Archive · 文章索引
全部文章
从 GEO 方法论到 AI 搜索实战,按发布时间收录站内全部已发布文章。
开源向量模型反超商业API:MTEB榜单背后的RAG选型逻辑
这篇文章系统讲解了Embedding模型的工作原理,盘点了2026年MTEB排行榜上的主流文本向量化模型,并针对RAG应用给出了详细的选型建议。无论你是做中文知识库还是多语言检索,都能从中找到适合自己场景的模型方案。

把生成式 AI 塞进数据库:AlloyDB 语义搜索与自然语言生成 SQL 实测
本文介绍了如何利用Google Cloud数据库(如AlloyDB和Cloud SQL)的AI集成功能,通过动手实验展示语义搜索、多模态嵌入、AI函数和自然语言生成SQL等应用,帮助开发者将数据与生成式AI模型结合,构建生产级AI应用。

结构化数据:GEO 投入产出比最高的一步,7 种 Schema 代码示例
结构化数据是AI搜索引擎理解网页内容的翻译层,没有它AI只能靠猜。本文推荐使用JSON-LD格式,并详细给出7种最常用的Schema类型(Article、FAQPage、HowTo、Organization、BreadcrumbList、Product、LocalBusiness)的代码示例和注意事项,最后强调用工具验证标记正确性。

GEO优化不是堆内容:JSON-LD、链接图谱与实体一致性三步闭环
GEO优化的核心不是堆砌内容,而是让AI能读懂、信任并引用你的信息。本文拆解三阶实战技术:部署JSON-LD结构化数据让AI精准解析页面,搭建链接图谱建立实体权威关联,校验全网实体一致性杜绝信息冲突。三步形成完整闭环,新手也能照着操作。

结构化数据是必要非充分条件:四类 Schema 的 GEO 部署实测
结构化数据是GEO的技术内核,通过Schema.org标准为网页添加机器可读的语义标记,能显著降低AI模型解析内容的成本、提升被引用概率。本文从技术角度拆解JSON-LD格式的部署方法,覆盖Article、FAQPage、Organization、HowTo四类常用Schema的代码实现,并给出AI爬虫可访问性的系统排查流程与避坑清单。

AGI 这个词比深度学习早出现了十年,为什么直到 GPT-4 才被认真讨论
这篇文章用通俗的语言解释了AI、AGI、LLM、GenAI、GPT和AIGC这几个容易混淆的概念,并回顾了从1943年人工神经元到GPT-4的AI发展历程。简单来说,AI是总称,AGI是强人工智能,LLM是大语言模型,GenAI是生成式AI,GPT是LLM的一种,ChatGPT是GPT的聊天工具,AIGC是GenAI生成的内容。

程序员转大模型:一条从 API 调用到生产级 Agent 的工程路线图
LLM Master 是一个面向程序员的大模型学习路线仓库,按基础认知、应用开发、RAG、Agent、微调部署、Transformer、项目与面试逐级展开。它强调工程落地、问题排查和面试表达,适合有开发基础、想进入大模型应用开发或 Agent 工程的工程师。

GEO 检查工具 10 月更新:llms.txt 权重 4→2,把分数还给 SSR
GEO 检查工具 10 月更新聚焦评分校准与可靠性:llms.txt 权重由 4 降至 2,SSR 可解析性升至 6,llms.txt 检测升级为规范四要素分级评分并新增链接可发现性检测;抓取失败细化为 15 个网络错误码、430/WAF 与反爬壳页专属归因;分析接口引入并发去重与 90 秒硬超时;分享激励修复同 NAT 误伤;报告页新增 A 级庆祝与对比逐项明细;/tool 页自身按同一模型从 58.1 分修到 84.0。

大模型落地深水区:金融能源教育跑通闭环,但数据治理没那么简单
2026年大模型行业落地进入深水区,金融、能源、教育、制造等领域已跑通商业闭环。本文基于最新行业动态,剖析AI智能体、高校数字化、金融生成式AI三大核心场景,并总结领域知识深度、场景闭环设计、数据治理、组织变革四大成功因素,展望多模态、自主智能体、行业专属模型三大趋势。

