发简信
IP属地：广东
-
省钱之道：token 成本日志 + FAQ 缓存
「从零到 AI 应用工程师」专栏 · 第 17 篇 RAG 比纯聊天多了检索，但大头费用往往仍在大模型 token。演示时同一句问十遍、前端重试...
-
怎么证明你的 RAG 好用：20 题评估集
「从零到 AI 应用工程师」专栏 · 第 16 篇 「我觉得挺准」不是工程结论。换个 chunk_size、拧一下阈值，你需要同一套题目告诉你：...
-
两阶段检索：Rerank 把答案质量再拉一档
「从零到 AI 应用工程师」专栏 · 第 15 篇 向量检索快，但「向量近」≠「真能回答这个问题」。常见尴尬：涂装标准、待机功耗之类的片段，距离...
-
治幻觉：无依据就拒答，别乱编
「从零到 AI 应用工程师」专栏 · 第 14 篇 RAG 不是幻觉免疫。噪声切片进了 Prompt、模型自作主张补全流程、超纲问题硬聊——都会...
-
让答案有出处：citations 引用溯源
「从零到 AI 应用工程师」专栏 · 第 13 篇 能答还不够。工业场景还要回答：你这话从哪份手册、哪一页来的？ references 和 ci...
-
RAG 全链路串起来：一个能答专业问题的问答接口
「从零到 AI 应用工程师」专栏 · 第 12 篇 前面三篇分别解决了：是什么、怎么切、怎么找。今天把它们焊成一个接口：POST /rag/qu...
-
向量检索是怎么回事：Embedding + FAISS/pgvector
「从零到 AI 应用工程师」专栏 · 第 11 篇 切片有了，下一步是让计算机「觉得两段话像不像」。Embedding（嵌入）把文本变成定长浮点...
-
从 PDF 到可检索：文档解析与分块实战
「从零到 AI 应用工程师」专栏 · 第 10 篇 RAG 的第一公里不是向量，是干净的文本。PDF 抽出来乱码、表格碎成渣、手册切成互不相关的...
-
什么是 RAG：让大模型「读懂」你自己的资料
「从零到 AI 应用工程师」专栏 · 第 9 篇阶段 2 · 储能 RAG 开篇 chat-api 阶段解决的是：会说话的后端。但一问到「我们手...