rag

从Web到AI:多模态Agent Skills生态系统实战（Java+Vue构建跨模态智能体）图片来源网络，侵权联系删。Skills生态系统相关系列文章从Web到AI：构建行业专属Skills生态系统的实战指南与未来展望

PostgreSQL全文检索中文分词器配置与优化实践在构建RAG（检索增强生成）系统的过程中，提升检索效率与准确性是一个持续优化的课题。除了常见的嵌入向量检索外，结合全文检索技术能进一步改善系统表现。本文基于PostgreSQL数据库，分享中文全文检索分词器的配置、索引创建与使用实践，记录在真实场景中遇到的问题与解决方案。

第八章 agent记忆与检索下检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合了信息检索和文本生成的技术。它的核心思想是：在生成回答之前，先从外部知识库中检索相关信息，然后将检索到的信息作为上下文提供给大语言模型，从而生成更准确、更可靠的回答。

【AI】大模型知识入门扫盲以及SpringAi快速入门大模型是基于海量数据训练的、参数量巨大的深度学习模型，核心能力是理解和生成人类语言，完成推理翻译代码编写等复杂任务。案例-chatgpt,千问,豆包,deepseek。

周红伟《DeepSeek企业大模型的企业级部署及优化和RAG知识库和Agent智能体构建的案例交付实操》——企业私有RAG知识库业务助手的构建课程背景大规模预训练模型已成为推动智能化转型的核心动力。从DeepSeek，Qwen, Yiyan 到各行业定制化大模型，越来越多的企业开始将“以大模型为中台”的技术架构融入产品与服务。

第八章 agent记忆与检索上第八章记忆与检索学习笔记本章的主要目标是增加memory system和rag功能那为什么智能体需memory和rag （1）局限一：无状态导致的对话遗忘上下文丢失：在长对话中，早期的重要信息可能会因为上下文窗口限制而丢失个性化缺失：Agent无法记住用户的偏好、习惯或特定需求学习能力受限：无法从过往的成功或失败经验中学习改进一致性问题：在多轮对话中可能出现前后矛盾的回答

程序员：钧念

深度学习与强化学习的区别这是一个非常深刻的区别，触及了人工智能的两个不同维度：感知（Perception）与决策（Decision Making）。

RAG 还是微调？用 Gemini API 打造企业私有知识库的落地路径在当今技术密集型企业中，一个被反复验证却长期被忽视的事实是：72% 的组织知识以非结构化形式存在——PDF 技术手册、Confluence 页面、Slack 讨论记录、会议纪要、客户工单……这些“沉默资产”构成了企业真正的智力资本，却因检索效率低下而长期沉睡。根据 Gartner 2025 年发布的《企业知识管理现状报告》，员工平均每周花费 3.5 小时搜寻信息，而在技术文档场景下，传统关键词搜索的准确率不足 40%。

langchain入门（五）- 用mongodb管理提示词以及以restful service暴露在 LLM 应用从原型走向产品化的过程中，一个常被低估但至关重要的环节是“提示词管理”。早期开发中，提示词往往直接硬编码在 Python 脚本里，看似方便，实则埋下隐患。一旦进入多环境部署、A/B 测试或多团队协作阶段，这种做法会迅速导致配置混乱、版本失控和调试困难。真正健壮的 LLM 应用，其核心竞争力往往不在于模型本身，而在于对提示词、参数和上下文的精细化控制能力。

LangGraph：让AI学会“回头是岸”的智能体架构在大模型应用开发的早期，我们像工厂老板一样，把AI当作一条高效但死板的流水线：输入进来，经过A、B、C几个固定工位，最后吐出结果。这种DAG（有向无环图）模式确实快，可一旦任务复杂一点，比如需要反复试错、中途查资料、甚至“我刚才说错了”，这套系统就直接宕机。LangChain早期的Chain设计正是如此——线性、脆弱、没有“后悔药”。

木卫四科技

Chonkie 技术深度学习为什么它这么快？它的核心价值观是什么？在深入代码之前，我们需要先建立 Chonkie 的“世界观”。现有的切分库（如 LangChain 的 splitter）功能全面但往往像一辆满载的大巴车，而 Chonkie 的设计目标是做一辆F1 赛车。

程序猿-瑞瑞

深入探索Qdrant（包含实战案例）Qdrant (发音类似 “Quadrant”) 是目前向量数据库领域增长最快、口碑最好的开源项目之一。

Java后端的Ai之路

【AI大模型开发】-RAG 技术详解RAG（Retrieval-Augmented Generation）即检索增强生成，是一种结合信息检索（Retrieval）和文本生成（Generation）的技术。

智能体设计模式第一章：提示链提示链模式，也称为「管道模式」，是利用大语言模型处理复杂任务的一种强大范式。它不期望用单一步骤解决复杂问题，而是采用「分而治之」策略。其核心思想是将难题拆解为一系列更小、更易管理的子问题。每个子问题通过专门设计的提示独立解决，前一步的输出传递给下一步作为输入。

【极客日常】快速上手复杂后端项目开发的经验去年年底一段时间，笔者参与了组织内部智能化平台项目研发攻坚，虽然主攻平台工程部分，但多少也了解了下目前AIGC可以应用到的一些业务场景，以及技术实践、项目管理的一些事情。在先前的文章里头，有浅要描述下AIGC+Web类项目的角色分工和配合。那今天这篇文章，就浅聊一下如果你即将深入此局，适应一个复杂的后端项目开发，有什么方法论是可以通用的。

从Web到AI：Agent Skills CI/CD流水线集成实战指南图片来源网络，侵权联系删。Agent Skills调试相关文章Skills调试、测试与性能优化实战Agent Skills调试工具与方法

阿坤带你走近大数据

大模型应用开发中Dify的介绍Dify 是一个开源的大模型应用开发平台（LLM App Development Platform），它的核心目标是：

Web开发者转型AI：Agent Skills版本控制与管理实战——从Git到AI技能仓库图片来源网络，侵权联系删。Skills调试相关文章Skills调试、测试与性能优化实战Agent Skills调试工具与方法

阿坤带你走近大数据

如何解决农业数据的碎片化问题农业数据碎片化是制约智慧农业发展的核心瓶颈——数据散落在政府、科研机构、企业、合作社、农户等多方，格式不一、标准混乱、难以互通。要系统性解决这一问题，需从技术、机制、标准、生态四个维度协同推进。以下是可落地的解决方案框架：

Web转AI架构篇：Agent Skills vs MCP-混合架构设计模式实战指南图片来源网络，侵权联系删。相关文章深入理解Agent Skills——AI助手的“专业工具箱“实战入门