雷哥AI工程化

直接向大模型提问问题，即便使用提示语也不能很好的得到我们想要的结果，所以我们要考虑使用大模型的思考和推理能力，构建推理链来得到我们想要的答案，并格式化输出。

ReAct框架作为智能体的全能解决方案，通过每一步执行“思考”、“行动”、“观察”、“响应”的循环，有效解决用户问题。 然而，这一看似完美的流程背后却隐藏着一个致命缺陷。

通过AI Coding开发个Chrome插件，我用了两个小时。记录了整个实战过程，以及如何用好AI Coding。

介绍了一大堆模型思维，包括各个模型的优缺点，以及改进的地方都是什么，最终再用TOT思维树做个项目，开源出来。

调试提示语的过程：调整第一版，然后用一些案例测试一下，然后再调试，再测试。。 如果把这个过程自动化，就可以构建一个自动提示语工程了。

微调是对特定能力的追求，对通用能力的妥协。从5个微调带来的问题来说明为什么不要微调，并给出了如何合理使用模型的最佳方案。

Function的调用时Agent实现很重要的一步，只有了解了这个原理才可以更好的创建Agent。 我将不使用任何langchain等框架或者coze等平台，从0开始构建一个可以调用function的

只有认识模型，才能用好模型。 直观地了解模型是如何运行的以及它的能力是如何产生的，不需要用到数学知识。

无论怎么选择RAG的切分方案，切分都不准确。补充上下文的embedding的方案，拉满RAG准确度。