雍一辰

大家好， 如果你正在阅读这篇文章，我猜你可能和我一样，对 Mendix 的潜力深信不疑，但也对其在现实世界复杂场景中的应用现状感到一丝焦虑。 过去几年，低代码承诺让我们“快 10 倍”。我们确实做到了

数据质量的“第一物理定律” 在 RAG（检索增强生成）系统的构建中，开发者往往沉迷于模型参数的微调或向量数据库的选型，却忽略了一个残酷的现实：检索的上限由文档解析的分辨率决定。

在上一章，我们将 RAG 定义为企业级 AI 的“外挂知识库”。现在，我们要推开这个黑盒的引擎盖，像拆解内燃机一样，从零部件级别审视 RAG 的内部构造。 RAG 并非单一的技术，而是一条精密的数据

在 2024 年至今的大模型落地浪潮中，技术团队最常听到的业务诉求往往是：“我们需要一个懂公司业务、懂内部流程、且不会乱说话的 AI。” 面对这一诉求，技术选型层面的第一个十字路口通常是？

大模型军备赛接近尾声，真正的差距正在从“模型有多强”转向“AI 生产线有多稳”。本文从中国大模型、模速空间、AI 中试基地和联想 AI 工厂等最新动向出发，用“AI 工厂”视角拆解企业该如何重画业务

MCP协议的角色和功能定位 模型上下文协议（Model Context Protocol, MCP） 是由Anthropic公司（Claude模型的发布方）提出的一种开放协议

人工智能领域近期出现了两个容易混淆的概念：“Agent AI”（通常指人工智能代理）与“Agentic AI”（通常译作能动型人工智能或具代理能动性的AI）。

在构建 AI 问答系统、企业知识助手或智能体 Agent 的过程中，Retrieval-Augmented Generation（RAG） 已成为最常用的架构范式。

曾经想过企业如何跟上数字转型的快速步伐吗？答案可能就在于低代码和超自动化的强强联合。想象一下：低代码的简单快捷与超自动化的广度和深度相结合。这就像技术世界的花生酱与果酱——它们搭配起来更好！