搜索大模型内容

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：… AI 逻辑暴露成 HTTP 接口向量检索 faiss / chroma / pgvector 等根据数据规模、过滤、持久化、权限、运维和延迟基准选择笔记与实验 Jupyter 边写边看中间结果,调 prompt、看 embedding 时很顺手环境与包 uv / pip / venv 等固定解释器与依赖版本,生成可复现锁文件并在部署环境验证可选编排 LangChain / LlamaIndex 现成的 RAG/Agent 抽象,但别过度依赖 (见下) 关于编排框…

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

#求职#职业转型

#Deep Research#研究工具与稳定性#Deep Research 工具路由

Deep Research 有 Search、Visit、Scholar 和 Python，Agent 怎样选对工具？

匹配正文：… 怎样选择工具”时，真正想听的是：工具能力怎样描述，前置条件和输出证据等级怎样建模，路由由模型还是规则决定，如何处理失败、重复和权限，以及怎样评测工具选得对不对？四个工具解决的是四种不同问题 Search 回答“可能去哪里找”。它通常返回标题、摘要和链接，适合发现候选来源、扩大查询词和了解信息分布。搜索摘要只能当线索，不能默认支持最终主张。 Visit 回答“这个页面正文到底说了什么”。它需要 URL 或页面标识，还需要当前要找的目标。好的 Visit 不把整页文本原…

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…性能优化和系统设计是可迁移能力,但迁移比例随岗位而变。除了模型基本行为、RAG/Agent 与评估,还要补数据许可、提示注入、对象权限、模型版本和非确定性失败等边界;不必推倒重来,也不能只换一套术语。作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的区别为什么说后端是转型最顺的一批人很多生产级大模型应用同时包含传统服务链路和概率模型组件;后端经验能覆盖其中的…

系统教程·AI 编程

从单 Agent 到 Coding Agent,它多了什么

匹配正文：…数上限:可能反复改不收敛、烧钱。必须 max_steps 兜底。放任执行危险命令:run 能跑任意命令——真实系统必须沙箱 + 权限 + 危险操作确认。上下文爆炸:读的文件、跑的输出全堆进上下文,长任务很快撑爆 → 要截断 / 摘要(回到第 5、6 篇)。工具结果不截断:一个命令吐几万行日志直接塞回去 → 上下文炸。结果要截断 / 提炼。关联面试题「Agent 比直接调用 LLM 多了什么?」(用这篇的四点答) 「ReAct 框架的工作流程?和 Plan-and-E…

#Agent#AI 编程

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：…向量，确实能做出一个演示版本。用户问题被编码成向量，向量库找到相近文本，再交给大模型回答。只要知识库很小、文档没有版本、所有用户权限相同，系统看起来也能工作。一旦进入多文档场景，问题马上出现。下面仍然用教学场景说明常见故障。在这个纯教学例子里，假设用户只想查某个知识库，系统却从另一个知识库带回内容；旧制度与新制度文字相似，旧版本反而排得更靠前；检索命中“但以下情况除外”，模型却看不到上一段的适用条件；回答末尾只显示一个文件名，用户打开后还要自己在几十页里寻找原句。这些是…

#RAG#切分与索引#RAG Metadata

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：…nt、AI 编程实操两条线都要有一个 Agent Harness 层让 Agent 稳定跑起来的工程骨架状态管理、工具注册、权限确认、trace、replay、错误恢复、成本控制 Agent 题库、工具与函数调用章、记忆管理章开发/Java 后端线的主场 Data / Eval 层决定"效果好不好"能不能被证明文档解析、Embedding、Rerank、评估集、LLM-as-Judge、badcase 闭环评估与监控题库、文档处理、评估章两条线都绕不开,算法线…

RAG 知识库如何动态更新？重复上传怎么做到不重复、不漏写？

匹配正文：…身份输入，再生成文档块的稳定 ID。入库前检查 ID 是否存在，存在就跳过 Embedding，不存在才继续处理。实际系统还要根据权限、版本与存储约束确定具体生成规则。这条思路最关键的不是选哪种哈希算法，而是先定义“同一个 Chunk”到底由什么决定。只用文件名不够。文件名不变，正文可能已经修改；文件改名，正文也可能完全相同。多个知识库还可能各自出现同名文件，如果 ID 没有包含知识库范围，就可能发生不该有的碰撞。只用内容也不一定够。两份不同制度可能恰好引用同一段通…

