务复杂 → Fine-tuning- 更新频繁 + 简单任务 → RAG/Prompt Engineering方法选择：- 消费级GPU → QLoRA（NF4量化）- 专业级GPU → LoRA（FP16）- 追求最高效果 → Full-tuning关键参数：- rank: 8（简单任务）/ 16（复杂任务）训练技巧：- 使用paged_adamw_8bit优化器（QLoRA必须）- bf16训练精度。]]></description><category></category></item><item><title><![CDATA[Advanced_RAG实战：从Naive_RAG到Agentic_RAG的完整演进路径]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165241486</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165241486</guid><author>ziper29</author><pubDate>Sun, 13 Sep 2026 19:07:57 +0800</pubDate><description><![CDATA[资源说明RAG 综述Retrieval-Augmented Generation 全景Self-RAG自适应检索论文ColBERT后期交互检索中文检索 SOTACross-Encoder 重排重排序实现框架文档LlamaIndex另一主流 RAG 框架Agentic RAG 调研Agent 自主规划检索RAG进阶路线核心要点：Naive RAG → 掌握基础+Query改写 → 解决表达不匹配+混合检索+重排 → 解决召回精度+Self-RAG → 自适应是否检索。]]></description><category></category></item><item><title><![CDATA[多模态大模型实战：视觉语言模型架构解析与工程落地]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165241481</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165241481</guid><author>ziper29</author><pubDate>Sun, 13 Sep 2026 19:07:23 +0800</pubDate><description><![CDATA[资源说明LLaVA 原始论文Adapter 路线开山作LLaVA-1.5投影层与指令数据改进Qwen-VL 技术报告Qwen-VL / Qwen2-VL 架构Qwen2-VL 官方博客动态分辨率 + MoECLIP视觉编码器基础CogVLM深度跨注意力对齐vLLM 文档高性能推理部署Transformers 文档VLM 推理 APIVLM落地核心要点：架构选择：- 通用场景 → Qwen-VL2 / InternVL2（开源首选）- 企业文档 → CogVLM2（中文表格处理）]]></description><category></category></item><item><title><![CDATA[向量数据库性能调优：HNSW参数、内存管理与生产级优化实践]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165123195</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165123195</guid><author>ziper29</author><pubDate>Sat, 12 Sep 2026 18:07:33 +0800</pubDate><description><![CDATA[增大增大增大增大增大增大增大M 每层最大邻居数召回率 上升内存占用 上升构建时间 上升ef_construction 构建候选数ef_search 查询候选数QPS 下降检索质量查询性能
1.2 不同场景的参数配置模板

1.3 参数敏感性分析（实测数据）

实测关键结论：

2. 内存管理：为什么向量数据库吃内存
2.1 内存消耗来源拆解

运行结果：
2.2 内存优化策略


3. 索引构建与重建策略
3.1 索引构建时机

3.2 索引健康检查


4. 查询性能优化
4.1 查询链路分析

#mer]]></description><category></category></item><item><title><![CDATA[向量数据库技术对比：Milvus与Pgvector深度测评与生产选型]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/165123182</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/165123182</guid><author>ziper29</author><pubDate>Sat, 12 Sep 2026 18:04:54 +0800</pubDate><description><![CDATA[方案定位代表场景Milvus专业向量数据库亿级向量、分布式、高QPSPgvectorPostgreSQL扩展千万级向量、轻量级、Postgres生态Qdrant向量搜索引擎中等规模、过滤能力强Chroma向量库（单进程）简单场景、笔记本运行Weaviate矢量搜索引擎多模态、GraphQL这两个分别代表向量数据库的「专业路线」和「轻量路线」覆盖了90%的生产场景真实项目选型中80%会在这两个之间纠结Milvus：专业的事交给专业的工具。]]></description><category></category></item><item><title><![CDATA[Function_Calling架构深度解析：从原理到生产级Agent实战]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/164971988</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/164971988</guid><author>ziper29</author><pubDate>Fri, 11 Sep 2026 11:05:36 +0800</pubDate><description><![CDATA[本文深度解析Function Calling在AI Agent架构中的核心作用，对比OpenAI、Anthropic、Google Gemini等主流厂商的协议差异，揭示其在接口命名、参数格式、输出结构上的本质区别。通过源码级剖析OpenAI Tool Use调用链路，结合生产级实战代码，构建支持多模型的统一抽象层Agent，并总结性能优化与常见坑点，为实现跨平台、可扩展的智能体系统提供完整解决方案。]]></description><category></category></item><item><title><![CDATA[从源码角度深度剖析MCP协议：AI工具调用标准化革命]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/164971462</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/164971462</guid><author>ziper29</author><pubDate>Fri, 11 Sep 2026 11:04:52 +0800</pubDate><description><![CDATA[在MCP出现之前，AI Agent调用外部工具经历了三个阶段：
1.2 MCP解决的核心问题
MCP解决的不是「如何让AI调用工具」，而是**「如何让工具以一种标准方式被任何AI调用」**。
MCP的本质：把「工具适配」变成一次性的基础设施工作。MCP采用三层协议架构：
2.2 核心消息类型
MCP定义了三类核心能力，通过JSON-RPC 2.0协议传输：
2.3 传输层：stdio vs HTTP
MCP支持两种传输方式，适用于不同场景：

3. 源码级协议实现拆解
3.1 MCP SDK核心类图
以官方]]></description><category></category></item><item><title><![CDATA[程序员每天多出2小时]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/164865624</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/164865624</guid><author>ziper29</author><pubDate>Thu, 10 Sep 2026 17:18:30 +0800</pubDate><description><![CDATA[早上（5分钟）：AI整理今日消息，标出重点工作时（随时）：AI辅助写代码/注释午饭前（10分钟）：AI生成日报初稿下班前（10分钟）：AI生成周报 + 整理明日计划每天投入：35分钟每天节省：2-3小时ROI：1:4以上。]]></description><category></category></item><item><title><![CDATA[AI简历优化效率提升10倍]]></title><link>https://blog.youkuaiyun.com/ziper29/article/details/164863063</link><guid>https://blog.youkuaiyun.com/ziper29/article/details/164863063</guid><author>ziper29</author><pubDate>Thu, 10 Sep 2026 17:18:16 +0800</pubDate><description><![CDATA[第1步：分析JD关键词 → 5分钟第2步：生成简历初稿 → 10分钟第3步：优化项目描述 → 10分钟第4步：AI质检并修订 → 5分钟合计： 30分钟比你自己改3天效果好得多。]]></description><category></category></item></channel></rss>