用户75590397116

上篇《A2UI初探：为什么前端不再需要手写UI代码了？》介绍了Google为啥推出A2UI协议，它与动态生成代码的区别，与Vibe Coding的差异，以及它的基本设计理念等。 本文是A2UI系列的第

在之前《A2UI初探：为什么前端不再需要手写UI代码了？》和《A2UI二番战：AI生成UI的“三权分立”与生态融合》这两篇文章我们介绍了A2UI的基本原理和特征，现在，是时候卷起袖子进行实践了。 本文

本文基于开源框架Vanna，模拟电商业务表结构，验证NL2SQL实际效果，针对生成SQL错误的情况，深入分析其源码，挖掘其在表结构知识存储与检索机制上的缺陷，通过初步调整效果来说明可以改进的方向。

建议Coze知识库提供召回测试或者检索测试能力，方便开发者快速验证知识检索效果，或者在工作流调试中将检索出错信息输出。

本文从落地使用角度，按用途对大模型做个梳理和分类，方便大家对号入座，对照自己的业务场景，能明确落地时应该选择哪类模型。

笔者结合实际项目落地经验，从信息化视角梳理AI基础技术体系，对应投入成本和落地难度从小到大分别是LLM对话<RAG<AI Agent<Training。

本文对LLM“训练”领域涉及到一些常用概念，如预训练、后训练、监督微调、强化学习、低秩适应、奖励模型等进行梳理汇总，并结合DeepSeek和Qwen两个模型案例进行说明，方便像我一样非专业人士阅读理解

用AI编程插件还是用独立IDE，AI能力有哪些？辅助编程、智能问答、AI程序员，能否对接本地大模型？是否可以不花钱？

对我来说Trae用得最爽的点是智能问答助手，针对调试问题一键智能提问发给LLM，针对LLM反馈结果还能一键采纳智能修改代码。