- 本文系统阐述了检索增强生成（RAG）系统的全链路优化方案，针对实际应用中常见的召回不准、效果差等问题提出了完整的工程解决方案。全文围绕RAG五大核心环节展开：1）文档解析清洗，强调剔除冗余信息的重要性；2）文本分块策略，对比固定分块、层级分块和语义分块的优劣；3）双路检索机制，分析向量检索与BM25检索的互补优势；4）多路结果融合，介绍RRF算法的应用；5）重排序优化，说明精细化筛选的关键作用。文 本文系统阐述了检索增强生成（RAG）系统的全链路优化方案，针对实际应用中常见的召回不准、效果差等问题提出了完整的工程解决方案。全文围绕RAG五大核心环节展开：1）文档解析清洗，强调剔除冗余信息的重要性；2）文本分块策略，对比固定分块、层级分块和语义分块的优劣；3）双路检索机制，分析向量检索与BM25检索的互补优势；4）多路结果融合，介绍RRF算法的应用；5）重排序优化，说明精细化筛选的关键作用。文
- 本文系统剖析了大模型API在生产环境中的四大核心底层能力：流式输出原理、Token全生命周期管控、RateLimit限流处理和模型调度与异常自愈。文章首先指出多数线上故障源于对API底层机制认知不足，而非模型推理问题；进而详细拆解了API运行流程，区分同步与流式输出模式的差异；重点阐述了流式传输的SSE/WebSocket实现方案及KVCache机制。在Token管理方面，提出覆盖调用前中后的全流 本文系统剖析了大模型API在生产环境中的四大核心底层能力：流式输出原理、Token全生命周期管控、RateLimit限流处理和模型调度与异常自愈。文章首先指出多数线上故障源于对API底层机制认知不足，而非模型推理问题；进而详细拆解了API运行流程，区分同步与流式输出模式的差异；重点阐述了流式传输的SSE/WebSocket实现方案及KVCache机制。在Token管理方面，提出覆盖调用前中后的全流
- 面向多云、异构数据库和持续数据流转的环境，平台能力需要同时覆盖开发接入、治理控制、迁移评估与复制运行。NineData 7 月版本围绕这一链路增加多类型数据源支持，并在安全治理、复制稳定性和 AI 配置体验方面持续完善。扩展 SQL 开发层的异构数据源连接能力从平台能力建设看，本轮调整中，SQL 窗口和 SQL 任务补充 MaxCompute，SQL 窗口新增 AWS Redshift 与 ... 面向多云、异构数据库和持续数据流转的环境，平台能力需要同时覆盖开发接入、治理控制、迁移评估与复制运行。NineData 7 月版本围绕这一链路增加多类型数据源支持，并在安全治理、复制稳定性和 AI 配置体验方面持续完善。扩展 SQL 开发层的异构数据源连接能力从平台能力建设看，本轮调整中，SQL 窗口和 SQL 任务补充 MaxCompute，SQL 窗口新增 AWS Redshift 与 ...
- 文章摘要： Skill工程是构建AIAgent能力体系的核心，通过模块化封装、标准化编排和智能调度，解决大模型在复杂业务场景中逻辑混乱、执行不稳定等问题。Skill分为原子技能（基础能力单元）和复合技能（业务场景组合），需遵循单一职责、输入输出标准化等设计原则。关键实现包括分层封装（工具层、原子层、业务层）、四大编排模式（串行、并行、分支、循环）及智能路由调度（规则、语义、向量匹配）。优化方向涵盖 文章摘要： Skill工程是构建AIAgent能力体系的核心，通过模块化封装、标准化编排和智能调度，解决大模型在复杂业务场景中逻辑混乱、执行不稳定等问题。Skill分为原子技能（基础能力单元）和复合技能（业务场景组合），需遵循单一职责、输入输出标准化等设计原则。关键实现包括分层封装（工具层、原子层、业务层）、四大编排模式（串行、并行、分支、循环）及智能路由调度（规则、语义、向量匹配）。优化方向涵盖
