跳到正文
11月5日周四
11月4日周三
  1. 博客园60

    面试官让你把 LLM、RAG、Agent、MCP 串起来讲清楚,90% 的 Java 工程师当场露馅

    本文以一条电商客服请求为主线,把 LLM、RAG、Agent、MCP、向量与余弦相似度串成完整链路,并给出 Java 侧生产级代码与 16 个踩坑对照表。核心要点包括五层架构划分、余弦相似度归一化后与内积等价的三个数学关系、工具集从 28 个运行时收敛到 5~8 个,以及 MCP 的 HTTP 端点默认无鉴权需前置安全边界。

11月3日周二
11月2日周一
  1. 博客园47

    RAG 向量库拆分复盘:内存、延迟与权限的三笔账

    老张复盘制造企业 RAG 项目,指出独立向量库存在晚高峰同步延迟 40 分钟、行级权限出库即失效等痛点,主张向量索引、过滤、权限与事务在同一引擎内完成。电科金仓给出 1 亿条 768 维向量下 98% 召回率、峰值内存降低 95.4%、查询延迟降低 80% 的口径,对应金仓 AI 数据库的库内语义构建、计算推理与原生安全管控能力。选型应先看数据位置、权限强度与规模,核心业务数据优先库内。

  2. 博客园67

    从 0 搭建企业级知识库技术指南

    作者系统梳理了从 0 搭建企业级知识库的完整技术方案,提出六层分层架构以及写路径、读路径、运维闭环三条流水线。选型上推荐混合检索(BM25 + 向量 + Rerank)而非纯向量,中小规模优先用 pgvector,Embedding 首选 BGE-M3,并强调权限必须在检索阶段下推、离线与在线处理同源、先建 20–50 条黄金评测集再优化。

11月1日周日
  1. 博客园67

    Reverie 记忆系统原理与 RAG 实现:给 AI 装上「会遗忘」的记忆

    本文基于 Reverie(幻梦)源码,完整拆解了用 RAG 为 LLM 构建长期记忆系统的两条管线:写入时按情绪、关键词、重复等打分并经自治门分流到永久/长期/短期三层,检索时用向量召回、词法召回加融合打分(相似度×0.62、词法×0.16、重要度×0.08 等)选出最多 k 条、约 3600 字符的记忆注入 system prompt。

10月29日周四
  1. IT之家48

    腾讯网盘开启内测申请:支持连接多个 AI 应用,共享存储、聚合上下文

    腾讯网盘现已开启内测申请,用户可在官网提交申请,支持连接多个 AI 应用,实现共享存储与聚合上下文。其具备存储、连接、智能、安全四大核心能力,已打通企业微信、腾讯会议等办公工具及主流 AI 工具,并内置与 WorkBuddy 同一套 AI 能力。腾讯网盘已包含在 WorkBuddy 会员中,无需单独购买。

10月28日周三
10月27日周二
  1. 博客园21

    RAG(检索增强生成)、推理(Inference)与嵌入(Embedding):AI 应用与交互概念解析

    RAG、推理(Inference)与嵌入(Embedding)是 AI 应用与交互层的三个核心概念。RAG 让大模型先检索外部知识库再生成回答,以缓解幻觉与知识截止问题;Embedding 将文本压缩为低维稠密向量以保留语义相似性,是 RAG 检索环节的基础。推理则是训练完成后模型对新数据执行前向传播并输出结果的过程,分为快思考与慢思考两种模式。

10月24日周六
  1. Hugging Face Blog42

    LitPivot:在文献脉络中动态构建研究想法的系统

    Hugging Face 与宾夕法尼亚大学合作开发了 LitPivot 系统,帮助研究者在早期想法阶段围绕文献展开"文献触发式转向"。LitPivot 将提案拆分为问题、贡献与评估方案三个 facet,用 Asta Paper Finder 检索相关文献并分组,提供带原文摘录的批评与修改建议,研究者可接受、编辑或拒绝。

