首页
沸点
课程
APP
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
AI 应用开发完全指南
梅头脑
创建于2026-07-15
订阅专栏
面向后端开发者的 AI 工程化实践指南。从 LLM 原理、RAG、Agent 到图片生成与模型部署,8 篇正刊 + 配套附录,以代码落地为导向。
暂无订阅
共5篇文章
创建于2026-07-15
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
Demo 3天写完,上线花了3周——AI工程化的安全/成本/可观测性/部署,每条都是真实踩坑经验
AI 工程化实践与 PrismAI 全景 一、内容安全纵深防御 AI 应用的内容安全不只是 Prompt Injection 防护,而是输入→模型→输出的三层纵深防御。 第一层:输入安全(用户给 LL
写了3年代码才看懂Agent:核心不到50行的ReAct循环,才是AI应用开发的"操作系统"
Agent 的本质:ReAct 循环与 MCP 协议 Agent 的本质不是"更聪明的模型"——是一个不到 50 行的 while 循环。Thought(分析现在该干什么)→ Action(调工具执行
Embedding模型和LLM不是同一个东西!RAG核心组件深度剖析
RAG 核心组件深度剖析:Embedding 模型与向量数据库 一、两个模型的本质区别 1.1 它们不是同一个东西 RAG(检索增强生成)流程中存在两种完全不同的模型,各司其职: 1.2 类比理解 对
RAG Demo 3天跑通,上线又磨了2周——这10个工程坑,中文场景几乎全踩一遍
RAG 从入门到工程落地 阅读约 20 分钟 | 系列第 2/14 篇 一、RAG 解决了什么问题 LLM 有两大先天缺陷:① 知识截止日期(训练数据有终点)② 幻觉(对训练数据外的问题可能编造答案)
AI应用开发全景:6组件模型+MCP/Skills/Hooks三层脚手架,从入门到能动手
前言:为什么学 AI 应用开发 2024-2026 年,AI 领域发生了根本性变化:大模型能力从"能用"到"好用",开发门槛从"需要 PhD + GPU 集群"降到"会调 API 就能搭应用"。对后端