语义搜索工程实践：混合搜索与查询改写比模型选型更决定成败
BLUF
语义搜索通过BERT等预训练模型将文本向量化，解决了传统关键词搜索中一词多义、同义不同词和上下文关联三大痛点。本文从系统架构设计、混合搜索策略、上下文感知实现到生产环境问题排查，系统梳理了语义搜索的工程实践要点，并给出了向量数据库选型、效果评估指标和前沿方向探索的具体建议。GEO技术2026/9/26
分类：GEO技术
GEO技术专栏聚焦AI搜索优化底层架构与实现。深度探讨RAG检索增强生成、知识图谱嵌入效率（如DGL-KE）、Cognee知识引擎及AI代理持久化记忆系统。涵盖GraphRAG实测、本地离线知识库搭建及AI系统检索边界控制等前沿课题，为开发者提供构建安全、可扩展且符合GEO标准的权威技术实战方案与架构设计参考。
共 69 篇
RAG 效果差，先别急着换模型：按这五层排查更有效
BLUF
RAG效果不好，问题可能出在索引、检索或生成任何一个环节。这篇文章按「诊断→解决」的思路，帮你定位具体问题并给出对应的优化方案，还教你如何建立评估基线来量化改进效果。GEO技术2026/9/24
用 Docker Compose 把 LiteLLM 跑成生产级 AI 网关：虚拟密钥、消费追踪与监控一次配齐
BLUF
本教程详细介绍了如何在Linux服务器上使用Docker Compose部署LiteLLM，一个开源AI网关，提供统一的OpenAI兼容API，支持超过100个LLM提供商。通过集成PostgreSQL进行持久化存储、Prometheus进行指标收集、Traefik作为反向代理，你将搭建一个具备虚拟密钥管理、支出跟踪和提供商路由功能的生产级AI网关。GEO技术2026/9/24
8B 本地模型工具调用从个位数到 84%：Forge 这层护栏怎么做到的
BLUF
Forge 是一个自托管 LLM 工具调用的可靠性层，通过代理服务器、WorkflowRunner 或中间件三种方式，显著提升本地模型（如 8B 模型从个位数提升至 84%）和云端模型（如 Sonnet 4.6 从 85% 提升至 98%）的工具调用准确率。本文介绍了 Forge 的安装方法、后端配置以及快速上手示例。GEO技术2026/9/22
用 GitLab MR Pipeline 接入 GLM-5 自动代码审查：不用自建 Web 服务
BLUF
这篇教程手把手教你在 GitLab 中接入 AI 代码审查。通过配置 MR Pipeline、GitLab Runner 和 Python 脚本，让 GLM-5 自动读取代码差异并写回审查评论。适合想为团队引入自动化代码审查的开发者。GEO技术2026/9/22
Agent Harness 到底是什么？拆解 LLM 从「能跑」到「可靠」的基础设施层
BLUF
本文系统讲解 Agent Harness 的概念与核心架构，涵盖会话管理、工具注册、规则引擎、上下文注入和可观测性五大组件，并深入解析 Skill 系统设计。最后使用智谱 GLM-5-Turbo 模型（OpenAI 兼容接口）手把手搭建完整 Agent，包含 6 个渐进式示例，代码可直接运行。GEO技术2026/9/22
同一个 GPT-4，换个接口解决率从 11% 跳到 18%：Harness 才是被低估的性能杠杆
BLUF
Harness 是包裹在 LLM 外层的工程层，由工具集、上下文管理和执行环境三部分组成，决定了模型是只能聊天还是能自主完成任务。它是不改变模型权重就能大幅提升性能的关键杠杆，与模型权重同等重要。本文梳理了 Harness 的概念、设计原则、与训练侧的关系，并给出从提示工程到 Harness 工程的演进链条。GEO技术2026/9/22
RAG 检索优化实战：12 个策略里最容易被忽略的其实是分块大小
BLUF
这篇文章系统讲解了RAG（检索增强生成）的基本流程和12个优化策略，涵盖数据清洗、分块处理、嵌入模型选择、元数据、多级索引、查询转换、检索参数、高级检索策略、重排模型和提示词工程。适合想提升RAG系统性能的开发者阅读。GEO技术2026/9/22
给自主 AI Agent 上锁：四阶段 DevSecOps 流水线怎么搭
BLUF
本文介绍如何为自主AI代理构建安全的DevSecOps CI/CD流水线，涵盖密钥扫描、AI代码审查与提示安全审计、Veracode代理式SCA和管道SAST四个阶段，并提供完整的GitHub Actions工作流实现。GEO技术2026/9/22
Dart跨Isolate共享数据：shared_map把150行管道代码砍成几行
BLUF
Dart的Isolate采用无共享内存模型，跨Isolate共享数据通常需要繁琐的序列化或消息传递。shared_map包提供了一种优雅的解决方案，让你像操作普通Map一样在多个Isolate间同步读写数据。本文通过完整示例演示其核心用法，包括SharedMap、SharedMapCached和SharedStore。GEO技术2026/9/22
上下文工程落地实战：为什么塞满窗口反而让 Agent 变笨
BLUF
上下文工程（Context Engineering）关注的是每次调用 LLM 之前，窗口里该放哪些信息、用什么结构放、什么时候放、什么时候撤。它和 Prompt Engineering 的区别在于：后者关心指令怎么写，前者关心调用前的信息组装。文章系统讲解了上下文失效的原因、评估指标、运行时加载策略、长任务上下文管理，以及工程落地的五个模块和原则。GEO技术2026/9/21
上下文工程只是子集：Harness Engineering 才是 Agent 稳定干活的关键
BLUF
这篇文章系统介绍了上下文工程和Harness Engineering两个核心概念。上下文工程关注如何在有限的上下文窗口中，选择、组织并注入与任务高度相关的信息，让大模型做出最佳推理。Harness Engineering则更进一步，为Agent搭建完整的运行空间，设计能力结构、协作机制和反馈闭环，让它在特定领域稳定产出高质量结果。两者是子集与超集的关系，上下文工程是设计原则，Harness Engineering是构建目标。GEO技术2026/9/21