本文介绍了有赞 AI 在企业内研发全流程的落地实践，围绕研发的设计、编码、测试阶段落地 AI 能力；过程中建设了 Agent 评测体系，不断反馈，持续迭代；

引言：为什么文档解析是RAG的基石？ 在RAG（检索增强生成）系统中，文档解析是整个知识库构建的第一步，也是最关键的一步。就像建房子需要打好地基一样，良好的文档解析质量直接决定了后续检索和生成的效果。

本文主要是个人学习知识蒸馏的一个记录，欢迎大家积极讨论，有问题的地方还希望不吝赐教，一起学习共同进步

本文详细记录了通过LoRA技术优化唐诗生成模型的过程。初始阶段模型表现欠佳，出现内容重复和格律混乱等问题，损失值高达1.7467。通过系统性参数调整（包括将LoRA秩从4提升至16、优化学习率和训练轮

本文整理自高德数据开发工程师、赵宇在 Streaming Lakehouse Meetup上的分享。聚焦高德地图轨迹服务在实时湖仓方向的落地实践。

🌱 引言：当 AI 思考“我是谁，我能决策吗？” 我们似乎正生活在这样一个时代： 当你纠结午餐吃麻辣香锅还是沙拉时，AI 已经能根据你的体重曲线、心率波动、甚至前天点的外卖，提前为你决定好“今天吃什么

2025年12月GitHub十大热门：从claude-mem到CosyVoice，Agent持久记忆、可视化构建、终端开源替代、语音生成全面突破，2025年完美收官！

在基于大模型的AI应用设计上，存在着两种不同的模式：智能体(Agents)和工作流(WorkFlows)。业界把智能体和工作流以及它们的混合体统称为Agentic AI。设计Agentic AI系统的

📖 第一章：故事的开始 一个真实的业务需求 2024年1月的某个周一早晨，阳光透过办公室的落地窗洒进来。产品经理小王手里拿着iPad，急匆匆地走进开发组办公室。大家还在喝着咖啡，讨论周末的电影。

🧠 Claude Code 使用心法： 「不是人驯AI，是人和AI共舞——前提是，你得先递上舞伴证」 🌟 先说结论：Claude Code 的「灵魂」不是模型，而是—— 这三点，缺一不可。 模型再强，

一、核心架构概述 OoderAI是一套 企业级 AI 解决方案以“AI 大脑”为核心驱动，联动三大核心套件（SkillFlow 流程套件、A2UI 画布套件、OneCode 环境套码套件）构建全链路技

在AI编程工具普及的当下，软件企业正面临双重困境：一方面，AI生成能力碎片化，代码、测试、优化工具各自为战，难以形成协同合力；另一方面，传统开发流程的跨角色协作壁垒、流程节点割裂、能力复用难等问题被放

RAG核心升级｜多LLM模型动态切换方案 一、多模型切换核心价值 传统RAG架构绑定单一LLM模型，无法适配多样化的问答场景；而多模型动态切换方案可根据场景/需求灵活选择最优模型，核心价值如下： 场景

对技术人员鸡肋，但对非技术人员来说，screen-to-code 操作简单！还原度也能高达 90% 以上，还是值得一试。

本文结合真实项目，回顾 2025 年 AI 编程关键节点，总结我稳定使用的技术栈与工作流，并对 2026 年的趋势做出判断。

AI 向右，社区向左 站在 2025 的尾巴上回望，这确实是极具撕裂感的一年。 一方面，AI 技术像一列高速列车，轰鸣着向着更强的逻辑、更高的效率、更极致的自动化狂奔——我称之为 “向右” ；另一方面

「题目开了一个玩笑，只为了感叹大模型正在改变这个世界」 全世界程序员 Ctrl+C / Ctrl+V  灵感源泉的 Stack Overflow 的月度新增问题数几乎已经为 0 了...

引言 在 Spring AI Alibaba（以及更广泛的 Spring AI 和 LangChain 生态系统）中，RunnableConfig 和 OverallState是构建Agent（智能体

Claude Code 之父总结的13条高效编码技巧，哪些真能提效？哪些需本土化改造？结合 Cursor、Trae 实战经验，聊聊我的理解、取舍与落地建议。