AI学习笔记

一、 为什么要学 RAG？ 很多人玩大模型（LLM）都有个烦恼：AI 经常一本正经地胡说八道（幻觉），或者不知道最近发生的事。 RAG（检索增强生成） 的出现，就是为了解决这个问题。它不是去重新训练模

很多人在使用 AI 时会发现：让它写个短句它很行，但让它开发一个完整的系统，它就会顾头不顾尾，甚至陷入逻辑死循环。这是因为模型本质上是“逐词预测”的，它缺乏对复杂任务的长远构思。 为了解决这个问题，A

大模型有一个致命的弱点：知识滞后。它的知识停留在训练结束的那一天（训练剪裁期）。如果你问它“今天早上的天气预报”或者“你们公司的最新报销政策”，它只会一本正经地胡说八道（幻觉）。 RAG (Retri

很多初学者有一个误区：认为大模型天生就会对话。其实不然，原始的底座模型（Base Model）只会“续写”。如果你问它“北京的首都在哪？”，它可能会接着写“上海的首都在哪？”。 它是如何变成现在这种能

在上一篇中，我们知道了 AI 把文字拆成了 Token，并给它们分配了空间坐标（Embedding）。但问题来了：孤立的单词是没有意义的。 比如“苹果”这个词： 在“苹果很好吃”里，它是水果。 在“苹

当我们输入“你好，帮我写个代码”时，大模型（LLM）看到的并不是这些汉字，而是一串冰冷的数字。要理解 2026 年那些复杂的 MCP 或 Skills，我们得先看清模型底层的两个基本动作：拆解（Tok