大模型 Agent 拆成四块后，我用 LangChain 搭了个能落地的办公助手
这篇文章先带你搞懂大模型Agent的核心逻辑——LLM加工具、记忆、规划四大模块，然后手把手用LangChain和GPT-4o搭建一个智能办公Agent，最后还整理了办公、安全、研发、客服四个领域的真实落地案例，帮你快速上手AI应用开发。
用 Makefile 和 fork() 写提示词：1680 次 A/B 测试揭示的 AI 代理可靠性真相
本文论证了在AI代理提示工程中，使用具有高预训练频率的Unix和计算机科学形式化方法（如Makefile、fork()、/etc/init.d）替代自定义的英文提示或伪代码DSL，能显著提升模型执行的可靠性和稳定性。通过151个生产工单和1680次多模型A/B测试，这些经典原语在防止循环、抵抗上下文压缩、隔离回归等方面带来了巨大改进。
AI Agent 和普通 LLM 到底差在哪：从订机票的七步拆解说起
AI Agent 是能自主感知、决策和行动的智能系统，与普通 LLM 不同，它可以通过工具调用、记忆和规划来完成复杂任务。本文用通俗语言和代码示例，带你理解 Agent 的核心架构与 Function Calling 机制。
Karpathy 用 Markdown 干掉 RAG 管线：48% 的错其实怪检索
这篇文章系统讲解了RAG（检索增强生成）的核心原理、三种架构模式以及全流程优化策略，并基于Spring AI Alibaba给出了完整的代码实现。无论你是刚接触RAG的开发者，还是正在优化线上RAG系统的工程师，都能从中找到实用的参考。
AI搜索正在重洗流量：GEO论文实测低排名网站可见性提升115%
这篇论文首次系统提出生成式引擎优化（GEO）范式，解决AI搜索直接生成答案导致内容创作者流量锐减的问题。论文构建了多维度可见性度量体系和九种优化方法，并发布GEO-bench基准，实验证明GEO方法在位置加权词数和主观可见性上分别提升41%和28%，对低排名网站尤为有效。
AEO、GEO、LLMO 其实是同一件事：术语混战背后的真实技术分界线
AEO、GEO、AI SEO等术语本质是品牌定位而非技术差异，实际工作内容相同。SEO并未消亡，而是扩展到了无排名列表的答案生成界面。真正重要的技术区分是：模型是训练时已知还是回答时抓取，以及提及与引用是两种独立信号。
向量搜索只是方法，语义搜索才是应用：别再混为一谈了
语义搜索通过理解查询意图和上下文含义来检索信息，而非仅做字面匹配。它借助自然语言处理和机器学习，将文本、图像等非结构化数据转换为向量嵌入，在语义空间中计算相似度。这项技术广泛应用于电商视觉搜索、企业知识库RAG和内容推荐等场景。
语义搜索的三条技术路线：从Semplore倒排索引到CE2混合架构
这篇文章系统梳理了语义搜索的技术路线，把语义搜索分为重量级（基于RDF、OWL等显式语义模型做数据检索）和轻量级（基于分类体系、辞典做文档检索）两类。文章重点分析了语义数据搜索的三大难点——扩展性、异构性和不确定性，并对比了信息检索、数据库和原生存储三条围绕三元组存储的技术路线。最后介绍了下一代混合语义搜索系统CE2的架构，它把信息检索的排序、数据库的索引查询和推理技术组合在一起，统一处理文本、结构化数据和语义数据。
llamadart 0.11：让 Flutter 应用真正跑起离线大模型
llamadart 0.11 版本简化了在 Dart/Flutter 应用中集成离线大语言模型的流程。本文通过一个写作助手示例，演示如何下载模型、管理对话会话、切换模型以及处理不同运行时环境，帮助开发者快速实现本地推理功能。
280篇文章