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。

1578篇文章
  1. AI大模型

    16种RAG实现方案:从Naive RAG到Agentic RAG

    本文系统梳理了RAG(检索增强生成)技术的16种主流实现方案,从最基础的Naive RAG到先进的Agentic RAG,详细讲解了每种方案的原理、适用场景和优缺点,帮助开发者在实际AI应用中更好地选择和使用RAG技术。

  2. AI大模型

    Schema.org标记实战:让AI搜索精准引用你的内容

    本文是一篇面向中国技术人员的GEO入门教程,详细解释了Schema标记是什么、为什么它对AI搜索至关重要,并给出了Article、FAQPage、HowTo、Person四种Schema的JSON-LD代码模板。同时介绍了在WordPress中通过插件或手动添加Schema的方法,以及如何用官方工具验证代码。适合希望提升内容在AI工具中引用率的网站运营者。

  3. AI大模型

    GEO与SEO是两套体系,关键词排名不等于AI引用

    GEO与SEO是两套体系,关键词排名不等于AI引用。落地需解决内容纠错、抓取引用、占据C位三个问题。目前GEO无标准化数据后台,效果需每周用品牌词在AI平台提问监测。

  4. AI大模型

    RAG优化:技术原理与实战详解

    RAG优化是数据、切分、索引、召回、重排、上下文、生成、评估的系统工程,单纯调Embedding或Top-K往往无效。本文从文档解析、Metadata、Chunk策略、混合检索、Query改写、重排、上下文压缩到评估闭环,逐一拆解优化方法,并强调先做数据治理、依托回放评估,避免只凭主观体验调参。

  5. AI大模型

    RAG系统10种优化方法:从语义分块到重排序

    本文系统梳理了RAG(检索增强生成)系统的10种优化方法,涵盖语义分块、检索增强、查询转换、重排序、上下文压缩等关键环节。每种方法都给出了核心Python代码和优缺点分析,适合技术开发者在实际项目中按需选择与落地。

  6. AI大模型

    AI Agent:技术原理与实战详解

    这是一份由Datawhale社区推出的系统性智能体学习教程,从基础理论到实际应用,全面覆盖智能体系统的设计与实现。教程强调动手实践,帮助读者从LLM使用者蜕变为智能体构建者,内容包括经典范式、框架开发、高级技能及综合案例。

  7. 生成式AI让SEO内容爆炸,谷歌用“信息增益”应对

    生成式AI正在重塑SEO:内容竞争加剧、谷歌更重视站外因素、搜索回报降低。但企业仍可通过信息增益和专业化团队抓住机会。

  8. AI大模型

    LLM引用:技术原理与实战详解

    本文面向开发者系统讲解大型语言模型(LLM)的基础知识:包括令牌(token)的概念、预训练与训练后阶段、推理过程,以及 LLM 的能力边界和工具调用机制。目的在于帮助读者在构建 AI 代理时理解模型的工作方式、优势与局限,从而做出更合理的技术选型与架构决策。

  9. AI大模型

    Gemma 4 2B 模型 Cloud TPU v5e 部署实战

    本教程是 v6e-1 调试指南的续篇,演示如何将 Gemma 4 2B 模型部署到单颗 Cloud TPU v5e 芯片上。文章对比了 v5e 与 v6e 的规格和价格,剖析了部署中的常见坑(如加速器类型命名、配额不等于可用性、网络配置),并通过实测数据指出:对于带宽受限的 2B decode 场景,v5e 的性价比要优于 v6e。