AIGC应用全景图
量子位智库 2025 年出的 AIGC 应用全景图谱,按 to C 和 to B 两大类铺开,右侧单列底层开发与 AI 编程工具,可以当行业地图来翻。

AI 产品姿态
两页材料,讲 AI 产品经理和传统 PM 差在哪。一页是确定性与概率思维的分野,一页是五维能力模型和三级进阶路径。

大模型认知基础
课程资料。从 AI、机器学习、深度学习一路讲到大模型,再收到 RAG、Agent 与微调三条落地路径,适合当整组课程的第一篇来读。

AI大模型初识
从深蓝赢下卡斯帕罗夫,讲到 ChatGPT 和 DeepSeek,先建立「它到底在做什么」的直觉,再谈幻觉和上下文窗口两条硬边界,最后落到四个应用方向。

大模型四大致命伤
做 AI 产品,得先认清模型什么做不了。幻觉、记忆受限、时效与私有数据、不可控与延迟,四个致命伤各对应一道产品闸门。

幻觉透镜
把「幻觉」和「事实性」拆开,才谈得上建基准。三个新任务专测训练数据之外的幻觉,题目现场生成以防泄漏,还要求报拒答率——否则全答「不知道」的模型,幻觉率就是零。

大模型核心原理
模型只做一件事:根据上文猜下一个词。分词、词嵌入、注意力、生成四步拆开讲,用「国王有个女儿」走一遍;训练三阶段是预训练、SFT、RLHF。

Transformer 架构解析
拿「国王他有个女儿」走一遍完整链路。分词、词嵌入叠位置编码凑成 4×512 矩阵,QKV 和八头注意力各看一个视角,编码器靠残差与 FFN 稳住,解码器逐词生成。

AI 需求怎么选落地方式
四道闸门过完、确认值得做,接下来是选型:提示词、RAG、Agent、微调四层能力,够用就停,多数需求其实停在第一层。

Prompt工程与调优技巧
提示词其实只解决两件事:把背景给足,把任务拆开。六种技巧按代价排开,后半段转到防守,讲注入、泄露、越狱怎么防,也讲 Coze 和百炼怎么跑通。

思维链
2022 年那篇 CoT 论文的精读。示例从「问题+答案」改成「问题+推理+答案」,百亿参数以上的模型才真正学会推理;三组消融说明多给算力没用。

提示词怎么写才稳定可控
为什么列了一堆要求,输出还是跑偏?因为要素没按任务配齐。四层结构拆解、从思维链到反思的递进链,加上信息完备、过程外显、噪声压制三条公式。

自我一致性
同一份提示,只换解码方式:随机采四十条推理路径,忽略中间过程,只统计哪个最终答案出现得最多。GSM8K 准确率从 56.5% 提到 74.4%。

思维树
把思维链从一条线扩成一棵树,同时留几个候选,往前多看几步,走不通就退回来换分支。24 点游戏成功率从 4% 提到 74%,代价是调用次数翻倍。

反思机制
不改任何参数,只把失败写成一段文字存进记忆,下次带着它再试。编程任务首次通过率 91%;消融实验显示,自生成测试的贡献比反思本身更大。

提示词参考范例
一套能直接抄的提示词骨架。通用结构分七块,从角色到限制;另有问答模板、智能体工具调用、任务执行三步流程,后面还跟着四个完整范例。

Naive RAG 构建流程与应用实践
给大模型外挂一个知识库。先讲为什么需要 RAG,再走索引化、检索、增强生成三步;向量化用 BGE-M3,向量库用 Chroma,最后配两个实战案例。

RAG 的分块策略
分块切得好不好,几乎决定 RAG 的上限,换更强的模型也补不回来。五种策略从固定长度排到父子索引,最后落在一句话上:固定检索,只动分块参数。

向量检索算法
暴力搜索精度能到 100%,复杂度却是 O(N),数据一多就慢到不能用。IVF 先聚类分簇、查询只比质心,HNSW 用分层图逐层下探,文末附一张选型对比表。