- 上下文工程：大模型落地的核心方法论 本文系统阐述了上下文工程作为大模型应用底层基石的重要性与实施框架。不同于零散的提示词优化，上下文工程是一套体系化的信息管理方法论，通过四大核心策略解决大模型实际应用中的关键问题： 窗口管理 - 精细化分配Token资源，采用滑动窗口、动态预算等策略防止信息溢出 消息编排 - 结构化组织信息流，利用大模型首尾注意力偏好提升关键信息识别率 记忆压缩 - 通过摘要提炼 上下文工程：大模型落地的核心方法论 本文系统阐述了上下文工程作为大模型应用底层基石的重要性与实施框架。不同于零散的提示词优化，上下文工程是一套体系化的信息管理方法论，通过四大核心策略解决大模型实际应用中的关键问题： 窗口管理 - 精细化分配Token资源，采用滑动窗口、动态预算等策略防止信息溢出 消息编排 - 结构化组织信息流，利用大模型首尾注意力偏好提升关键信息识别率 记忆压缩 - 通过摘要提炼
- 在企业级 Oracle 数据库运维中，长事务的发现和处置是衡量运维成熟度的重要维度。缺乏结构化诊断流程的团队在面对长事务时，响应时间不可控，处置质量高度依赖个人经验。ChatDBA 提供面向 Oracle 长事务的标准化诊断能力，可作为企业运维体系的一环来建设和复用。构建长事务诊断能力的三个基础第一是事务运行时的状态采集，包含持续时间、会话信息、SQL 历史、锁等待和 undo 使用量，这些... 在企业级 Oracle 数据库运维中，长事务的发现和处置是衡量运维成熟度的重要维度。缺乏结构化诊断流程的团队在面对长事务时，响应时间不可控，处置质量高度依赖个人经验。ChatDBA 提供面向 Oracle 长事务的标准化诊断能力，可作为企业运维体系的一环来建设和复用。构建长事务诊断能力的三个基础第一是事务运行时的状态采集，包含持续时间、会话信息、SQL 历史、锁等待和 undo 使用量，这些...
- OpenAgenet（OAN）是面向智能体互联网的去中心化治理框架，聚焦资源身份（did:oan）、节点授权、可信注册与可验证发现，构建跨平台、多主体协作的治理基础设施，推动智能体网络从连接走向可信协同。 OpenAgenet（OAN）是面向智能体互联网的去中心化治理框架，聚焦资源身份（did:oan）、节点授权、可信注册与可验证发现，构建跨平台、多主体协作的治理基础设施，推动智能体网络从连接走向可信协同。
- OpenAgenet（OAN）将区块链作为智能体互联网的治理锚点，不存储业务数据，而是可信记录节点授权、状态变更、准入规则等治理事实，实现跨组织协作中的可验证、可审计、可追溯，推动Agent网络从松散连接迈向可信互联。 OpenAgenet（OAN）将区块链作为智能体互联网的治理锚点，不存储业务数据，而是可信记录节点授权、状态变更、准入规则等治理事实，实现跨组织协作中的可验证、可审计、可追溯，推动Agent网络从松散连接迈向可信互联。
- OpenAgenet（OAN）致力于解决智能体生态中资源（Agent/Skill/MCP Server/Tool等）日益增多导致的管理难、发现难、验证难问题。它以DID身份、授权域与能力标签为核心，构建可注册、可发现、可验证的标准化资源基础设施，推动智能体互联网走向可信协同。 OpenAgenet（OAN）致力于解决智能体生态中资源（Agent/Skill/MCP Server/Tool等）日益增多导致的管理难、发现难、验证难问题。它以DID身份、授权域与能力标签为核心，构建可注册、可发现、可验证的标准化资源基础设施，推动智能体互联网走向可信协同。
- 智能体互联网需解决“智能体如何可信连接外部资源”，`did:oan` 是 OpenAgenet 提出的分布式标识机制，专为 Agent 资源设计：统一标识身份、元数据、能力、授权与发现路径，支持跨平台验证、迁移与治理，助力构建可信、可发现、可协作的智能体资源网络。 智能体互联网需解决“智能体如何可信连接外部资源”，`did:oan` 是 OpenAgenet 提出的分布式标识机制，专为 Agent 资源设计：统一标识身份、元数据、能力、授权与发现路径，支持跨平台验证、迁移与治理，助力构建可信、可发现、可协作的智能体资源网络。
- OpenAgenet（OAN）是面向智能体生态的开源基础设施项目，聚焦解决“资源可信接入、统一表达、发现与复用”这一核心瓶颈。它将MCP Server、Skill、API等能力抽象为可注册、可验证、可语义发现的治理对象，支持跨节点协作与授权域管理，助力Agent平台构建安全、可扩展的资源互联网络。 OpenAgenet（OAN）是面向智能体生态的开源基础设施项目，聚焦解决“资源可信接入、统一表达、发现与复用”这一核心瓶颈。它将MCP Server、Skill、API等能力抽象为可注册、可验证、可语义发现的治理对象，支持跨节点协作与授权域管理，助力Agent平台构建安全、可扩展的资源互联网络。
