- 上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。一、向量数据库ChromaChroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下：... 上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。一、向量数据库ChromaChroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下：...
- 企业在同时使用多个 AI 模型时，面临 Prompt 切换后性能漂移、多平台账单无法合并对账、调用链路缺乏追溯三大隐性成本。本文从工程实践角度分析问题根源，提出统一网关 + 调用归因 + 资产沉淀的架构思路。 企业在同时使用多个 AI 模型时，面临 Prompt 切换后性能漂移、多平台账单无法合并对账、调用链路缺乏追溯三大隐性成本。本文从工程实践角度分析问题根源，提出统一网关 + 调用归因 + 资产沉淀的架构思路。
- 最近文生视频领域又卷出了新高度。Seedance（视界无限）正式上线了2.0版本，主打超写实风格的视频生成。为了第一时间体验这款模型，我通过国内的AI模型聚合平台工具整合站点库拉接入了测试通道。实测下来，它的光影渲染能力确实有亮点，但也有技术局限。本文将以技术实战的视角，客观盘点其在复杂光影环境下的真实表现。一、 核心参数与首测分项结论首先给出我们在实际测试中得到的硬核数据：生成分辨率：最大... 最近文生视频领域又卷出了新高度。Seedance（视界无限）正式上线了2.0版本，主打超写实风格的视频生成。为了第一时间体验这款模型，我通过国内的AI模型聚合平台工具整合站点库拉接入了测试通道。实测下来，它的光影渲染能力确实有亮点，但也有技术局限。本文将以技术实战的视角，客观盘点其在复杂光影环境下的真实表现。一、 核心参数与首测分项结论首先给出我们在实际测试中得到的硬核数据：生成分辨率：最大...
- 基于 CCE 上运行的 Java 微服务，深入配置华为云 AOM 监控大盘、APM 调用链追踪、LTS 日志采集、自定义告警规则，构建"指标+日志+链路"三位一体的可观测性体系。涵盖 APM Agent 接入、JVM 监控看板、业务埋点、智能告警配置、真实故障排查案例，附 8 个实用监控模板和 3 个踩坑实录。 基于 CCE 上运行的 Java 微服务，深入配置华为云 AOM 监控大盘、APM 调用链追踪、LTS 日志采集、自定义告警规则，构建"指标+日志+链路"三位一体的可观测性体系。涵盖 APM Agent 接入、JVM 监控看板、业务埋点、智能告警配置、真实故障排查案例，附 8 个实用监控模板和 3 个踩坑实录。
- 黄仁勋称工程师年薪50万，却要花25万在AI Token上——揭示AI成本正从人力转向算力。Uber烧光全年AI预算、微软停用外部工具、账单碎片难追踪……企业正面临“能调不能管”的困境。TokenOps应运而生：实时计量、精准归属、动态预算，让AI调用从失控走向可控。 黄仁勋称工程师年薪50万，却要花25万在AI Token上——揭示AI成本正从人力转向算力。Uber烧光全年AI预算、微软停用外部工具、账单碎片难追踪……企业正面临“能调不能管”的困境。TokenOps应运而生：实时计量、精准归属、动态预算，让AI调用从失控走向可控。
- 本文记录了将 Claude Opus 4.8 用于需求拆解和测试用例生成的实践流程：先从长文档中提取业务对象、规则和待确认问题，再生成接口草稿与可追溯测试用例，最后通过人工 Review、多模型对比和执行验证降低风险。文章强调 AI 适合承担中间环节，不能替代产品确认、研发设计和测试验证；涉及代码、日志、业务数据时必须脱敏，并建立可复用的验证闭环。 本文记录了将 Claude Opus 4.8 用于需求拆解和测试用例生成的实践流程：先从长文档中提取业务对象、规则和待确认问题，再生成接口草稿与可追溯测试用例，最后通过人工 Review、多模型对比和执行验证降低风险。文章强调 AI 适合承担中间环节，不能替代产品确认、研发设计和测试验证；涉及代码、日志、业务数据时必须脱敏，并建立可复用的验证闭环。
- E2B 接入 AI Agent 前，先把沙箱合同写清楚：命令、文件、网络、密钥、timeout、artifact 导出和 cleanup 都需要边界。 E2B 接入 AI Agent 前，先把沙箱合同写清楚：命令、文件、网络、密钥、timeout、artifact 导出和 cleanup 都需要边界。
- 上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。一、文本嵌入Embedding模型向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。命令行通过cd命令进入Python工程的所在目录，再执行下面的模型下载命令，可将... 上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。一、文本嵌入Embedding模型向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。命令行通过cd命令进入Python工程的所在目录，再执行下面的模型下载命令，可将...
