前言 在AI技术爆发的这两年，我发现了一个有趣的现象。 当大家都在讨论大模型有多强大时，真正落地的AI应用却往往卡在一个看似不起眼的环节：数据的检索和记忆。 你有没有想过，为什么智能客服能记住你之前的

前言 相信你看到这篇文章的时候，已经对RAG的应用有了一个初步的概念。 无非就是先接个向量库，然后把文档灌进去，再让大模型回答。 看起来似乎很简单。 但是真做起来就会发现，实现确实很简单，但难度在于回

最后，想跟大家说：不要怕被 AI 淘汰。真正的竞争不是你 vs AI，而是会用AI的你 vs 不会用AI的你。

精心汇总了全网最主流实用的 Agent Skills 资源，从 Skills 入门教程、Skills 安装管理工具、Skills 资源合集、再到推荐安装的 Skills，一条龙服务，墙裂建议收藏备用！

「从零实现 RAG：基于 LangChain 的企业级问答系统实战」 项目架构与技术选型 1.1 什么是 RAG？ RAG（Retrieval-Augmented Generation）是一种结合文档

面试官:现在大家聊的 LLM、Agent、RAG、Function Calling、Skill 这些你怎么看？

这篇文章不搞概念堆砌，而是从一个后端工程师的视角，把 Agent、RAG、Skill、MCP 这四个高频词拆开、讲透。

近年来，随着Transformer、MOE架构的提出，使得深度学习模型轻松突破上万亿规模参数，从而导致模型变

本文对大模型从原理及结构上做了简单的介绍，希望能给各位在了解大模型的路上提供一些帮助。个人经验有限，说的不对的地方还请及时提出宝贵的意见，也可以联系本人线下讨论。下期会结合我们在财富领域训练大模型的经