- 2026年，能源供应链的智能化正在从“单点智能”走向“群体智能”。单一Agent能力再强，也只能解决某个环节的问题——采购Agent管不了库存，物流Agent管不了质检，调度Agent管不了供应商。当这些Agent各自为政时，它们之间“不说话、不协作”，结果就是每个环节都优化了，但整条链还是卡着。多智能体系统（Multi-Agent System, MAS）正是为解决这个问题而生。清华大学2... 2026年，能源供应链的智能化正在从“单点智能”走向“群体智能”。单一Agent能力再强，也只能解决某个环节的问题——采购Agent管不了库存，物流Agent管不了质检，调度Agent管不了供应商。当这些Agent各自为政时，它们之间“不说话、不协作”，结果就是每个环节都优化了，但整条链还是卡着。多智能体系统（Multi-Agent System, MAS）正是为解决这个问题而生。清华大学2...
- 文章摘要：本文深入探讨了AI Agent架构的三大核心模式：Reason-Act-Observe基础循环、ReAct交替执行架构和Plan-and-Execute规划执行架构。通过对比分析指出，RAO循环是底层核心逻辑，ReAct是其工程化升级版本，而Plan-and-Execute则是针对复杂任务的进阶架构。文章详细阐述了各架构的设计思想、执行流程、适用场景及实现难点，并通过代码示例演示具体应用 文章摘要：本文深入探讨了AI Agent架构的三大核心模式：Reason-Act-Observe基础循环、ReAct交替执行架构和Plan-and-Execute规划执行架构。通过对比分析指出，RAO循环是底层核心逻辑，ReAct是其工程化升级版本，而Plan-and-Execute则是针对复杂任务的进阶架构。文章详细阐述了各架构的设计思想、执行流程、适用场景及实现难点，并通过代码示例演示具体应用
- 在企业数字化转型进程中，AI Agent 正从辅助建议角色向自主执行角色演进。当其操作域扩展至生产数据库时，统一身份认证、细粒度权限控制、SQL 合规检查、结构化变更审批和完整操作审计构成了企业安全架构中不可裁剪的防御层次。 NineData Skill 为企业提供了一条符合安全架构原则的 Agent 数据库接入路径：在释放 AI 执行效能的同时确保所有数据库操作持续处于企业统一治理框架 在企业数字化转型进程中，AI Agent 正从辅助建议角色向自主执行角色演进。当其操作域扩展至生产数据库时，统一身份认证、细粒度权限控制、SQL 合规检查、结构化变更审批和完整操作审计构成了企业安全架构中不可裁剪的防御层次。 NineData Skill 为企业提供了一条符合安全架构原则的 Agent 数据库接入路径：在释放 AI 执行效能的同时确保所有数据库操作持续处于企业统一治理框架
- 2026年，金融财务审核正站在一个关键的分水岭上。Gartner预测，到2026年底，40%的企业应用将嵌入具备任务执行能力的AI智能体。金融财务审核场景因高频、规则明确、流程标准化，成为Agentic AI最易规模化落地的领域之一。但选型困境也随之而来：市面上有的工具靠大模型“理解”业务，有的靠规则引擎“执行”流程，有的则试图融合两者。这些方案到底有什么区别？谁更适合你的场景？本文横评6大... 2026年，金融财务审核正站在一个关键的分水岭上。Gartner预测，到2026年底，40%的企业应用将嵌入具备任务执行能力的AI智能体。金融财务审核场景因高频、规则明确、流程标准化，成为Agentic AI最易规模化落地的领域之一。但选型困境也随之而来：市面上有的工具靠大模型“理解”业务，有的靠规则引擎“执行”流程，有的则试图融合两者。这些方案到底有什么区别？谁更适合你的场景？本文横评6大...
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
热门标签