- 本期涵盖 Pluggy 插件系统实战、Python 接口实现方式（ABC 与 Protocols）、Scrapy 扩展开发、2026 年任务队列库选型对比、Python 3.14 垃圾回收改进与回退、PyCon US 2026 安全专... 本期涵盖 Pluggy 插件系统实战、Python 接口实现方式（ABC 与 Protocols）、Scrapy 扩展开发、2026 年任务队列库选型对比、Python 3.14 垃圾回收改进与回退、PyCon US 2026 安全专...
- RAG 技术全景解析：原理、架构与实战代码实现在大型语言模型（LLM）爆发式增长的今天，我们面临着两个核心挑战：幻觉问题（Hallucination）和知识滞后性。LLM 基于训练数据生成内容，一旦训练数据过时或涉及私有领域知识，模型往往无法给出准确答案，甚至产生看似合理实则错误的“幻觉”。检索增强生成（Retrieval-Augmented Generation, RAG）技术应运而生。... RAG 技术全景解析：原理、架构与实战代码实现在大型语言模型（LLM）爆发式增长的今天，我们面临着两个核心挑战：幻觉问题（Hallucination）和知识滞后性。LLM 基于训练数据生成内容，一旦训练数据过时或涉及私有领域知识，模型往往无法给出准确答案，甚至产生看似合理实则错误的“幻觉”。检索增强生成（Retrieval-Augmented Generation, RAG）技术应运而生。...
- 构建智能问答系统：深入解析与实战 RAG（检索增强生成）技术在大型语言模型（LLM）迅猛发展的今天，企业和个人用户对于智能问答系统的需求日益增长。然而，传统的基于纯 LLM 的问答系统面临着两个核心痛点：知识滞后性和幻觉问题。LLM 的训练数据存在截止时间，无法实时获取最新信息；同时，它们在缺乏具体事实依据时，往往会“自信地编造”答案。为了解决这些问题，检索增强生成（Retrieval-A... 构建智能问答系统：深入解析与实战 RAG（检索增强生成）技术在大型语言模型（LLM）迅猛发展的今天，企业和个人用户对于智能问答系统的需求日益增长。然而，传统的基于纯 LLM 的问答系统面临着两个核心痛点：知识滞后性和幻觉问题。LLM 的训练数据存在截止时间，无法实时获取最新信息；同时，它们在缺乏具体事实依据时，往往会“自信地编造”答案。为了解决这些问题，检索增强生成（Retrieval-A...
- 重塑大模型的知识边界：深入解析 RAG 技术与实战落地在生成式人工智能（Generative AI）爆发式增长的今天，大型语言模型（LLM）如 GPT-4、Llama 3 等展现出了惊人的推理和创作能力。然而，随着应用的深入，一个核心痛点日益凸显：知识时效性滞后与领域知识匮乏。依靠海量数据预训练的模型，其知识截止于训练数据的停止时间，且无法获取企业内部的私有数据（如文档、数据库记录）。此外... 重塑大模型的知识边界：深入解析 RAG 技术与实战落地在生成式人工智能（Generative AI）爆发式增长的今天，大型语言模型（LLM）如 GPT-4、Llama 3 等展现出了惊人的推理和创作能力。然而，随着应用的深入，一个核心痛点日益凸显：知识时效性滞后与领域知识匮乏。依靠海量数据预训练的模型，其知识截止于训练数据的停止时间，且无法获取企业内部的私有数据（如文档、数据库记录）。此外...
- AI 写代码越来越快了。但真正让技术圈开始警惕的，不是 AI 能不能写代码，而是另一个更现实的问题：AI 让提交 PR 的门槛几乎降到了零，但代码审查和质量验证的成本，并没有跟着降下来。这句话，对程序员重要。对测试开发更重要。因为软件行业正在进入一个新阶段：以前的问题是代码写得不够快。现在的问题是，代码来得太快，质量验证跟不上。最近，Python 顶流工具 Ruff、uv 背后的作者 Cha... AI 写代码越来越快了。但真正让技术圈开始警惕的，不是 AI 能不能写代码，而是另一个更现实的问题：AI 让提交 PR 的门槛几乎降到了零，但代码审查和质量验证的成本，并没有跟着降下来。这句话，对程序员重要。对测试开发更重要。因为软件行业正在进入一个新阶段：以前的问题是代码写得不够快。现在的问题是，代码来得太快，质量验证跟不上。最近，Python 顶流工具 Ruff、uv 背后的作者 Cha...
- 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：...
- Blackhole Diffusion（黑洞弥散）：技术说明文档项目状态：基础版 MIT 开源 目录产品概述核心特点算法架构3.1 边向扩展 vs 生成树3.2 消元引擎：CSRBlackholeDevourer（满秩保证）3.3 数学保证语言税分析20 数据集完整基准测试目标场景开源协议与命名由来 1. 产品概述Blackhole Diffusion（黑洞弥散） 是一个纯 Python ... Blackhole Diffusion（黑洞弥散）：技术说明文档项目状态：基础版 MIT 开源 目录产品概述核心特点算法架构3.1 边向扩展 vs 生成树3.2 消元引擎：CSRBlackholeDevourer（满秩保证）3.3 数学保证语言税分析20 数据集完整基准测试目标场景开源协议与命名由来 1. 产品概述Blackhole Diffusion（黑洞弥散） 是一个纯 Python ...
- 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...