- 接手老项目、面对几万行毫无注释的“屎山”代码，是每个初中级程序员的噩梦。随着大模型技术演进，利用 AI 阅读源码已成为提高效率的主流手段。在实际开发中，开发者常通过聚合平台如库拉快速调用各类最新 AI 模型。其中，Gemini 3.5 凭借其超大上下文（Context Window）在解析复杂调用链和项目结构时表现尤为亮眼。本文将实战解析如何用 Gemini 3.5 快速看懂陌生代码、理清调... 接手老项目、面对几万行毫无注释的“屎山”代码，是每个初中级程序员的噩梦。随着大模型技术演进，利用 AI 阅读源码已成为提高效率的主流手段。在实际开发中，开发者常通过聚合平台如库拉快速调用各类最新 AI 模型。其中，Gemini 3.5 凭借其超大上下文（Context Window）在解析复杂调用链和项目结构时表现尤为亮眼。本文将实战解析如何用 Gemini 3.5 快速看懂陌生代码、理清调...
- 本文以 Java 后端开发为例，介绍如何用 ChatGPT 5.5 辅助 Bug 排查、测试用例生成、接口文档整理和代码 Review。文章强调 AI 适合做问题拆解、草稿生成和风险补充，但不能替代人工判断。通过结构化 Prompt、模型对比、人工 Review、测试验证和日志分析，开发者可以更稳妥地把 AI 融入研发流程，提升效率并降低误用风险。 本文以 Java 后端开发为例，介绍如何用 ChatGPT 5.5 辅助 Bug 排查、测试用例生成、接口文档整理和代码 Review。文章强调 AI 适合做问题拆解、草稿生成和风险补充，但不能替代人工判断。通过结构化 Prompt、模型对比、人工 Review、测试验证和日志分析，开发者可以更稳妥地把 AI 融入研发流程，提升效率并降低误用风险。
- 在后端开发与数据库管理（DBA）的日常工作中，慢 SQL 优化一直是耗时耗力的硬骨头。尤其是面对多表关联、嵌套子查询以及上百万行数据的复杂业务场景，手动分析执行计划（EXPLAIN）不仅考验经验，还极易遗漏关键索引。为了提高研发效率，许多技术团队开始尝试引入大模型协助分析。通过使用工具整合站点库拉这一AI模型聚合平台，开发者可以无缝调用 Grok 等前沿模型，快速完成复杂 SQL 的重构、执... 在后端开发与数据库管理（DBA）的日常工作中，慢 SQL 优化一直是耗时耗力的硬骨头。尤其是面对多表关联、嵌套子查询以及上百万行数据的复杂业务场景，手动分析执行计划（EXPLAIN）不仅考验经验，还极易遗漏关键索引。为了提高研发效率，许多技术团队开始尝试引入大模型协助分析。通过使用工具整合站点库拉这一AI模型聚合平台，开发者可以无缝调用 Grok 等前沿模型，快速完成复杂 SQL 的重构、执...
