大模型评测不止看榜单：从 MMLU 到 Tiny-RAG 的落地拆解
这一章讲的是大模型落地应用的两大关键环节：一是怎么科学评测大模型，包括 MMLU、GSM8K、MATH 等主流评测集以及 Open LLM Leaderboard、Lmsys Chatbot Arena、OpenCompass 等榜单；二是怎么自己动手搭一个 RAG 检索增强生成框架。作者用 Tiny-RAG 为例，从文档加载切分、向量化、检索到大模型生成一步步拆解，帮你把 RAG 的原理和代码都吃透。
别只调提示词：AI搜索优化的技术链路才是关键
本文系统阐述了AI搜索场景下GEO的核心技术框架与实施路径，覆盖语义理解增强、混合检索、生成调优、分布式架构及多维度评估体系，并结合代码示例和场景案例给出可落地的技术方案，为开发者提供了全面的技术参考与实践指导。
反直觉：搞LLM应用开发，AI基础远不如拆解需求重要
大模型应用开发并不需要深厚的AI和数学背景，核心在于通过提示词工程与模型交互。本文以通俗实例讲解如何用LLM构建联网搜索等应用，并介绍RAG和Agent等进阶方向，帮助普通开发者快速上手。
RAG 两年三代演进：为什么多数场景 Advanced RAG 才是性价比之选
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。
Google官方指南：AI搜索时代，基础SEO仍是王道，捷径全是虚火
Google搜索的生成式AI功能（如AI概览和AI模式）仍然依赖核心搜索排名和质量系统，因此传统SEO最佳实践依然适用。关键在于创作独特、有价值的内容，并保持清晰的技术结构，同时无需理会llms.txt、内容分块等所谓“捷径”。可使用Search Console的生成式AI效果报告来衡量曝光度，并关注未来的智能体体验。
智能体不只是聊天机器人：核心四要素与落地挑战
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。
RAG 并非银弹：何时该选传统搜索或微调
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。
RAG 检索增强生成入门：拆解“检索-增强-生成”三大环节
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。
后端转 AI 应用：别把大模型当黑盒，这四条主线要先串起来
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。
72篇文章