大模型

大模型推理网关——从负载均衡到故障注入的完整设计在上一篇文章中，我们实现了AI课程问答助手，它能让用户通过SSE流式调用大模型。但这个方案有一个隐含的问题：API密钥直接暴露在后端代码中，单点调用，没有容灾。

哥本哈士奇(aspnetx)

SQLServer RAG笔记5：为SQLServer 2025配置Ollama在第三篇笔记中，我们结合Python代码，通过Ollama的嵌入模型，实现了为SQLServer 2025向量数据库生成向量值。从SQLServer 2025开始，是支持直接把大模型作为EXTERNAL MODEL的。此篇将介绍如何配置Ollama里的嵌入模型作为SQLServer 2025的EXTERNAL MODEL。

AI绘画哇哒哒

RAG 系统中文档切分策略：如何选择合适的 chunk size？| 收藏这份实用指南，小白也能轻松上手大模型学习今天来聊一个RAG 项目里看起来很基础，但真正做起来特别容易翻车的问题：「RAG 系统中文档切分的策略有哪些？如何选择合适的 chunk size？」

深度评测 GLM-5：AtomGit 首发模型的代码生成实战体验首发模型体验链接：https://atomgit.com/GitCode/0daymodel GLM-5模型在线体验连接：https://ai.atomgit.com/zai-org/GLM-5/model-inference?utm_source=tiezi 评测模型：zai-org/GLM-5 评测时间：2026年2月24日

python零基础入门小白

从0到1：手把手教你用Coze打造AI Agent，小白也能转行AI！字节开发的AI Agent工具，简单说：✅ 免费商用：Apache 2.0协议，练手、做项目、甚至商用都合法，不用怕版权问题； ✅ 门槛极低：双核CPU+4G内存就能跑（普通笔记本足够），不用买高端设备； ✅ 实战加分：用它做1个“AI客服Agent”项目，写进简历比“熟悉Python”更有说服力（企业招AI工程师超看重实战）。

python零基础入门小白

Transformer、Token、RAG全解析，一篇读懂大模型核心机制！本文以通俗易懂的方式，梳理了AI领域的关键术语，包括LLM、Transformer、Token、Embedding等，并深入探讨了它们的内在联系和应用场景。文章从模型构建、训练过程、应用方法等多个角度，全面解析了大模型的核心机制，帮助读者建立起对AI技术的整体认知框架。同时，文章还介绍了RAG、Agent等前沿技术，以及推理、部署和多模态等工程化问题，为读者提供了实用的技术指导。

AI辅助编程的边界——Cursor实战与工程判断力在蚂蚁集团AI Coding笔试中，我用Cursor在1小时内完成了一个大模型推理网关的完整实现。坦白说，如果没有AI辅助，这个速度我做不到。但面试官可能会追问一句：“既然AI这么厉害，那程序员的价值在哪？”

LangChain不是“套壳”——它解决了什么实际问题在前面七篇文章中，我们拆解了Embedding、Transformer、幻觉、Prompt Engineering、RAG、会话管理和API调用。这些知识已经足够你从零开始搭建一个大模型应用。但你一定会遇到一个问题：

【大模型提示词工程深度解析：从原理到工业级实践、实践案例】文章标签： #ai #提示词工程 #llm原理 #prompt-engineering #rag #agent

【多模态RAG】Purifying Multimodal Retrieval【多模态RAG进展】打的点一个去噪工作。是现有 MRAG 框架均采用文档级检索与重排，默认文档内所有内容同等有效，但是检索文档含大量无关、冗余、矛盾噪声，引发 MLLM 幻觉，图像仅小区域感兴趣（ROI）有用，文本仅少量句子相关。所以，搞了个Retrieve–Rerank–Select–Generate四阶段 pipeline，新增片段级筛选模块净化证据，目标是在量化证据的边际效用，从而能够过滤掉通常会损害下游推理的无关、冗余或矛盾噪声，工作在《Purifying Multimodal Retrieval

