「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，距离碰巧很近，却答不上「过压怎么处...
发简信
IP属地：广东
-
两阶段检索：Rerank 把答案质量再拉一档
-
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——都会变成一本正经的假方案。运维场景...
-
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 citations 经常被混用——...
-
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/query——问一句设备运维问题，...
-
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向量；向量库负责存和近邻搜索。...
-
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半句话——后面 Embeddi...
-
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「我们手册第几页怎么写的」「这个故障码...
-
给接口加把锁：Bearer Token 鉴权（附冒烟验收）
「从零到 AI 应用工程师」专栏 · 第 8 篇阶段 1 · chat-api 收官补篇 上一篇用 Docker Compose 把整栈拉起来了。你会发现：几乎每条 curl...
-
一条命令跑通整个后端：Docker Compose 入门
「从零到 AI 应用工程师」专栏 · 第 7 篇 到上一篇，你的对话服务已经有了：接口、分层、统一错误、PostgreSQL 历史、Redis 缓存。 但「在我电脑上能跑」和...
-
重复问题不花冤枉钱：Redis 缓存怎么加
「从零到 AI 应用工程师」专栏 · 第 6 篇 大模型按 token 计费。同一个问题被问十次，你就付十次——如果每次都老老实实打到模型。 更现实的场景：演示时反复点同一句...
-
给对话加记忆：用 PostgreSQL 存历史「从零到 AI 应用工程师」专栏 · 第 5 篇 到现在为止，每次对话都是「问完就忘」。刷新一下、换个客户端，什么都没有。 聊天产品要有历史；排障也要有历史；以后做多轮上下文...
-
统一异常 + 统一响应，让接口「说人话」「从零到 AI 应用工程师」专栏 · 第 4 篇 分层之后，下一个痛点很快出现： 成功时你返回： 失败时 FastAPI 默认给你： 参数校验失败又是另一套： 前端要写三套解...
-
别把代码全塞一个文件：接口分层怎么分
「从零到 AI 应用工程师」专栏 · 第 3 篇 上一篇你已经能 curl 通 /chat 了。庆祝完，问题马上出现： 所有逻辑都在一个 main.py 里——鉴权、校验、调...
-
用 FastAPI + 大模型 API，跑通你的第一个对话服务
「从零到 AI 应用工程师」专栏 · 第 2 篇 上一篇说了路线图。这一篇开始动手。 目标只有一个：用 FastAPI 起一个本地服务，接上大模型 API，让 curl 能打...
-
不做算法、不炼大模型：普通开发者的 AI 应用路线图「从零到 AI 应用工程师」专栏 · 第 1 篇 先说结论。 我要用业余时间，大约 4 个月，从零做出 3 个能跑、能演示、能写进简历的 AI 应用项目——不是跟着教程敲一个...