10月23日周五
  1. 博客园52

    用 Python 从零搭建 RAG 系统:40 行跑通,再谈优化

    作者用 Python 演示如何以约 40 行代码跑通 RAG 最小闭环(切分、向量化、检索、生成),再逐步加入阈值过滤、BM25 混合召回、交叉编码器重排与权限隔离。核心主张是数据质量优先于模型、检索质量决定约 80% 的效果,建议先跑通再按瓶颈逐层优化,并给出 chunk_size 默认 500 字符、相似度阈值 0.6–0.75、检索命中率 0.8 及格线等可复用参数。

  2. 博客园21

    开源企业级一站式 AI 智能测试平台(附平台架构与技术选型)

    AI 进化社推出开源企业级一站式 AI 智能测试平台,将分散的 AI 测试能力整合为统一可复用的企业级解决方案。平台采用六层架构设计,支持插件化场景扩展与私有化部署,通过 AI 网关统一调度云端与本地大模型。技术栈基于 Python、FastAPI、LangChain 与 Vue 3,覆盖自动化、性能、安全及 AI 测评全场景。

10月22日周四
  1. 掘金39

    从零到实战:AI 全栈学习进阶路线

    AI 全栈工程师需要打通算法、工程与应用三层能力,学习路线分为基础、模型、工程、应用四个循序渐进的阶段。基础阶段掌握 Python、NumPy、Pandas 与数据科学,模型阶段用 PyTorch 跑通神经网络"训练—验证—预测"闭环。

10月21日周三
  1. 博客园40

    BM25 详解:原理、适用场景与代码示例

    BM25 是 TF-IDF 的升级版相关性排序算法,通过 IDF、词频饱和与文档长度归一化计算查询与文档的匹配分数。它适用于关键词精确匹配、专业领域搜索和小数据集,常与向量检索混合用于 RAG 召回,可用 rank_bm25 或 Elasticsearch 直接实现。核心调参为 k1(1.2~2.0)与 b(默认 0.75)。

  2. 博客园39

    CorpusMap:Agent 搜索省下 57% Token 的背后设计

    KAIST 与 Microsoft 研究团队提出 CorpusMap,通过识别跨文档反复出现的实体,为 Agent 构建可预先建立并重复使用的文档导航结构。在三个基准数据集上,CorpusMap 将回答质量提高约 6.4~11.7 分,同时减少 34%~57% 的输入 Token 消耗。实体页面以普通文件形式保存,Agent 可沿用已有的文件搜索与读取工具,无需接入专门的图数据库查询接口。

  3. 博客园57

    AI Agent 评测:到底要测什么、新手怎么测?(附完整流程)

    这篇教程系统讲解了 AI Agent 评测的维度、打分方法和落地流程,指出被测对象是模型加上提示词、工具、知识库的整套系统而非模型本身。评测至少要回答结果对不对、过程合不合理、代价能不能接受、行为安不安全四个问题,打分按规则优先交给代码、规则写不了的交给 LLM、争议和高风险样本留给人工。

  4. 掘金41

    AI Agent 评测:到底要测什么、新手怎么测?(附完整流程)

    AI Agent 评测应在 PRD 阶段与需求定义同步启动,从结果、过程、效率和安全多维度判断 Agent 是否达到产品目标。传统布尔断言无法应对答案不唯一、结果正确但过程出错、LLM-as-a-Judge 评委自身漂移等问题,需结合确定性评分、轨迹评分、LLM-as-a-Judge 与人工评审四种打分方式。完整落地流程包含建数据集、配评分器、设执行环境、执行并记录、分析失败、持续回归六个环节。

10月20日周二
  1. 掘金44

    AI Agent 教程附录 E:推荐阅读与资源

    AI Agent 教程附录 E 按主题汇总五类经时间检验的资源:基础论文、工程指南、框架官方文档、基准与基础设施,每项附一句话说明价值。论文部分涵盖 CoT、ReAct、Reflexion、MemGPT、AutoGen 等奠基工作,指南部分收录 Anthropic《Building Effective Agents》及 MCP、A2A 官方规范。