-
Book-to-skill：把一本 400 页的技术书，编译成 Agent 按需加载的技能
你买了一本《Designing Data-Intensive Applications》，啃了三个月，划线、做笔记，以为终于懂了。半年后写代码遇到复制延迟的问题，你隐约记得书里第五章讲过，但具体说了什么、用了什么术语，全忘了。打开 PDF 搜 replication，返回 47 个结果分布在 23 页里。把整本书丢给 Claude？一本 400 页的书大概 20 万 token，每问一次就烧一次全…- 1.1k
- 0
-
从模型能力到业务可用：小米零售 AI 问数实践
“当前店里库存压了多少?”“新品销售情况怎么样?”“这个月销售目标完成没?”这些一线店长每天要面对的问题，看似只是“问个数”，但要让 AI 真正服务业务，还需要解决指标口径、查询规则和数据权限等问题。 小米中国区零售团队从 Text-to-SQL 转向 Text-to-Metrics，并围绕指标治理、语义路由、查询执行和评测体系进行工程化建设。本文记录这套方案的实践过程。 01 为什么需要调整技术…- 1.2k
- 0
-
Anydoc：把 Office 文档转 Markdown 这件事，Firecrawl 直接开源了一个引擎
一个仓库从创建到冲到 1.6 万 Star，用了不到两周。anydoc 在 2026 年 8 月 3 日才第一次提交，到今天 8 月 16 日，已经攒下 16386 个 Star 和 916 个 fork。这个速度放在 Rust 工具链里相当反常，尤其是它解决的问题听起来一点都不性感：把 Word、Excel、PPT 这些办公文档转成干净的 Markdown。 我第一次看到这个数据时的反应不是惊叹…- 1.2k
- 0
-
Agentic RAG、本体论、知识图谱：企业AI知识库到底该怎么做？
受今年小龙虾 OpenClaw 热潮影响，AI 办公领域得到了长足的发展，数字员工、超级 AI 员工、员工蒸馏等概念层出不穷。 随着企业老板在 AI 侧的“认知提升”，AI 在业务侧的应用变得更丰富，最大的特点是：由去年的工作流类项目为主变成了现在的 AI 知识库，这也说明很多企业逐渐进入了深水区。 但是，不同于工作流类项目，AI 知识库类项目难度会更高，很多企业在这块付出了不低的试错成本，所以今…- 1k
- 0
-
PixelRAG：让 AI 第一次”看见”网页，而不是”读”网页
正常人的直觉是：要让 AI 理解网页内容，先把 HTML 解析成纯文本，再做检索。这个流程自搜索引擎诞生以来就没怎么变过。 PixelRAG 说不对。不是"还不够好"，是方向错了。这篇论文的标题就敢叫 “Web Screenshots Beat Text for Retrieval-Augmented Generation”，翻译过来就是：网页截图，干翻了文本检索。学术论文很少…- 1k
- 0
-
向量检索、知识图谱与 LLM Wiki：RAG 被嘲笑了三年，但企业还是离不开它
RAG在网上已经死过很多遍了，谁用谁Low，但是实际上很多的企业知识库仍然在使用，并且依然是主流选择方案。 但是，这些论调会把很多人带偏，尤其是对知识库和RAG没有体系化认知的同学。 这里我们首先要理解一个问题：在AI时代，知识库为啥变得如此被需要？ 大模型在回答问题时，它只知道公域知识，并不知道我们私域的知识，在这种情况下它就容易出现幻觉，胡乱编造一些看似正确的答案给我们。 为了缓解这个问题，我…- 1.3k
- 0
-
知识库分层编排：从 RAG 到 Agent-native Knowledge Context Layer
阿里妹导读 文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。 一、知识库的根本困境 从一个知识库检索超级微服务高级skill开始的思考。 1.1 RAG 的天花板 RAG（Retrieval-Augmented Generation）是当前最流行的知识库方案：把文档切成 chunk → embedding → 用户 query 时向量检索 Top-K → 喂给 LLM 生成答…- 1.4k
- 0
-
Agent 需要 RAG 吗？