- LangGraph 不只是更长的 Chain。第一次接入前，应先验证 State、interrupt、checkpoint、恢复路径和序列化边界是否清楚。 LangGraph 不只是更长的 Chain。第一次接入前，应先验证 State、interrupt、checkpoint、恢复路径和序列化边界是否清楚。
- 本周 Python 生态迎来多项更新：Python 3.14.6 和 3.13.14 发布，JIT 工作暂停等待新 PEP 指导方向；Pyodide 314.0 支持构建 wheel 发布到 PyPI，Marimo 推出响应式笔记本替... 本周 Python 生态迎来多项更新：Python 3.14.6 和 3.13.14 发布，JIT 工作暂停等待新 PEP 指导方向；Pyodide 314.0 支持构建 wheel 发布到 PyPI，Marimo 推出响应式笔记本替...
- HarmonyOS APP开发：Material Design动效体系与实现📌 核心要点：掌握Material Design三大核心转场动效（容器转换、共享轴、淡入淡出）在HarmonyOS中的完整实现，让你的应用转场体验从"能用"跃升到"好用"。 一、背景与动机你有没有过这样的体验？打开一个App，点击列表项跳到详情页，画面"啪"地一下就切过去了——毫无过渡，毫无美感，仿佛在翻一本没有... HarmonyOS APP开发：Material Design动效体系与实现📌 核心要点：掌握Material Design三大核心转场动效（容器转换、共享轴、淡入淡出）在HarmonyOS中的完整实现，让你的应用转场体验从"能用"跃升到"好用"。 一、背景与动机你有没有过这样的体验？打开一个App，点击列表项跳到详情页，画面"啪"地一下就切过去了——毫无过渡，毫无美感，仿佛在翻一本没有...
- 多智能体协作（Multi-Agent Systems）：当 Agent 开始“开会”讨论在生成式 AI 的早期阶段，我们习惯于将 Large Language Model (LLM) 视为一个全能的“超级大脑”。用户提出一个问题，模型直接给出答案。然而，随着应用复杂度的提升，这种单点模式暴露出了明显的局限性：单次生成的上下文窗口有限、缺乏长期的任务规划能力、难以处理需要多步骤逻辑推理的任务... 多智能体协作（Multi-Agent Systems）：当 Agent 开始“开会”讨论在生成式 AI 的早期阶段，我们习惯于将 Large Language Model (LLM) 视为一个全能的“超级大脑”。用户提出一个问题，模型直接给出答案。然而，随着应用复杂度的提升，这种单点模式暴露出了明显的局限性：单次生成的上下文窗口有限、缺乏长期的任务规划能力、难以处理需要多步骤逻辑推理的任务...
- LangChain vs. AutoGen：主流Agent开发框架对比与选型指南随着大语言模型（LLM）从单纯的文本生成工具演变为能够自主规划、执行和反思的智能体（Agent），开源社区涌现出了多款优秀的开发框架。其中，LangChain 和 Microsoft AutoGen 是目前最具代表性的两个选择。LangChain 以“组件化”和“生态丰富”著称，是构建通用 LLM 应用的瑞士军... LangChain vs. AutoGen：主流Agent开发框架对比与选型指南随着大语言模型（LLM）从单纯的文本生成工具演变为能够自主规划、执行和反思的智能体（Agent），开源社区涌现出了多款优秀的开发框架。其中，LangChain 和 Microsoft AutoGen 是目前最具代表性的两个选择。LangChain 以“组件化”和“生态丰富”著称，是构建通用 LLM 应用的瑞士军...
- 离线VSCode对接本地大模型：单文件对话界面实现（持久化+文件图片上传） 前言最近在处理离线内网环境下的VSCode开发需求，场景很明确：没有外网，没法安装GitHub Copilot之类的在线AI插件；本地已经部署好了大模型API（无论是Ollama、vLLM还是私有化部署的模型服务），想在VSCode的开发工作流里直接做代码问答、本地文档分析，不想切换厚重的独立客户端，也不想折腾复杂... 离线VSCode对接本地大模型：单文件对话界面实现（持久化+文件图片上传） 前言最近在处理离线内网环境下的VSCode开发需求，场景很明确：没有外网，没法安装GitHub Copilot之类的在线AI插件；本地已经部署好了大模型API（无论是Ollama、vLLM还是私有化部署的模型服务），想在VSCode的开发工作流里直接做代码问答、本地文档分析，不想切换厚重的独立客户端，也不想折腾复杂...
- 前面的文章依次介绍了如何截断历史会话的对话记录，包括按照记录数量截断、按照Token长度截断，以及浓缩为摘要截断等等，其中摘要操作又分为三大类：1、使用第三方的摘要库对文本摘要；2、使用在线大模型对文本摘要；3、使用离线大模型对文本摘要；以上对会话记录的各种处理操作，统称为AI应用的上下文管理，即让AI理解用户之前的意图。接下来将开启有关RAG部分的AI应用开发教程介绍。一、什么是RAGR... 前面的文章依次介绍了如何截断历史会话的对话记录，包括按照记录数量截断、按照Token长度截断，以及浓缩为摘要截断等等，其中摘要操作又分为三大类：1、使用第三方的摘要库对文本摘要；2、使用在线大模型对文本摘要；3、使用离线大模型对文本摘要；以上对会话记录的各种处理操作，统称为AI应用的上下文管理，即让AI理解用户之前的意图。接下来将开启有关RAG部分的AI应用开发教程介绍。一、什么是RAGR...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签