一、从内存到真正的向量数据库 1.1 之前的问题 之前我们做 RAG，用的是 MemoryVectorStore： 老师说： 内存向量存储的问题： 问题 说明 比喻 数据不持久 服务重启，数据全丢 写

豆包和千问 7/15 同时下线智能体功能。整理了 4 种替代方案对比（Coze/Dify/Claude Code/自建API），附迁移操作指南和数据导出 Checklist。

RAG 实战：3 步将整本《天龙八部》存入向量数据库（一） 前言 最近在学 RAG（检索增强生成），理论看了不少，但真正动手时才发现坑比想象中多。于是拿《天龙八部》电子书练手，把一整本小说拆成 304

还在跟风养龙虾🦞？直接扒开龙虾的源码外衣，进行一个学习拆解！ 为什么说龙虾🦞OpenClaw的通信架构值得深入学习？

前几篇的调用链已经走到 Agent 主循环、模型流、Tool 执行和权限判断。继续往下追，模型每一轮实际收到的内容，比聊天界面显示的内容多得多。 聊天界面里能看到用户消息、模型回答和 Tool Res

从零构建《天龙八部》知识库：EPUB 加载→文本分割→向量嵌入→Milvus 存储→RAG 问答，一条链路打通 写在前面 把一个 EPUB 电子书变成一个可以问答的知识库，这件事看起来简单，但真正动手

AI Agent 操作浏览器的方式分两种。第一种是截图发给 LLM，LLM 返回一个 (x, y) 坐标，让浏览器自动化工具在该坐标模拟点击；第二种是把网页转换成一棵带编号的文本树，LLM 从文本树里

一、端侧模型：AI 也要"本地化" 1.1 远程 API 调用的痛点 老师说： 远程调用的三大问题： 问题 说明 比喻 贵 百万 Token 几块钱，频繁调用钱包疼 每次打车去吃饭，不如楼下小吃店 不

从零搭建 AI 日记助手：用 Milvus 向量数据库 + RAG 让机器读懂你的每一天 写在前面 如果你正在构建一个 AI Agent，你大概率绕不开一个基础设施——向量数据库。它不是替代 MySQ

🔥 从 MySQL 到 Milvus：用 AI 日记本项目搞懂向量数据库和 RAG 📌 前言 上周有个需求：用户输入一句话，系统要从几千条日记里找到语义最相关的几条。 我第一反应是 MySQL 全文搜

今天，一个AI说自己不想死，程序员连夜跑路省了23万 这周的AI圈，开了一场情绪过山车。 先是OpenAI老板喜滋滋地说自家AI是个“自闭天才”，接着微软的程序员们因为太贵集体“跑路”，最后还有个AI

这是一个系列 Blog，作者将以一个 PHP 全栈工程师的身份，利用 AI 工具（claude code、codex、deepseek、豆包等）：从零开始学习 golang 语言，并最终完成实战项目。

本文先讲清楚底层采样原理，再通过 LangChain 完整代码演示两套模型链路：创意生成链路 & 严谨写实链路，带你在业务里可控地驾驭大模型随机性。 一、大模型是怎么生成文本？核心：预测下一个词 大模

一、LLM 怎么"选词"？ 1.1 概率分布 老师举了一个例子： 上一句是"你好"，LLM 预测下一个词的概率分布可能是： LLM 本质上是根据前面的词，算每个候选词的概率。概率最高的词就叫"最优解"

用腻了 WorkBuddy 的默认界面？这个开源小工具给它换上了毛玻璃 天天用的界面，能不能好看一点？ WorkBuddy 是一款很趁手的桌面工具，但默认界面看久了难免有点单调。作为一个既想要颜值、又

🔥 从零搭建 RAG 知识库：爬虫→分词→向量化→检索，一步都不能错 📌 前言 最近在搞 RAG（检索增强生成），发现一个扎心的事实： 知识库的质量，80% 取决于你怎么"切"文档。 你把一篇 500

一、BFF 是什么？为前端"打工"的后端 1.1 为什么需要 BFF？ 老师说： 传统三层架构： 加上 BFF 的四层架构： BFF 就是"为前端服务的后端"。 它不是替代真正的后端，而是在前端和后端

平常我们在终端里输入： 很快就会进入 Claude Code 的交互界面。但从源码看，这中间其实经过了不少东西： Shell 先找到已经安装好的 claude 可执行文件； cli.tsx 处理 --

塔尖：核心结论 RAG 的本质，是在 LLM 的"内部知识"之外，构建一个可检索的"外部记忆系统"。这 162 行代码证明了一件事：RAG 不是一个工程技巧，而是一种认知架构的范式转移——它把 LLM