AI大模型技术星球

为构建可靠、可维护且可扩展的 LLM 应用，避免一些非确定性 AI 组件带来的一些意图理解的偏差、上下文管理的混乱、人机协作的断层等问题，我将通过12-Factor Agents框架，提炼出了12项原

一、ReAct 模式：AI 代理的“思考-行动”循环 ReAct（Reasoning + Action）是一种让大语言模型（LLM）自主完成任务的核心架构。与传统直接生成答案的模式不同，ReAct 要

1. 什么是Prompt（提示词）？在AI大模型语境下，它的核心作用是什么？ 答案：  Prompt是用户提供给大语言模型（LLM）的输入文本或指令，用于引导和激发模型生成符合期望的输出。它的核心作用

智能体在执行长期任务时，上下文窗口（类似计算机的RAM）的容量有限，易导致性能下降、成本飙升或幻觉问题。上下文工程正是为解决这些问题而生。它通过精心筛选、存储和优化上下文信息，确保智能体高效运行。本文

引言：分块——RAG系统的命脉 在RAG架构中，分块是连接原始文档和语义检索的桥梁。它决定了嵌入模型能否精准捕捉文本语义，以及LLM能否生成高质量回答。许多开发者误以为“越大越好”，直接将整篇文档喂给

为了帮助大家从底层更好地理解 RAG 的工作原理，带你撕开技术黑箱，仅用numpy等Python基础库构建RAG系统，从零手撕RAG内核！从文本划分、向量化、相似度检索到生成优化，逐行代码解剖检索增强

一、MCP vs Function Call：本质差异与协议优势 核心能力对比 协议层创新： 关键突破：通过context字段实现跨工具会话状态保持，解决复杂任务中的信息孤岛问题。 二、环境配置：跨平

从理论到实践，全面解析RAG性能瓶颈与高阶优化方案。 一、RAG核心架构全景图 RAG性能瓶颈分析 二、检索阶段深度优化 1. 多路召回架构实现 2. 重排序优化（Cross-Encoder） 优化效

一、Transformer训练过程深度剖析 1.1 训练流程全景图 1.2 关键训练技术 1.2.1 教师强制（Teacher Forcing） 1.3 损失函数与优化策略 损失函数选择： 分类任务：