- 如何避开80% AI项目失败率？ 如何避开80% AI项目失败率？
- 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2... 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2...
- 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：...
- 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...
- 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...
- AI正在改变软件研发的工作方式。工程师写代码、写测试、查问题的效率会越来越高。但真正拉开差距的，不只是工具用得快，而是能不能理解业务问题，能不能用数据判断结果，能不能把技术工作和业务改善联系起来。 AI正在改变软件研发的工作方式。工程师写代码、写测试、查问题的效率会越来越高。但真正拉开差距的，不只是工具用得快，而是能不能理解业务问题，能不能用数据判断结果，能不能把技术工作和业务改善联系起来。
- 我们一起来思考一个问题 我们一起来思考一个问题
- 上一篇文章末尾使用了在线大模型压缩文本生成摘要，但该方式会消耗Token，不便初学者长期使用，更好的办法是采用离线大模型来生成文本摘要。一、离线大模型的种类国内常用的离线大模型有阿里Qwen、智谱GLM、深度求索DeepSeek、百度文心等等，以千问的文本大模型为例，又有Qwen1.5-1.8B-Chat和Qwen1.5-0.5B-Chat两种。Qwen1.5是一系列不同大小的解码器语言模... 上一篇文章末尾使用了在线大模型压缩文本生成摘要，但该方式会消耗Token，不便初学者长期使用，更好的办法是采用离线大模型来生成文本摘要。一、离线大模型的种类国内常用的离线大模型有阿里Qwen、智谱GLM、深度求索DeepSeek、百度文心等等，以千问的文本大模型为例，又有Qwen1.5-1.8B-Chat和Qwen1.5-0.5B-Chat两种。Qwen1.5是一系列不同大小的解码器语言模...
- 【算法】强化学习中奖励和损失函数的关系奖励是环境的"评分"，损失函数是优化器的"指导手册"。奖励告诉我们"什么好什么坏"，损失函数告诉优化器"如何调整神经元的权重，让好的动作更可能发生"。在强化学习中，奖励是目标，损失函数是手段，两者缺一不可。 一、前言概念作用对象用途来源奖励 (Reward)策略（Policy）评估动作好坏环境给出损失函数 (Loss)神经网络参数更新网络权重基于奖励构... 【算法】强化学习中奖励和损失函数的关系奖励是环境的"评分"，损失函数是优化器的"指导手册"。奖励告诉我们"什么好什么坏"，损失函数告诉优化器"如何调整神经元的权重，让好的动作更可能发生"。在强化学习中，奖励是目标，损失函数是手段，两者缺一不可。 一、前言概念作用对象用途来源奖励 (Reward)策略（Policy）评估动作好坏环境给出损失函数 (Loss)神经网络参数更新网络权重基于奖励构...
- 那些宣称“没有流程更高效”的团队，大多局限于规模小、人数少、需求简单的场景。一旦项目扩容、跨部门协作增多，缺乏流程约束只会带来需求混乱、责任不清、重复返工等更多的问题，反而拖慢整体效率。 那些宣称“没有流程更高效”的团队，大多局限于规模小、人数少、需求简单的场景。一旦项目扩容、跨部门协作增多，缺乏流程约束只会带来需求混乱、责任不清、重复返工等更多的问题，反而拖慢整体效率。
- 前面两篇文章分别介绍了根据消息数量截断历史对话和根据Token长度截断历史对话，可是这两种方式有两个共同的问题：1、被删去的早期记录可能包含关键信息，直接截断会导致信息丢失。2、原始的对话记录可能存在重复、冗余、拖沓的文字内容。一、为什么要对原始记录做摘要要知道，重复、冗余、拖沓的文字内容并不高效，因为它的信息密度很低，很啰嗦，同样的意思使用更少的文字即可表达，完全没必要照搬原始的对话记录... 前面两篇文章分别介绍了根据消息数量截断历史对话和根据Token长度截断历史对话，可是这两种方式有两个共同的问题：1、被删去的早期记录可能包含关键信息，直接截断会导致信息丢失。2、原始的对话记录可能存在重复、冗余、拖沓的文字内容。一、为什么要对原始记录做摘要要知道，重复、冗余、拖沓的文字内容并不高效，因为它的信息密度很低，很啰嗦，同样的意思使用更少的文字即可表达，完全没必要照搬原始的对话记录...