RAG 商业化痛点与 Advanced RAG
Naive RAG 上线容易,商用却难。文章借一篇论文摊开七个失效点,其中索引构建四个、检索增强三个,再给出 Pre-Retrieval、检索、Post-Retrieval 三段式框架。

RAG 怎么搭才不翻车
答案根本不在知识库里,换检索器也救不回来;答案在、但答错了,才轮到检索和生成。文章把七类失败点逐一归位,检索前中后的招数也逐个拆开。

RAG 重排序底层原理解析
初步检索能召回,却不一定排得准。重排序是第二道过滤:Cross-Encoder 把问题和文档成对送进模型打分,再按分数重排,文末还算了一笔延迟成本。

RAG 应用评估技能和工具
RAG 的输出不确定、知识库还在变,所以得先有评估依据:检索测上下文相关性与召回率,生成测忠实度与答案相关性。工具用 Ragas 和 TruLens,然后拿医疗问答、知识块大小、智能汽车挑战赛三个实战,把指标怎么指导优化走一遍。

GraphRAG 应用解析
传统 RAG 只比语义相似,遇到「这本书讲了什么」这类全局问题就答不上来。GraphRAG 先把实体和关系抽成知识图谱,用 Leiden 划社区、逐层生成摘要,查询再分本地搜索与全局 Map-Reduce 两条路。

构建高效智能体
这篇先劝你别急着上智能体。五种工作流按路径确定性排开,要不要加自主性,只看下一步由谁决定。文末三条原则比模式清单更耐用。

AI Agent 全景
从「会聊天」到「会做事」:先讲清楚 Agent 的定义、分类与四要素,再拆 Function Calling 的调用过程,然后对比 ReAct、Plan-and-Execute、Self-Reflection 三套框架和五款开发框架,最后用动态 SQL、12306 查票、命理机器人三个实战收口。

Agent 怎么搭才靠谱
多数 Agent 翻车,是盲目追求「全自主」。文章按控制流归属分三层:增强型 LLM、工作流、自主 Agent,先问「下一步能不能写死」,再看五种工作流、ReAct 与 MCP,最后给一份立项判死清单。

Coze 快速构建智能体
零代码搭 Bot:先设人设与提示词,再挂插件,把业务逻辑写成工作流(Workflow 与 Chatflow),接上知识库与数据库,最后用「AI 每日资讯」把插件、循环、去重、触发器串成一条自动链路。

Dify 快速构建智能体
不是模型,而是驾驭模型的工程平台:Docker 四步本地部署,接上通义千问,再用五个场景把工作流跑通——自然语言转 SQL 出图、文生图与视频、批量发票录入、简历筛选、合同审查带人工审批。

Agent Skill 从使用到原理
Agent「能聊不能干」,缺的是手和脚。Skill 用一个文件夹封装能力:SKILL.md 写元数据与步骤、脚本负责执行,靠渐进式披露省 token;再讲两种调用模式、三条编写铁律与工程化落地。

Harness Engineering 介绍与实践
模型是千里马,Harness 是套在它身上的缰绳、鞍鞯与马车。文章拆出三大支柱(可读性、防御机制、反馈回路),再给五步搭建法与真实工程的几条启示,落点是 AI Agent = Model + Harness。

OpenClaw 智能体开发与实战解析
从 Harness 方法论一路讲到落地:Agent Harness 八大组件、OpenClaw 的四层解耦、Skills 与 MCP 怎么挂,再用财务垂直智能体和数字店长 Agent 两个项目把工具集设计讲透。

RAG 数据处理与电商客服综合实战
入口质量决定 RAG 上限:五类文档、三大解析范式、ColPali 视觉原生方案,再到分块、Embedding 与向量库的选型决策;下半场是电商客服实战,LoRA 微调、AWQ 量化、vLLM 部署与三区服务。




