大模型应用

轻量级RAG与SKILL架构深度融合：专属知识库驱动智能体精准知识匹配应用实践.138我们在做大模型落地时基本都有共识：光靠大模型本身很容易出现幻觉，回答不严谨、业务知识对不上，所以RAG检索增强生成几乎成了标配。但真正用起来同样会发现，传统RAG更像一个大一统知识库，把所有业务资料、文档、规则全都塞进一个向量库里，看似全面，实则问题一堆。知识多了之后检索混乱，客服话术和技术方案互相干扰，检索精度下降；更新一条业务规则就要重构整个库，维护成本极高；而且知识库和智能体能力绑死在一起，想加个新功能、改个问答逻辑都牵一发动全身。

LangChain-AI应用开发框架(七)目录一.核心组件（Components）二.消息（Messages）1.LLM消息结构2.LangChain消息

安诊儿AntAngelMed医学模型落地：基于SKILL架构构建糖尿病高血压智能咨询助手.137本系统是一套基于SKILL技能架构、聚焦糖尿病 + 高血压双慢病管理的全栈智能体，整合了专业医学大模型（AntAngelMed）、前后端实时交互、模块化技能体系，专为慢病患者、社区医护人员、家庭健康管理者设计，提供精准、专业、可落地的慢病咨询与管理服务。

Prompt 工程实战总结：文本分类、信息抽取、语义匹配本文基于 Ollama + Qwen2:0.5b 本地模型，完成了三个经典的 NLP 任务：(另附了基于langchain_openai的ChatOpenAI配合deepseek线上大模型接口处理Prompt提示词工程)

LangChain-AI应用开发框架(六)目录一.聊天模型--结构化输出1.with_structured_output()a.返回Pydantic对象

OpenAnolis小助手

极速、稳定、丝滑：OpenClaw 接入 Mooncake 后的性能跃迁有些性能提升，一眼就能看出来。比如平均延迟更低了，吞吐更高了，首 token 更快了。这样的数字很适合放在 benchmark 表格里，也很适合拿出来做对比。但还有一种性能提升，不是第一眼最炸裂，却更接近真实体验。它不是让系统“最快的时候再快一点”，而是让系统在持续使用、多会话切换、长上下文推进的时候，不那么容易突然卡一下。

大模型应用：医疗AI智能体的容错设计：化解医疗场景模糊、错误的不确定性.126医疗AI智能体的容错设计，是指针对医疗场景中用户输入的模糊性、错误性、极端性等不确定性问题，通过技术手段让AI系统具备“包容错误、引导正确、应对极端”的能力，既避免系统崩溃或生硬报错，又能保障医疗咨询的安全性、有效性和人性化。

大龄码农有梦想

Spring AI Alibaba Skills与 Claude Skills 深度对比分析：概念、机制与应用场景在大模型应用开发与智能体（Agent）落地过程中，Skills 作为封装任务逻辑、规范执行流程的核心单元，被广泛应用于不同生态体系中。Spring AI Alibaba Skills 与 Claude Skills 虽同名且核心设计思想同源，但因所属生态定位、运行环境及目标用户不同，在概念定义、运行机制与应用场景上存在显著差异。本文将从这三个核心维度展开对比分析，结合官方文档与实战逻辑，为开发者选择适配的技能方案提供参考。

大模型应用：基于《症状自评量表SCL-90》与大模型的心理评估系统全解析.113在现在的日常工作、校园管理、企业员工关怀甚至社区服务里，心理健康已经不再是一个遥远、专业的话题，而是实实在在每天都要面对的需求。不管是企业想提前了解员工的精神压力状态，学校要对学生进行心理普查，还是个人想自我监测情绪变化，都需要一套科学、标准、好用的评估工具。

大模型应用：搜索的智能革命：大模型如何重塑传统搜索算法构建新一代智能检索.110搜索早已不是简单敲几个关键词、翻几页链接的工具，而是我们每天工作、学习、生活里最离不开的信息入口。从最早的目录检索，到关键词匹配，再到后来的精准排序，搜索算法迭代了十几年，核心目标一直没变：更快、更准、更懂我们想要什么。

