ai应用开发

一枕槐安487

多模态RAG实战：PDF图文混合文档检索问答本地跑通传统 RAG 的典型链路是：文档切块 → 文本 embedding → 向量库 → Top-K 文本块塞给 LLM。这条链路对纯文本有效，但遇到图文混排文档时会出问题：

Java成神之路-

Jev 和 LLM 到底有什么区别？Jev 是 TypeSafe AI 开发的专用 AI 决策模型，通过 API 服务对外提供，面向分类、评分和流程路由等边界明确的任务。它与生成式 LLM 的差异，主要体现在训练目标、输出机制和工程接口上。本文从核心定位、输入要求、底层机制、性能成本和应用架构展开分析，解释哪些任务需要预设候选答案，以及如何在业务系统中组合使用决策模型与生成模型。

Java成神之路-

多 Agent 协作别过度设计：A2A（Agent2Agent）协议很多开发者在做AI Agent多智能体协作时，都会混淆一个核心问题：到底什么时候需要用A2A协议？本地多Agent协作能不能用A2A？A2A能解决哪些问题、哪些坑它管不了？

什么是AI、模型和token、vibecoding介绍、ClaudeCode环境搭建一.什么是AI？AI(ArtificialIntelligence)：用计算机模拟人脑，让计算机能够像人类一样合理的思考和行动

Java成神之路-

大模型API输出莫名截断？对接大模型 API 时，你是否也遇到过这种诡异现象：返回结果半截就断了，JSON 残缺、段落缺失，finish_reason 还时而 length 时而 stop？很多人只知道 max_tokens 会截断，却忽略了 stop sequence 停止词以及推理模型特殊的 token 抢占问题。本文梳理大模型输出突然中断的 3 类真实场景，讲清原理、坑点与代码处理思路。

Java成神之路-

大模型输出工程契约设计：从Prompt软约束到Schema硬约束在Java AI Agent、智能抽取、工单分类、函数调用等核心业务场景中，大模型输出不可控是最常见的痛点：返回冗余文字、JSON格式错乱、字段缺失、枚举值非法等问题，会直接导致业务接口报错、流程中断。

大模型只会输出token，是怎么“调用工具“的?一个只会输出 token 的模型,凭什么能调用外部程序?这篇文章只讲两件事: ① 外部程序是怎么"检测到"模型要调工具的 ② MCP 到底封装了什么、怎么封装的

【AI开发之Rust】第 5 课：引用与生命周期 —— 借用能活多久？预计时间：75-90 分钟 | 难度：⭐⭐⭐ | 前置：第 4 课（所有权与借用）第 4 课讲了"谁拥有数据、谁能借用"，但留了一个悬案：借用检查器凭什么敢保证"引用不会指向已释放的内存"？内存里最容易出的一种 bug 叫悬垂引用（dangling reference）——数据已经没了，手上还捏着它的指针。

Java成神之路-

RAG 工程最优解：意图路由分流架构RAG（Retrieval-Augmented Generation）是知识库问答、智能客服、文档助手的主流落地方案。传统RAG对全部请求无脑执行“向量召回+大模型生成”，简单查询带来算力浪费、时延抖动、成本居高不下。业界存在两套主流工程路线：通用标准RAG（多路并行召回融合+重排截断）、FAQ特化串行分层RAG（ES前置短路），二者适用场景与取舍完全不同，很多文章容易混淆，把特化方案当成通用最佳实践。本文对比两套架构的优缺点、风险边界，并给出工业界落地最多的意图路由折中架构，同时补充Spring A

星野云联AIoT技术洞察

Dify 适合什么 AI 应用项目：Workflow、RAG、Agent 与自研系统的边界如果项目的核心工作是把用户输入、知识检索、模型调用、条件分支、工具调用和结果输出串成一条可观察的 AI 流程，Dify 往往比从零开发更快。它把 Workflow、知识库、模型配置、插件和应用 API 放在同一工作台里，产品、业务和工程团队可以围绕同一条流程协作。

OpenAI GPT-5.6 降价后如何重算 API 账单？多模型路由与成本治理实战摘要： OpenAI GPT-5.6 降价后如何重算 API 账单？本文从模型选型、路由配置到成本看板，实战演示用统一网关接入多模型并按量计费，给出可落地的切换 checklist，帮助开发者把降价红利自动落到账单里。

【AI应用开发】什么是混合检索（Hybrid Search）？向量检索 + BM25 关键词检索，适用场景与 RRF 融合原理混合检索（Hybrid Search）= 向量检索（语义匹配）+ BM25 关键词检索（精确匹配），通过 RRF 等融合算法合并两路结果，取两者之长补各自之短。

Token太贵自己写了一个mac版开源AI编程工具SqcAICode 是一款面向 macOS 的原生桌面 AI 编程助手，集成 DeepSeek API，提供智能对话、代码编辑、终端操作、文件管理等一站式开发体验。采用 VS Code 风格的深色主题 UI，支持 Function Calling 工具链，让 AI 直接读写文件、执行终端命令和搜索网页。

【AI应用开发】Query 改写、Rerank 在 Agent 系统里起到什么作用？Query 改写解决"搜不准"的问题——把用户的口语/模糊表达变成适合检索的精确查询。Rerank解决"排不好"的问题——对初步召回的文档重新排序，把最相关的排到前面。

【AI应用开发】Agent 无限 loop（反复调用同一个工具）如何规避？核心思想：不要把防止 Loop 仅当作 Prompt 工程问题——必须在代码层面建立多层防线。LLM 不会主动停下来，要靠系统强制停下来。

【AI应用开发】怎么降低 Agent 幻觉？有几种可行方案？Agent 比普通 LLM 更容易产生幻觉，因为 Agent 在多步推理中每一步都可能产生幻觉，然后后续步骤基于虚假信息继续推理，形成"幻觉级联"（Hallucination Cascade）。

【AI应用开发】ReAct 原理是什么？和普通直接提问 LLM 差别在哪？ReAct = Reasoning（推理）+ Acting（行动），是一种让 LLM 在解决问题时"边想边做"的范式。

【AI应用开发】LangChain 中 Chain 和 Agent 核心区别？Chain 是"预定好的流水线"——每一步做什么已经定死了；Agent 是"自主决策者"——LLM 根据当前情况动态决定下一步做什么。Chain 是固定菜谱，Agent 是会自己翻冰箱做菜的厨师。

Spring AI 流程编排：AI时代，你需要一个更轻量的 Spring 流程编排框架早期开发一个 AI 功能，通常只有三步：但当 AI 真正进入业务系统后，流程很快会变得复杂：再加入 Agent、多模型路由、并行任务、失败重试和异步通知后，开发者面对的已经不再是一次模型调用，而是一条完整的执行流程。

【AI应用开发】 RAG篇（一）：概述与核心架构现在大模型落地业务，90% 的企业场景都会优先上 RAG（检索增强生成）。不管是知识库问答、智能客服还是私有文档助手，RAG 都是绕不开的核心方案。