#RAG#切分与索引#RAG 增量入库

#Deep Research#研究工具与稳定性#Deep Research 工具故障恢复

Search 超时、Visit 受限、Python 报错时，Deep Research 怎样继续而不乱答？

匹配正文：…限流意味着当前调用速度超过服务边界。每个 Agent 自己快速重试只会放大问题，应由网关排队、降低并发或切换经过授权的备用服务。权限错误意味着当前身份无权访问。系统应换公开来源、请求用户提供授权材料，或明确无法核验，不能尝试绕过。资源不存在可能是 URL 过期、页面迁移或实体写错。应该回到 Search 找官方迁移位置，而不是无限 Visit。内容为空可能来自动态页面、抽取器失败或页面确实没有相关信息。需要区分“页面没内容”和“抽取没成功”。安全拒绝表示工具调用触碰协…

#Agent#工具调用与安全#Agent 工具成功判断

Agent 工具返回成功就算完成了吗？调用、执行、业务成功要分三层判断

匹配正文：…ll 能解析，工具存在，参数通过基础校验，结果按调用 ID 回传；第二层是执行成功：真实服务完成操作，返回结构符合契约，没有超时、权限或下游错误；第三层是业务成功：工具结果确实满足当前子目标，并推动用户任务达到可验收状态。HTTP 200 或函数不抛异常最多只能证明前两层的一部分，不能证明业务完成。工程上我会为三层分别记录状态和错误类型，让 Agent 根据空结果、缺信息、权限、暂时故障和业务拒绝走不同路径，并用端到端任务集验证最终成功。这段话的重点是：系统“运行正常”和用…

RAG 为什么要同时用 BM25 和向量检索？

匹配正文：…m_score, } 4. 资料范围怎样进入检索条件范围过滤先决定哪些资料有资格进入候选集，不参与相关度加分。过滤字段应来自业务权限和文档状态，而不是偷偷混进排序权重。 scope_filters = { "tenant_id": request.tenant_id, "collection_ids": request.allowed_collection_ids, "document_ids": request.selected_document_ids, "status…

#RAG#检索与重排#RAG 混合检索

#Agent#工具调用与安全#Agent 工具超时重试

Agent 工具超时怎么办？重试、换工具、降级和停止怎样设计

匹配正文：…有限候选中调整路径，但不能绕过超时、预算与副作用边界。先给出 30 秒回答工具超时后我先区分可重试的暂时故障、不可重试的参数或权限错误，以及结果不确定的写操作。每个工具同时设置单次调用超时、整步截止时间和整任务预算。只读且幂等的暂时故障可以在预算内做有限重试，使用退避与随机抖动，避免并发重试风暴；持续失败时根据契约切换等价备用、返回允许使用的缓存、交付部分结果或转人工。权限、参数和业务拒绝不自动重试；写操作超时先查幂等状态。所有策略由执行层强制，并通过故障注入验证，不照抄…

手把手把 RAG 教程做成"你自己的"项目

匹配正文：… 篇把 Agent 教程做成项目。看几个真实反馈:RAG 项目为什么要绑定业务场景下面是课程侧留存的脱敏反馈,用于说明场景、权限和评估如何进入项目;本站无法独立复核录用和薪资结果,不得用个案推断个人结果。背景原始卡点 RAG 项目怎么改反馈结果可借鉴点 211 金融本硕跨专业有金融知识,但没有大模型项目做金融知识库问答和智能风控 Agent,把业务知识转成文档检索、规则解释和风险判断链路拿到蚂蚁金融大模型算法岗 offer 行业背景要落到文档、规则、问答和…

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…gent 项目,不是"能调工具的 demo",而是把 Agent Harness(agent loop、工具 schema、记忆、权限确认、失败恢复、trace、评估、成本)一层层做扎实,并留下和 RAG 项目一样完整的证据链。一种便于理解控制流的做法是从最小 Agent 起步,先把"决策—调用—观察—再决策"的循环跑通,再逐步长成 Deep Research 这类多步任务系统,每加一层都留下能被面试官追问的痕迹。作者:吴师兄 | 适合:想主打 Agent 方向、要攒一个能…

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…在线查询的成本随候选规模明显增长，也失去了近似最近邻索引快速缩小范围的意义。合理的链路更像漏斗。第一层先根据知识库、文档状态和权限限定搜索范围。第二层用 BM25、向量或混合检索快速取得一批候选。第三层对候选执行 Rerank，重新计算相关性顺序。第四层根据分数、来源和上下文预算截取最终证据。从全库到最终证据的检索漏斗快速召回负责缩小范围，Rerank 只处理候选，最终再按上下文预算截断。各层解决的问题不同。这条链路里，Rerank 不负责凭空找回候选集之外的…

#RAG#检索与重排#RAG Rerank

#Agent#工具调用与安全#MCP 和 Function Calling 区别

MCP 和 Function Calling 有什么区别？Agent 工具接入时两者怎样配合

匹配正文：…中后，Host 通过 MCP Client 调用 Server，并把结果回灌给模型。MCP 提升工具接入复用与解耦，但不会自动解决权限、审批、幂等、超时和模型选错工具的问题。这段回答里，最关键的是“模型协议层”和“工具接入层”两个位置。 Function Calling 与 MCP 的分层关系把两者放回各自层次，就不会把 MCP Server 误写成模型，也不会把 Function Calling 误写成网络协议。 Function Calling 解决的是什么模型本身…