依旧延续周一 TGO 闭门会的分享思考，核心话题是：如何真正蒸馏一个人 + 如果完成了蒸馏动作，应该如何形成企业级 Agentic RAG 数据库类应用？ 怎么说呢，现阶段为了适应 Agent 发展，模型本身已经往前走了很大一步，最核心的两个能力： 一个来自于模型本身，提供了百万级上下文窗口； 一个来源于工程能力优化，Skills 缓解了模型不稳定问题； 现阶段 Agent，在数据处理一块有了很大…- 967
- 0
-
Nexus：RAG 时代终结？编译器 AI 知识层来了
最近 Pinecone 发布了一个新东西：Nexus。最早我是在抖音上看到的，说实话，这种标题挺吓人的，低劣但有效，我都忍不住要点进去： RAG 时代终结了。 向量数据库不够用了。 Agent 需要 Knowledge Engine。 因为过去两年很多企业刚刚理解什么是 RAG，刚刚知道知识库不是把 PDF 丢给大模型，刚刚开始研究向量数据库、Embedding、Chunk、TopK、Rerank…- 1.7k
- 0
-
Vector Database（向量数据库）：AI的”记忆宫殿”
一个让你脊背发凉的事实： 你每天在淘宝、抖音、豆瓣上的每一次"猜你喜欢"点击，都在帮一个数据库变得更聪明——而这个数据库存的，不是文字，是数字。 它叫向量数据库（Vector Database）。 一句话理解 向量数据库 = 专门存储"味道"（语义相似度）的数据库，让AI能快速找到和某个东西"最像"的其他东西。 它是怎么工作的 普通数据库…- 1.3k
- 0
-
向量库是RAG的前菜，知识图谱是答案，本体论是灵魂
在最初做RAG系统的时候有个几乎绑定的名词：向量库。所以他是什么呢？ 应该说向量库是一个理论上很美好的名词，他是一类用于存储和检索向量的数据系统，这里有两点要注意： 向量（embedding），可以将一段文本、图片、音频等内容，通过embedding模型编码成一个高维数组； 检索，现在拿着一个查询向量，理想情况下向量库可以快速找到最相似的Top-K条类目，这里可以带上原文片段等信息； 所以，向量库…- 1.1k
- 0
-
【万字剖析】抛开 RAG 谈蒸馏.skill，大概率是形式主义
上周我拜访了前老板，他们应该是国内做 AI 应用最深的一批公司，相应着整个团队对 AI 的应用及理解都很到位，于是乎我问了他一个问题： 老板你觉得什么是 AI 原生团队/应用，对应着团队的组织结构会有什么变化吗？ 说实话，因为打招呼做得太倡促，这并不是一个好问题，因为问的太大了(无论是与模型对话，还是与高端人士对话，问对问题都很关键)，挺不好切入的... 然后对话在艰难的推进，过程中老板嫌无聊，还…- 1.2k
- 0
-
告别“伪智能”代码：用 Spec + RAG 打造真正懂你的AI程序员
引言：AI Coding 提升代码质量的关键 ——知识库的深度建设 在当前 AI Coding 快速普及的背景下，业界普遍面临一个核心矛盾：模型“能写” ≠ “写得对”。尤其在高频迭代、强业务耦合的场景中，代码的正确性、可维护性和一致性远比“能生成”更重要。 要突破这一瓶颈，关键在于让 AI 不仅“会写”，更要“懂上下文”——即深刻理解特定项目的技术契约、业务语义与工程惯例。为此，我们提出构建一…- 30
- 0
-
RAG：让AI先查资料再答题的聪明玩法
你有没有过这种经历——考试前把整本书都翻开了，结果看到一道题还是不知道该翻哪页？ AI也有同样的困扰。 一句话理解 RAG = 先查资料，再回答——就像你考试时先看一遍书再答题，而不是裸考。 它是怎么工作的 想象你问AI："特斯拉2024年的营收是多少？" 没有RAG的AI：就像一个记忆力超群但完全没看过特斯拉财报的书呆子。它会根据自己"听说过的知识"瞎编一…- 809
- 0
-
半年人工喂出来的AI客服：从0到1打磨生产级RAG系统，越用越聪明
之前我们说过23年是模型初年，主要行业主要着眼于模型，史称百模大战； 然后很快大家发现确实卷不动，于是开始冷静下来，找切实的落地场景，所以24年都在做应用，AI应用三巨头依次是：AIGC（窗口生成文案）、工作流AI、然后就是AI客服了。 而后25年在AI视觉这块需求变多、成熟的AI Coding异军突起，但复杂的AI客服依旧有很大的需求，AI客服这个也被认为是RAG类的应用，看上去简单，只不过很多…- 683
- 0