AI探索栏

本文深入分析Streamable HTTP协议的技术特性，说明其在大模型LLM+MCP调用场景中的应用实践，并分析该场景中选择Streamable HTTP作为基础通讯协议的优势。

本文以大模型流式输出为起点，深入对比几种流式传输机制，从轮询机制、WebSocket长连接、SSE再到Streamable HTTP等，从延迟、带宽效率、实现复杂度、浏览器兼容性等维度进行对比分析。

建议Coze知识库提供召回测试或者检索测试能力，方便开发者快速验证知识检索效果，或者在工作流调试中将检索出错信息输出。

本文从落地使用角度，按用途对大模型做个梳理和分类，方便大家对号入座，对照自己的业务场景，能明确落地时应该选择哪类模型。

笔者结合实际项目落地经验，从信息化视角梳理AI基础技术体系，对应投入成本和落地难度从小到大分别是LLM对话<RAG<AI Agent<Training。

本文对LLM“训练”领域涉及到一些常用概念，如预训练、后训练、监督微调、强化学习、低秩适应、奖励模型等进行梳理汇总，并结合DeepSeek和Qwen两个模型案例进行说明，方便像我一样非专业人士阅读理解

用AI编程插件还是用独立IDE，AI能力有哪些？辅助编程、智能问答、AI程序员，能否对接本地大模型？是否可以不花钱？

对我来说Trae用得最爽的点是智能问答助手，针对调试问题一键智能提问发给LLM，针对LLM反馈结果还能一键采纳智能修改代码。

RAGFlow官网几种切片方法只有一些简单描述和英文截图，其他介绍文章也基本只是简单搬运工，比如同样一篇文档分别用Manual方式、Book方式、Laws方式切片后结果有多少差异？本文详细对比分析。

针对当下大模型比较成熟的几种应用模式，包括智能问答、RAG、Agent、Agent+MCP等等，通过提示词来分析其使用机制的差异。

我用coze配置了一个有关中考智能问答的工作流，其中有个知识检索节点，配置了相应的知识库，但是检索时结果一直为空，跟踪了调试过程的各个执行环节没发现错误原因，找各位掘友来帮忙了。

本文介绍ReAct框架Agent和传统workflow方式之间的区别，顺带说明其依赖的FunctionCall能力，以及升级到最新MCP的变化。

通过腾讯元器创建智能体，选择DeepSeek大模型，发布成元宝小程序，就可以在微信中分享和访问了，也可以对接到微信公众号的自定义菜单，方便运营对接。

怎么在普通笔记本上私有化deepseek，实现个人资料的安全保密，同时又能享受deepseek的深度思考和总结提炼能力。