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：…不是真问题。三维各自要写什么: 维度回答什么问题该写清的要素缺了会怎样工程维度你到底搭了什么架构、状态管理、工具注册、权限确认、监控/trace、成本控制被追问"这块你怎么实现的"就露馅,像只调过 API 业务维度为谁解决什么问题场景、目标用户、数据来源、约束条件、上线边界面试官判断不了你做的是真需求还是玩具 demo 结果维度凭什么说它有效评估集怎么造、通过率/召回率、延迟、成本、badcase 改善一句"效果不错"等于没说,数字要有可复核口径三…

#Deep Research#数据构造与训练#Deep Research 轨迹生成

Teacher 生成的 Agent 轨迹为什么不能直接拿去训练，怎样筛出高质量样本？

匹配正文：…索近义关键词、访问同一个页面、在没有新增证据时重复总结。长轨迹看起来更“努力”，实际没有进展。第四类问题是观察伪造。工具超时、权限受限或返回为空后，Teacher 可能根据常识补出一段结果。若数据管道只保存文本，不核对环境日志，这段伪观察会被当成真实输入。第五类问题是答案越界。证据只支持局部事实，Teacher 却给出确定性比较、因果解释或未经验证的最新结论。文章写得越顺，人工越容易忽略支持关系。 Teacher 的作用是提高好候选出现的概率，不是替代验证。模型更大也…

#Agent#记忆与存储#Agent 长期记忆设计

Agent 短任务和长任务怎么记？工作记忆、长期记忆与任务状态怎样分层

匹配正文：…要约束。摘要把旧对话压成更短内容，保留主要事实，但摘要过程可能遗漏细节。相关性召回从较早历史中找与当前问题相关片段，但会增加检索和权限复杂度。实际可以组合：最近窗口保证连贯，结构化约束永远保留，较早历史按相关性补充。工作记忆里什么必须始终保留系统指令与安全规则；用户明确目标；不可违反的约束；当前步骤和完成条件；高风险操作的审批状态；关键失败与停止原因。这些内容不能仅依赖摘要。摘要模型可能把“不允许发送外部消息”压成一句模糊描述，后续 Agent 就有越界风险。硬约束应放…

#RAG#检索与重排#Embedding 模型选型

Embedding 和 Rerank 模型怎么选？什么时候值得领域微调？

匹配正文：…以下条件，微调才有清晰目标：通用模型在一类问题上持续、稳定失败，而不是偶发波动；错误确实发生在语义匹配或候选排序层，不是解析、权限或索引问题；已经有足够的人工确认正样本，以及“看起来很像但实际不回答”的难负样本；有未参与训练的独立测试集，可以证明改进能够泛化；团队能够承担训练、版本管理、部署、监控和回滚成本。在训练与教学示例中，Embedding 微调可以用 Query、正确 Chunk 和负样本构成训练对。随机挑一个完全无关的片段作为负样本很容易，模型学不到细微…

#Deep Research#数据构造与训练#Observation Loss Mask

轨迹中哪些 Token 应参与 Loss，Observation Mask 怎样按目标实现？

匹配正文：…到 token 级 labels。工具错误返回也要 Mask 吗？在 assistant-only SFT 中通常要。超时、权限拒绝、空结果、参数错误和解析失败都由环境产生，不是模型应当背出来的文本。但错误 observation 对后续行为很有价值。模型需要看见错误类型，再学习重试、修改参数、切换来源或降级回答。所以错误返回仍保留在上下文并 mask，其后的恢复行动继续作为模型目标。这里有个前提：错误必须真的来自工具环境，不能由 Teacher 为了补齐轨迹自由…

#Agent#记忆与存储#Agent 记忆写入机制

Agent 长期记忆什么时候写入？从候选提取到更新、冲突和遗忘的完整生命周期

匹配正文：…直接写入长期记忆。我会先从对话和任务结果中提取候选，区分用户明确偏好、稳定事实、任务摘要和可复用经验，再做敏感信息、保存授权、主体权限、来源可信度、去重与冲突检查。通过后写入带来源、时间、版本、有效期和可见范围的正式记录。后续新事实不能覆盖旧记录而不留痕，而应更新版本或建立替代关系。过期、撤回和用户删除要同时作用于主记录、向量索引与缓存。评估既要测该记住时能否写对，也要测不该记时能否保持不写。这段回答最重要的一句是：长期记忆是一项有生命周期的数据决策，不是对话结束后的自动副…