第2页 | RAG | 人人都是产品经理

AI

从 ChatGPT 到 Agent：AI 每半年换一次牌桌，我们靠什么不掉队？

从ChatGPT到Agent，AI正从生成内容走向执行任务。本文梳理2022-2025年AI能力演进，揭示Prompt、RAG、Workflow等概念背后的主线：AI系统化，人的价值随之重排。掌握底层逻辑，才能在变革中保持竞争力。

岚天

Agent AI产品 ChatGPT

AI,个人随笔

RAG和Reference都叫知识库？搭Skill别选错

RAG与Reference，同为AI知识库却大不相同。本文用生活化类比拆解两者本质：RAG是自动搜索引擎，Reference是手动文件柜。通过退货政策案例，清晰对比工作流程与适用场景，帮你告别技术焦虑，做出明智选择。

设绘闲人

AI应用 RAG Reference

AI,个人随笔

把你的AI历史对话记录变成人，拉进群聊，帮你解决问题

AI对话中藏着思考过程，却被锁在孤立会话里。对话议事会通过将历史对话视为独立知识实体，以第一人称视角参与新讨论，突破RAG与长上下文的局限。本文详解其架构、成本与隐私设计，为AI产品提供新思路。

月火连城

AI应用 RAG 个人观点

AI,个人随笔

Agent”记性差”？PM选RAG还是微调，这3个场景定生死

AI Agent总是答错或“失忆”？RAG和微调到底怎么选？本文从知识更新频率、能力需求、预算成本三个维度，结合企业内部知识问答、品牌文案生成等典型场景，帮你快速决策。记住：RAG是装图书馆，微调是读大学，大多数企业先把图书馆建好就够了。

产品包工头

Agent Fine-tuning RAG

AI

分享一种 AI 业务建模方法：Agent Ontology，Agent 本体论

企业AI Agent的落地困境在于缺乏对业务的理解。本文深入解析Agent Ontology方法论，通过定义对象、关系、动作与规则，为AI构建企业业务地图，让Agent从泛泛而谈变为精准执行。对比RAG，Ontology解决的是AI如何理解和操作真实业务，而非仅检索信息。

张艾拉

Agent AI Agent RAG

AI

从「管人」到「管模型」：在线客服与AI客服的数据评估体系有何根本不同？

当AI客服从100人变成1000个并发，评估效率的底层逻辑彻底变了。传统指标围绕“管人”构建，而AI客服需要一套围绕“管模型”的新框架——从NLU理解、RAG检索到LLM安全，每个环节都需独立量化。本文拆解五个核心差异，帮你重新设计评估体系。

Miss卓卓

AI客服 LLM安全 NLU

产品设计

不同AI场景，怎么落地？——我的三步走方法论

面对AI方案选型，很多人一上来就纠结用Agent还是工作流，却忽略了更根本的问题：这个场景值不值得用AI？AI要扮演什么角色？本文作者总结了一套从价值判断到方案匹配的完整方法论，帮你避开“为了AI而AI”的坑，找到真正适合的解题模式。

Hank

Agent AI方案选型 RAG

AI,个人随笔

从飞书到自建：知识库选型的三条路

知识库的检索方式不是由技术决定的，而是由场景决定的。本文深入拆解精确检索、语义检索与混合检索的适用场景，结合Claude Code与Cursor的实战对比，给出从飞书多维表格到云RDBMS再到自建全栈的三条选型路径，为产品经理提供一套可落地的知识库构建决策框架。

Miles

NL2SQL RAG 产品选型

找东西这件事，AI 也想明白了

信息架构的终极悖论：越整齐，越难找。作者从朋友找充电器的日常场景切入，对比传统信息架构与AI工具Claude Code的“笨办法”，揭示一个反常识的设计真相——当产品快速迭代时，提前建好的索引反而成为障碍。本文从交互设计视角，重新审视“探索成本”与“所见即所得”的平衡。

CyrusChang

Claude Code RAG 个人观点

AI,个人随笔

告别「向量库万能论」：分层检索 RAG 如何让企业知识问答真正可用

传统 RAG 几乎等同于「文档切块 + 向量嵌入 + 相似度召回」，在企业落地时却频频翻车：产品型号查错、法规条款张冠李戴、跨文档总结只见树木不见森林，且运维成本随文档量线性攀升。本文提出一套以问题为导向的分层检索 RAG 架构——符号索引优先、语义向量兜底、图谱总结全局、Agent 智能路由——并通过对照传统方案的五个典型选型场景，说明它如何解决传统 RAG 无法可靠处理的问题。若你正在评估知识库/智能问答方案，本文可作为技术选型的直观参考。