向量库刚被捧上神坛，就被最新一代大模型一脚踹下。原因很简单：当模型上下文一口气拉到百万 token，召回和排序一次搞定，传统 RAG 架构里的向量检索瞬间成了“多余的中间商”。本文用实测数据告诉你，向量延迟、精度天花板和成本是如何被原生长上下文碾压的——以及，在“模型即检索”的新范式里，开发者该如何重写知识库代码。

最近看一个播客是 Chroma 创始人兼 CEOJeff在 Len Space 播客的对话，对话的标题就是关于“RAG is dead”的观念，在视频中很明显的说明了原本的RAG的局限性和现在context engnieer的重要性，今天我就想全面分析一下“上文工程”（context engnieer）为什么这么爆火？以及将来RAG的形态到底何去何从……

AI 一方面展现出强大能力，引经据典对答如流，另一方面却常 “一本正经地胡说八道”，如在法庭上伪造判例。这种精准与荒谬并存的矛盾，源于数据质量、生成机制及指令模糊等问题，该如何化解以发挥 AI 真正价值？

在数字化时代，人工智能技术不断拓展其应用场景，为我们的生活带来诸多便利。本文将带你深入了解如何通过AI Agent（智能体）实现点外卖这一操作。作者以“AutoGLM”这款智能体App为例，详细分享了其操作过程。

从RAG到Agentic RAG，是AI从“信息调用”走向“任务执行”的一次范式跃迁。本文将系统梳理Agentic RAG的架构演进、能力扩展与应用场景，帮助读者理解生成式AI如何从“工具”变成“智能体”。

2025 年 Agent 技术持续演进，已从简单任务处理向具备独立规划、协作能力的智能系统转变。文章从系统设计视角出发，先梳理 Agent 的核心定义与架构框架，再深入分析决定其能力上下限的关键因素 ，最后还分享了构建类 Manus Agent 系统所需的前后端技术栈，为 Agent 产品开发与研究提供参考。

AI Agent 并非仅依赖大型语言模型调用，而是具备自主感知、思考、决策与行动能力的智能系统。文章从产品架构视角，拆解其感知理解、意图识别、任务规划、决策执行、反馈优化五大核心模块，剖析各模块功能与产品设计要点，展现模块间协作迭代机制，助力理解 AI Agent 的构建逻辑。

当 AI 不再受限于单一指令，而是能像人类般操作软件、跨系统处理复杂任务，由 Computer Use 技术引发的变革正重塑数字化劳动未来。知名风投 a16z 指出，这一技术是 AI Agent 落地的关键突破，打破传统 AI 依赖 API 的局限，可实现端到端工作流自动化，更大胆预测未来 18 个月内，具备该能力的 AI Agent 效率将超人类，成为能独立处理多领域专业任务的 “数字同事”。本文将从技术本质、落地挑战、架构解析与发展预期，拆解其如何打破 AI 应用瓶颈，为创业者和管理者揭示技术革命中的机遇与应对策略。

在人工智能领域，意图识别是AI产品设计中至关重要的一环，它直接影响到用户体验和产品功能的实现。本文将为你深入剖析意图识别的关键要素，从其发展历程、应用场景到构建意图体系的具体方法。

大模型时代，微调已成为产品落地的关键环节。但很多人对“训练集、验证集、测试集”的划分逻辑仍模糊不清。本文将从数据集的功能定位出发，梳理微调流程中的关键节点，帮助你建立清晰的模型调优认知框架。

AI胡说八道，不是因为它“太聪明”，而是因为它“没知识”。RAG技术正在成为解决大模型幻觉的关键方案，让生成内容不再凭空捏造，而是有据可查。本文将从底层机制到产品应用，拆解RAG如何为AI注入真实认知。

LoRA 微调到底怎么理解？本文将从“为什么是 LoRA”到“LoRA 怎么做”，系统拆解其核心机制、适用场景与工程优势，并结合实际案例，帮助你建立对 LoRA 的清晰认知框架。