- 上一篇文章说到按照消息数量来截断历史对话，这种方式有个问题，就是每次对话的内容可长可短，导致固定消息数量的对话内容忽长忽短。历史对话内容不光要存入数据库，还要作为初始提示词发给下次新会话的大模型。太长的提示词不仅冗余，还会消耗大量Token，让用户钱包快速缩水。太短的提示词容纳的信息量不足，难以起到充分记忆的功能。一、为什么统计Token个数而非文字个数改进方式是按照文字长度来截断历史对话... 上一篇文章说到按照消息数量来截断历史对话，这种方式有个问题，就是每次对话的内容可长可短，导致固定消息数量的对话内容忽长忽短。历史对话内容不光要存入数据库，还要作为初始提示词发给下次新会话的大模型。太长的提示词不仅冗余，还会消耗大量Token，让用户钱包快速缩水。太短的提示词容纳的信息量不足，难以起到充分记忆的功能。一、为什么统计Token个数而非文字个数改进方式是按照文字长度来截断历史对话...
- 当Agent开始调用工具、访问系统、执行任务、交付结果之后，企业到底应该如何承接这些能力，今天分享一下如何为企业构建一个Agent适配底座～ 当Agent开始调用工具、访问系统、执行任务、交付结果之后，企业到底应该如何承接这些能力，今天分享一下如何为企业构建一个Agent适配底座～
- 兄弟们，不知道你们有没有一种感觉：我们的工作，正在被AI悄悄“接管”。以前，写一个排序算法要查半天资料；现在，你注释写得够清楚，Copilot、Codex能直接给你生成整个模块。效率是上去了，但一个新的问题也随之而来：当AI成了“主力程序员”，我们这群原本的“码农”，是不是正在变成“AI驯兽师”或者“代码审查员”？最近，我们团队就做了一个大胆的实验：在一个内部项目中，让Codex担当60%的... 兄弟们，不知道你们有没有一种感觉：我们的工作，正在被AI悄悄“接管”。以前，写一个排序算法要查半天资料；现在，你注释写得够清楚，Copilot、Codex能直接给你生成整个模块。效率是上去了，但一个新的问题也随之而来：当AI成了“主力程序员”，我们这群原本的“码农”，是不是正在变成“AI驯兽师”或者“代码审查员”？最近，我们团队就做了一个大胆的实验：在一个内部项目中，让Codex担当60%的...
- Agent能力进入企业之后，Skill会逐渐成为一个绕不开的问题，一个Skill里可能包含任务说明、业务规则、参考模板、处理步骤，也可能包含脚本和工具调用方式。它不是简单的一段提示词，也不只是一个功能入口，更接近某类任务的经验包，今天分享一下企业如何管理团队生成的Skill～ Agent能力进入企业之后，Skill会逐渐成为一个绕不开的问题，一个Skill里可能包含任务说明、业务规则、参考模板、处理步骤，也可能包含脚本和工具调用方式。它不是简单的一段提示词，也不只是一个功能入口，更接近某类任务的经验包，今天分享一下企业如何管理团队生成的Skill～
上滑加载中
推荐直播
-
用码道，让你的AI作品三步上朋友圈2026/08/04 周二 19:00-20:00
林华鼎-华为云AI开发者运营负责人
从入门 · 到做AI应用 · 到企业级开发。不教编程，只教用AI · 零代码、有产出、能带走、可炫耀 · 每课人人动手实操
回顾中 -
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 -
基于华为云码道，构建你的定制化AI搭子2026/08/14 周五 09:00-11:30
明亮-华为云开发者发展与支持部部长
本期直播将向您全面介绍华为云码道产品，并基于码道手把手教你部署自己的定制化AI陪伴搭子。
回顾中
热门标签