- 摘要：当前基于大语言模型的 AI Agent 面临一项结构性困境——检索增强生成（RAG）解决了"知识从哪来"的问题，却未解决"知识如何转化为可执行规则"的问题。检索层与生成层之间的"中场"——知识操作化层——是当前工程实践中最被低估的短板，亦是垂类 Agent 差异化竞争的核心战场。本文提出一套以中场操作化为中枢的 Agent 设计方法论，核心贡献包括：（1）将 RAG 重新定位为"受约束... 摘要：当前基于大语言模型的 AI Agent 面临一项结构性困境——检索增强生成（RAG）解决了"知识从哪来"的问题，却未解决"知识如何转化为可执行规则"的问题。检索层与生成层之间的"中场"——知识操作化层——是当前工程实践中最被低估的短板，亦是垂类 Agent 差异化竞争的核心战场。本文提出一套以中场操作化为中枢的 Agent 设计方法论，核心贡献包括：（1）将 RAG 重新定位为"受约束...
- 一、概述：三件事 × 三次交互 1.1 为什么是这三件事处理一个复杂任务，系统必须完成三件性质截然不同的事——理解拆解、分配执行、监控验证——缺一不可，且顺序无法颠倒。这不是方法论的选择，而是信息论上的必然：理解拆解发生在信息不完整阶段，目标是将模糊的用户意图转化为有向无环图（DAG）；如果跳过这一步直接执行，子任务边界不清，后续任何修复代价都会放大。分配执行是调度问题，核心是用最少的 a... 一、概述：三件事 × 三次交互 1.1 为什么是这三件事处理一个复杂任务，系统必须完成三件性质截然不同的事——理解拆解、分配执行、监控验证——缺一不可，且顺序无法颠倒。这不是方法论的选择，而是信息论上的必然：理解拆解发生在信息不完整阶段，目标是将模糊的用户意图转化为有向无环图（DAG）；如果跳过这一步直接执行，子任务边界不清，后续任何修复代价都会放大。分配执行是调度问题，核心是用最少的 a...
- 导言在前两篇文章中，我分别讨论了通用Agent的认知架构（《高认知的本质，基于真实信息的规则推演》）和垂直Agent的构建方法论（《垂直Agent的设计方法论》）。本文延续这一脉络，聚焦一个更具体的问题：当我们用语言模型进行辅助决策分析时，如何判断它的输出是可靠的？一个常见的做法是让模型多跑几次，如果几次结果一致，就认为可靠。这个方法在学术界被称为"自一致性"（Self-Consisten... 导言在前两篇文章中，我分别讨论了通用Agent的认知架构（《高认知的本质，基于真实信息的规则推演》）和垂直Agent的构建方法论（《垂直Agent的设计方法论》）。本文延续这一脉络，聚焦一个更具体的问题：当我们用语言模型进行辅助决策分析时，如何判断它的输出是可靠的？一个常见的做法是让模型多跑几次，如果几次结果一致，就认为可靠。这个方法在学术界被称为"自一致性"（Self-Consisten...
- 核心概念：点、面、Agent点： 用户需求中具有明确指向性的内容——用户明确要求的、记忆体现的、持续追求的目标。每个点都带有向外的延展势能。面： 一个点向相邻知识域延展所形成的知识网络。面具有内部一致性（面内的知识相互支撑）和边界（面在何处停止）。学术体系： 多个学科面的组织结构化描述——每个学科域包含该领域的规则库、推演模式和边界条件。Agent： 多个面在同一点集上的收敛。一个Agen... 核心概念：点、面、Agent点： 用户需求中具有明确指向性的内容——用户明确要求的、记忆体现的、持续追求的目标。每个点都带有向外的延展势能。面： 一个点向相邻知识域延展所形成的知识网络。面具有内部一致性（面内的知识相互支撑）和边界（面在何处停止）。学术体系： 多个学科面的组织结构化描述——每个学科域包含该领域的规则库、推演模式和边界条件。Agent： 多个面在同一点集上的收敛。一个Agen...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中 -
一个AI团队帮你写代码：华为云码道Agent Space实战2026/06/25 周四 19:00-21:00
张翰文-华为云码道工程师/郭英旭-青软创新科技集团股份有限公司 软件架构师
本场直播聚焦华为云码道Agent Space两大模式：研发办公、代码开发，亲身体验从需求到代码的AI自动化能力。实操演示基于华为 CodeArts CLI，依托 OpenSpec 规格体系从零搭建业务项目。
回顾中
热门标签