无聊的小坏坏

RAG 实战 (下)：打造多轮对话知识助手核心痛点：简单的 RAG 只能回答单次提问。如何让 AI 记住上下文（解决代词指代），并告诉我们要查找的答案出自哪篇文档？

无聊的小坏坏

RAG 实战 (上)：构建向量知识库核心痛点：大模型没有“私有数据”。如何让它读取我的 PDF、Markdown 文档甚至网页？本篇将带你走通 RAG 的前 80% 流程：ETL（加载、切分、嵌入、存储）。

大模型应用：遗传算法 (GA)+大模型：自动化进化最优Prompt与模型参数.95接触大模型这么久大家应该都有过这样的经历：为了让大模型生成符合预期的内容，反复修改Prompt，调整用词、句式、参数，耗费数小时甚至数天，最终效果却依然不尽如人意？手动调优 Prompt 或模型参数存在三大核心痛点：

大模型应用：从语义理解到最优匹配：大模型赋能的二分图匈牙利算法全解析.93在数字化时代，匹配是贯穿各类场景的核心需求，题库要按知识点和难度自动组卷、企业要为岗位匹配最合适的候选人、客服系统要为用户问题匹配最精准的答案。这些场景的核心痛点有两个：一是如何理解匹配双方的语义内涵，比如“岗位要求的沟通能力”和“候选人简历中的协调经验”是否匹配；二是如何在理解的基础上实现全局最优配对，比如10个岗位匹配10个人，整体匹配度最高。

大模型应用：从手动调参到智能寻优：PSO 驱动的大模型参数自动化优化.94大模型调参是当前 AI 工程化落地的核心痛点之一，推理参数（如 batch_size、max_new_tokens）、向量库配置（如分段大小、检索阈值）、生成参数（如温度系数、top_p）等，每一个参数的微调都可能显著影响模型效果与性能。传统的人工调参依赖经验、效率低下且难以找到全局最优解，而将粒子群优化（PSO）与大模型结合，把调参过程转化为 “自动化寻优工程”，既能发挥PSO群体智能的全局搜索优势，又能借助大模型的效果评估能力，实现参数配置的智能、高效、全局最优。今天我们结合大模型参数调优，由浅入深完

无聊的小坏坏

注入灵魂：记忆管理与工具调用核心痛点：大模型本身是无状态的（没记性），也是封闭的（没手脚，无法联网或查库）。本篇将教你如何通过 Memory 让模型记住上下文，并通过 Tool Calling 让模型与外部世界交互。

无聊的小坏坏

精准控制：提示词工程与结构化输出核心痛点：大模型的输出不可控（总是胡说八道或格式错误）。本篇将教你如何通过提示词模板管理输入，并通过结构化输出强制模型生成可被代码解析的 JSON 数据。

无聊的小坏坏

LangChain 新范式：从 LCEL 到流式对话摘要：本篇作为系列开篇，将带你从零认识 LangChain，了解它如何简化大模型应用开发。我们将重点掌握 LangChain 的“现代语法”——LCEL，并手写第一个支持流式输出的对话应用。

大模型应用：RETE 算法高效规则匹配：智能决策系统中的核心模式匹配技术.90在规则推理与专家系统领域，海量规则与实时数据的高效匹配一直是核心挑战。传统暴力遍历方式在规则规模膨胀时会出现性能指数级下降，难以满足金融风控、电商营销、工业决策等场景的低延迟要求。RETE 算法作为产生式规则系统的经典高效匹配算法，通过构建共享式判别网络，大幅降低重复计算，成为现代规则引擎的基石。

大模型应用：规则引擎 + 混元大模型：确定性骨架与智慧大脑的新融合实践.89在之前的技术分享中，我们曾深入探讨过 Drools 这类成熟的规则引擎，作为工业级的规则管理工具，Drools 凭借强大的规则编排、冲突解决和批量执行能力，成为金融、政务、风控等领域实现确定性业务逻辑的核心支撑。它让复杂的业务规则脱离硬编码，通过可视化配置和热更新，保障了该怎么做就必须怎么做的刚性要求，这也是规则引擎最核心的价值：用可解释、可审计、零幻觉的逻辑骨架，撑起业务的合规与稳定。