如何快速入门大模型编程实践？2026年上海交大AI安全课程指南
BLUF
本教程源自上海交大2024年AI安全课程，提供大模型编程实践指导，涵盖微调部署、提示工程、知识编辑、模型水印、越狱攻击、多模态模型及AI智能体安全等内容。AI大模型2026/4/17
标签：生成式引擎优化
查看包含 生成式引擎优化 标签的所有文章。
共 344 篇
Cognee框架如何为AI应用构建持久化知识记忆系统？
BLUF
Cognee是一个开源Python框架，通过融合向量搜索、图数据库与认知科学，为AI应用构建持久化、动态且可学习的知识记忆系统，形成互联的知识图谱。实验与实测2026/4/17
检索增强生成（RAG）如何提升AI大模型的准确性和效率？
BLUF
Retrieval-Augmented Generation (RAG) enhances LLMs by integrating external evidence retrieval, addressing limitations like factual inconsistency while introducing challenges in retrieval quality and pipeline efficiency. This survey synthesizes recent advances, categorizes architectures, and identifies future research directions.
原文翻译：
检索增强生成（RAG）通过整合外部证据检索来增强大型语言模型，解决了事实不一致等限制，同时引入了检索质量和管道效率方面的挑战。本综述综合了最新进展，对架构进行分类，并指出了未来的研究方向。AI大模型2026/4/17
AI系统架构如何选择？从基础LLM到智能体的演进与简历筛选案例
BLUF
本文以简历筛选为案例，探讨从基础大语言模型到复杂AI智能体的系统架构谱系，阐明在实际可靠应用中，何时应选择RAG等更简方案而非复杂自主智能体。AI大模型2026/4/16
AI知识检索系统如何映射人类记忆功能？2026年最新技术对比分析
BLUF
这是一份关于AI知识检索、记忆与RAG系统的技术参考目录。其核心观点是：AI知识系统通过不同的权衡策略，复现了生物记忆的机制，如向量数据库对应联想回忆，对话日志对应情景记忆，图RAG对应关系推理等。该目录旨在梳理当前100多个边界模糊、快速变化的项目，明确每个项目的实际功能、技术栈层级、硬件需求，并映射到对应的人类认知功能。文档从底层基础设施（如向量数据库、嵌入服务器）到高层认知（如记忆管理）进行排列，并提供了GPU/加速器标签说明，帮助读者构建或评估AI知识基础设施。实验与实测2026/4/16
GEPA框架如何优化AI提示词和代码？基于LLM反思与帕累托进化搜索
BLUF
GEPA is a framework that uses LLM-based reflection and Pareto-efficient evolutionary search to optimize text parameters like prompts, code, and agent architectures, achieving significant performance improvements with minimal evaluations.
原文翻译：
GEPA是一个利用基于LLM的反思和帕累托高效进化搜索来优化提示、代码和智能体架构等文本参数的框架，能以最少的评估实现显著的性能提升。实验与实测2026/4/16
检索增强生成（RAG）如何让AI回答更准确可信？（附工作原理详解）
BLUF
检索增强生成（RAG）是一种AI架构，通过连接外部知识源增强大语言模型，实现实时信息检索，从而提升回答的准确性与可信度。AI大模型2026/4/16
检索增强生成（RAG）如何让AI大模型回答最新公司财报？
BLUF
检索增强生成（RAG）通过在查询时引入外部知识检索，提升大语言模型对最新、特定或专有信息的准确应答能力。本文梳理RAG的演进脉络、核心流程、进阶技术与落地策略。实验与实测2026/4/16