RAG 两年三代演进：为什么多数场景 Advanced RAG 才是性价比之选
BLUF
本文系统梳理了RAG技术三代演进：Naive RAG基础架构、Advanced RAG的检索优化（查询重写、HyDE、Reranker、混合检索、上下文压缩），以及Agentic RAG的智能体化（规划、工具调用、自我纠错）。通过对比和代码示例，帮助读者理解各代特点及2026年最新进展。GEO技术2026/8/30
标签：AI大模型
查看包含 AI大模型 标签的所有文章。
共 1032 篇
AI、机器学习、深度学习、生成式AI：一套套娃，层层包含
BLUF
人工智能（AI）技术正在重塑各行各业。本文从基础概念出发，系统梳理了AI、机器学习、深度学习和生成式AI之间的层级关系，并介绍了基础模型、Transformer等核心技术，帮助读者快速建立对AI的整体认知。AI大模型2026/8/29
语言模型进化史：从统计计数到自注意力的跃迁
BLUF
这篇文章从语言模型的根本任务出发，系统讲解了从N-gram统计模型、神经网络语言模型、RNN/LSTM到Transformer架构的完整演进过程。通过具体代码示例和直观比喻，帮助读者理解自注意力机制、多头注意力等关键概念，为掌握现代大语言模型的工作原理打下扎实基础。GEO技术2026/8/29
智能体不只是聊天机器人：核心四要素与落地挑战
BLUF
本文全面介绍了 AI Agent（智能体）的概念、核心组成（LLM+规划+记忆+工具调用）、与传统 AI 模型的区别，以及主流 ReAct 模式。文章还梳理了 Agent 的历史发展、主要类型、应用场景、面临的挑战与未来趋势，适合想快速了解 AI Agent 的开发者阅读。AI大模型2026/8/26
RAG 并非银弹：何时该选传统搜索或微调
BLUF
RAG通过检索外部知识库来增强大模型回答，弥补知识过时和私有数据访问问题，同时减少幻觉。本文详细拆解RAG的工作原理、Embedding和相似度计算，并对比传统搜索、微调与长上下文方案。RAG并非银弹，检索质量、延迟和成本都是真实挑战，生产落地需持续优化评估。AI大模型2026/8/25
ADK 上云后自家客户端反而连不上？跨云 A2A 互操作实测
BLUF
本文手把手演示了如何用一行代码将Google ADK智能体转换为A2A服务器并部署到Cloud Run，但部署后必须核验Agent Card，否则ADK自己的客户端将无法访问。同时，跨框架互操作时会遇到回复重复等问题，需要调整解析逻辑。实验与实测2026/8/25
A2A协议打通了，但三大Agent框架的坑比想象中多
BLUF
本文通过在同一研究Agent上分别使用Google ADK、AWS Strands和微软Agent Framework构建并部署，以A2A协议互联，实际测试揭示了协议虽能互通，但框架在Prompt参数、模型声明方式、工具绑定及任务完成响应上存在显著差异。文章强调区分平台差异与模型差异，并分享了避免踩坑的关键经验。实验与实测2026/8/25
RAG 检索增强生成入门：拆解“检索-增强-生成”三大环节
BLUF
本文详细介绍了RAG（检索增强生成）技术的概念、原理、工作流程和技术架构，通过检索外部知识库来增强大语言模型的生成能力，解决知识截止和幻觉问题。文章还以搭建知识问答系统为例，说明了数据准备、检索模块和生成模块的设计方法。AI大模型2026/8/22
后端转 AI 应用：别把大模型当黑盒，这四条主线要先串起来
BLUF
这是一份面向后端开发者的 AI 应用开发学习路线与资源索引，涵盖大模型基础、Agent、RAG 和系统设计四大主线，提供推荐的阅读顺序和高频面试题。文章强调不能把大模型当黑盒 API 调用，需关注结构化输出、上下文管理、召回优化和生产级治理等问题。AI大模型2026/8/20