纯捡垃圾吃的

你好，我是冴羽。 这么正式的开头说明我有了一个大动作。 是的，我创建了自己的知识星球：“冴羽·前端大佬成长之路”。 重点一： 新的一年，我会在知识星球更新一套“前端大佬成长之路”的课程。 包含 目标规

如何高效地处理大量的消息请求以及服务稳定性的保障，成为了开发者需要面对的重要挑战。本文将探讨如何构建高性能的消息通知系统。

本篇文章将介绍我开发的基于大语言模型（LLM）的智能爬虫产品：Crawlab AI。虽然它还处于早期开发阶段，但已经展现出强大的潜力，有望让数据从业者轻松获取数据。

本文主要探讨了检索增强生成（RAG）系统在实际应用中存在的问题，以及如何通过解决语义失谐等问题，提高RAG的性能，使其更接近生产环境。

昨晚朋友推荐了一款好用的工具网站，我赶紧去试了试。在浏览了一遍网站后发现，简直 “太全面了”！ 之前在浏览器书签中，收藏了上百个工具网址，包括平时工作、学习和做自媒体时经常用到的。 但看完这个工具网站

从典型业务架构和技术架构进行分析，让大家初步能够了解我们都是在如何使用LLM的，从而大家在自己的实际落地场景中，也可以对照分析，如何建设自己的业务架构和技术架构，以及选择什么样的技术路线。

最近业务有需求：结合RAG+内容推荐，针对实践部分，做一点探究。 话不多说，直接开冲！ 背景 首先回顾一下 RAG 技术定义，它可以结合信息检索和生成模型的混合。简单来说，RAG = 预训练的语言模型

RAG常常陷入一周出Demo、半年用不好的窘境。本文分享Meduim深度好文探讨RAG应用程序常见的陷阱和成功部署的见解。

本文在LLM ReAct工作流程基础上探讨如何构建反思工作流，如何设计scratchpad，如何设计反思的Prompt，如何串联整个流程。你不学一下吗？