Transformer 和 LLM 到底是什么关系？现在大家聊大模型，总容易把两个词弄混：Transformer 和 LLM。有人觉得，Transformer 不就是大模型嘛。

Resistance丶未来

Hy3 Preview 免费模型快速上手指南在本地部署大语言模型时，很多开发者最头疼的往往不是模型本身的原理，而是如何让它真正跑起来。面对动辄几十 GB 的模型文件和复杂的依赖环境，初学者很容易在第一步就卡住。Hy3 Preview 作为一款免费的预览版模型，虽然在资源占用上做了不少优化，但要让它在你的机器上稳定运行并产出高质量内容，依然需要一套清晰的实操流程。

哥本哈士奇(aspnetx)

SQL Server RAG 笔记3：SQLServer2025 向量数据库在大模型RAG应用中，提起向量数据库大家想到的更多的是Chroma和FAISS，微软也紧跟时代的步伐，并且在2025年底发布的 SQLServer 2025 也提供了原生向量支持，此篇将介绍如何在SQLServer 2025里搭建向量数据库环境。

DeepSeek KV Cache 入门解读：98% 命中率背后的工程逻辑最近 Reddit 上有一个帖子引发了不少关注：一位开发者用 Claude 的 developer mode 对接 DeepSeek API 做 Web 开发，单日消耗了约 8900 万 tokens，总费用只有 4.39 元人民币（约 $0.64），缓存命中率高达 98.07%。

001-Zero-shot-Prompting💡 摘要：Zero-shot Prompting 是一种让 AI 模型在没有示例的情况下，仅通过指令就能完成任务的技术。本文将揭示其背后的原理，并分享 8 条实用的 Prompt 编写技巧。

如何提高 RAG 的检索质量？这才是真正的瓶颈所在有一句在 AI 工程圈流传的话：“RAG 没问题，问题出在你的检索层。”大多数开发者遇到 RAG 效果差时，第一反应是换更大的模型、调 temperature、改 prompt。折腾一圈发现没用——因为根本没对症。

薛定谔的猫369

深入浅出：大语言模型 Agent 的工作原理与应用随着大语言模型（LLM）技术的飞速发展，AI Agent（人工智能智能体）作为一种能够感知、思考并采取行动的新型 AI 范式，正逐渐成为研究热点。本文旨在深入探讨 LLM Agent 的核心组成部分、工作机制及其在自动化任务中的潜力。

Resistance丶未来

TradingAgents 多智能体交易框架深度评测在量化交易领域，单个策略模型往往难以应对复杂多变的市场环境。面对突发的宏观新闻、剧烈的盘中波动或是长期的趋势转换，单一算法容易陷入过拟合或反应迟钝的困境。近年来，多智能体系统（Multi-Agent Systems, MAS）的概念逐渐被引入金融工程，试图通过模拟专业交易团队的协作模式来突破这一瓶颈。TradingAgents 正是这一思路下的开源实践，它不再依赖一个“全能”的黑盒模型，而是将研究、分析、风控和执行等职能拆解给不同的智能体，让它们在一个共享环境中交互、辩论并最终达成交易共识。

E等于MC平方

AI 辅助物理课堂实验如何用「内置实验模板 + AI 路由」模式，在不生成任意代码的前提下，让 AI 辅助物理课堂实验？传统方案要么找一个通用物理模拟器（功能复杂、上手成本高），要么直接用静态图片讲解（缺乏交互感），要么让 AI 现场生成一段物理模拟代码（危险：生成代码的行为无法预测、无法测试）。

【AI入门篇-02】深入理解ChatGPT发展流程上一篇讲解了AI从感知智能到认知智能的发展流程，接下来这篇，就以比较有代表性的chatgpt为例子，来讲解一下整个AI的发展流程，所以这篇文章不会只讲 ChatGPT 本身，而是会以 GPT 系列的发展为主线，把背后的 Transformer、预训练、微调、指令微调、RLHF、多模态、RAG、Agent 等关键概念串起来。至于为什么选chatgpt也显而易见，因为chatgpt是将大语言模型推向大众视野的标志性产品