大模型应用

标签下共 5 篇文章。

知识管理 独立开发 AI探索 产品知识
01

后产品时代:用大模型和知识库搭起自己的体系

大模型把通用能力变成水电煤,产品不再是壁垒,壁垒是你自己的体系。本文给出一套四环串联:资料检索变进料口,知识库按需选型——轻量用 ima、复杂量大自建 WeKnora,知识体系靠连接成形,方法论沉淀成 skill,最后转成持续积累的复利飞轮。

2026-11-09·16 分钟·42 阅读
02

Harness 是什么?从马具到驾驭大模型的「挽具」

Agent = 模型 + Harness。模型只会把文字变成文字,harness 负责让它真正干活:工具、循环、上下文管理与控制机制。本文从 700 年词源讲到 2026 年 harness engineering 成型,拆解四大核心件,附 60 行可运行的最小 harness 代码与十条实践经验。

2026-10-22·33 分钟·57 阅读
03

FDE:前沿部署工程师的诞生、复兴与日常

FDE(前沿部署工程师)是个借自军事术语的头衔,诞生于 Palantir 服务政府的年代,在 SaaS 时代沉寂多年,又因 LLM 落地难而被 OpenAI 等公司重新捧热。本文梳理这个岗位从诞生、沉寂到复兴的脉络,拆解它的真实日常——现场诊断、数据接入、定制开发、评测守护与产品反馈,厘清它与解决方案工程师、AI Engineer 的边界,并聊聊服务化争议、适合什么人与职业去向。

2026-10-08·9 分钟·301 阅读
04

Karpathy 的 LLM Wiki:把知识组装提前到提问之前

2026 年 4 月,Karpathy 用一份 Gist 提出 LLM Wiki:让 Agent 把知识预先整理成互相链接的 Markdown 条目,而非提问时现场检索拼接。本文回顾这条思路的前史——RAG 的六年统治与 Agent 记忆系统的探索,梳理它走红后的生态实践,并对照同期 Grokipedia 与 Wikipedia 的公共百科攻守,聊聊知识复利与知识信任这两个正在被重写的问题。

2026-10-08·11 分钟·99 阅读
05

深入理解 RAG:从检索准确率到持续优化

RAG 系统中 80% 的问题出在检索环节,业界平均检索准确率仅 60–75%。本文沿管线拆解知识库质量、文档切片、Embedding 选型、向量数据库、混合检索、查询改写、元数据过滤与重排序,给出四指标评估体系、七种失败模式排查口诀与 RAGOps 持续优化闭环,并用真实案例数据说明:内容质量比换模型更值钱。

2026-10-01·12 分钟·339 阅读