作者 | Sean Goedecke 编译 | 岳扬 如果你让大多数人说出 AI 生成文本的一个标志性特征，他们很可能会说破折号 —— 就像这样。语言模型对破折号的使用已频繁到让真正喜爱破折号的真人使

作者 | Drew Breunig 编译 | 岳扬 01 缓解与避免上下文失效问题 早前发布我们发布过《How Long Contexts Fail》[1]，本文我们再来系统探讨能够减轻或完全避免这些

作者 | Improving Agents 编译 | 岳扬 在讨论基于 AI 的系统的可靠性时，有一个简单却常被忽视的问题：究竟用什么格式向大语言模型传递表格数据最合适？ 应该用 Markdown t

作者 | Vivedha Elango 编译 | 岳扬 检索增强生成（RAG）是当前构建生成式 AI 应用最热门的框架。企业机构青睐它，因为它能利用专有数据来回答用户问题，使大语言模型能够为用户提供精

作者 | JS Denain and Anson Ho 编译 | 岳扬 从理论上讲，现代大语言模型能够一次性处理相当于多本书籍的文本量。以 Gemini 2.5 Pro 为例，其上下文窗口达到 100

Dan Koe 的 “A Prompt To Reset Your Life In 30 Days” ，常被简称为 “The Life Reset Map Prompt”。 它帮助用户通过系统访谈、反

RAG实操教程: langchain+Milvus向量数据库创建你的本地知识库 本篇文章是 Milvus 向量数据库学习的总结篇，打造自己的知识库系统。 RAG是什么 RAG 是retrieval-a

一篇文章带你学会向量数据库Milvus（二） 上一篇文章 一篇文章带你学会向量数据库Milvus（一）我们我们学习了 Milvus 向量数据库的数据库管理，集合管理，schema 管理。这一篇文章我们

作者 | Martin Alderson 编译 | 岳扬 我总听人说 AI（尤其是推理环节）是台烧钱机器[1-3]。表面上看这种说法似乎有道理，但我一直对这类论断持保留态度，因此决定深入探究一番。 目

应该使用哪个向量数据库？选择最适合您需求的一款 介绍 向量数据库已成为存储和索引非结构化和结构化数据表示的首选位置。这些表示称为向量嵌入，是由嵌入模型生成的。向量存储在利用深度学习模型（尤其是大型语言

作者 | Finn 编译 | 岳扬 Cursor 大概是过去几年里最令人印象深刻的初创公司： 12 个月内年度经常性收入（ARR）突破 1 亿美元， 据报道不久后便突破了 2 亿美元， 紧接着 Tec

使用coze扣子搭建智能bot「程序员的工具箱」的思考和总结： 大模型已经火了快 2 年的时间了，从简单的文字处理的单一场景到到现在的企业迫切需要 LLM 在更多的场景赋能的时代。大众也从简单问答

作者 | Philipp Schmid 编译 | 岳扬 上下文工程（Context Engineering）是一个在人工智能领域逐渐走红的新术语。行业内讨论的焦点正从“提示词工程”（prompt en

作者 | Alessio Fanelli 编译 | 岳扬 在 AI 安全领域，“自我改进（Self-Improving）”是个令人不安的术语，它暗含着“机器将以人类无法理解的方式超越人类智慧”的意思。

使用谷歌 Gemini API 构建自己的 ChatGPT（一） AI领域一直由OpenAI和微软等公司主导，而Gemini则崭露头角，以更大的规模和多样性脱颖而出。它被设计用于无缝处理文本、图像、音

作者 | Roy Derks 编译 | 岳扬 Model Context Protocol (MCP) 已成为构建智能体时使用工具调用（tool calling）的标准，但恰恰相反，你的 LLM 并不

作者 | Austin Lyons 编译 | 岳扬 本系列文章将用轻松的方式聊聊网络与 GPU。这个话题很重要，但可能显得有些枯燥或深奥。请耐心听我道来！ 01 训练动机 训练大语言模型需要海量的浮点

作者 | codelink 编译 | 岳 扬 AI Agent 是当前的一个热门话题，但并非所有 AI 系统都需要采用这种架构。 虽然 Agent 具有自主决策能力，但更简单、更具成本效益的解决方案往

作者 | Florian June 编译 | 岳扬 对于 RAG 系统而言，从文档中提取信息是一个不可避免的情况。最终系统输出的质量很大程度上取决于从源内容中提取信息的效果。 过去，我曾从不同角度探讨