#数据工程
共 7 篇相关文章
第 9 章 驻场工程化技术栈:LLM 选型 / RAG / Agent / 推理 / 量化 / 可观测
本章一句话 :FDE 在客户现场要搭一个能跑的 AI 系统,靠的是一套从模型到可观测的七层技术栈;本章给出 2026 年生产级选型与可照抄的命令/配置。 9.1 技术栈全景图:七层 一个完整的企业 AI 系统,FDE 需要打通七层技术栈: FDE 不需要在每层都是专家,但必须能" 端到端打通 "——…
深度专题一 RAG 进阶与上下文工程实战
专题定位 :RAG 是企业 AI 系统的"知识地基",也是 FDCE(前沿部署上下文工程)的核心实现。本专题把 RAG 从"能跑"讲到"跑得好、跑得稳",覆盖分块、嵌入、检索、重排、查询改写、GraphRAG、Agentic RAG、评估与工程化的全部实战细节。 一、为什么企业 RAG 比 Chat…
深度专题五 数据工程实战:企业 AI 的 70% 与看不见的地基
专题定位 :行业里有句话——"企业 AI 项目 70% 的工作量在数据工程"。这不是夸张。本专题讲 FDE 在客户现场面对的真实数据工程挑战,以及如何用工程化方法搞定它们。 一、为什么数据工程占 70% 模型是现成的(开源/国产),prompt 可以调,但 客户的真实数据,是 FDE 必须亲手处理的…
深度专题十四 LLM 选型与微调实战(LoRA/QLoRA/DPO)
微调(fine tuning)是 FDE 在客户现场最容易"踩过头"的环节。许多团队第一次拿到私有数据就上 LoRA,两周后模型回答风格对、但事实错;或者一上来就全参微调 7B,把预算烧在显存租赁上。本专题不堆理论,只回答一个问题:在某客户的具体场景里, 到底要不要微调、怎么微、微完怎么验 。所有命…
深度专题三十六 AI 项目的需求工程
专题定位 :AI 项目的失败,70% 死在需求阶段——不是技术做不出来,而是从一开始就没搞清楚"到底要解决什么问题、AI 是不是对的锤子、数据够不够支撑"。本专题把"需求工程"从产品经理的 PRD 写作,还原成 FDE 在客户现场的实战方法:怎么从老板一句话里挖出三层需求、怎么辨别真伪痛点、怎么判断…
深度专题四十一 数据中台与 AI 中台的融合
数据中台与 AI 中台不是两个独立产物,而是一根价值链条的两段:前者负责把企业的原始数据沉淀为可信、可复用的数据资产(数据湖/湖仓/指标/标签/主数据),后者负责把这些资产转化为可决策、可执行的智能能力(模型/Agent/知识/评估)。过去五年,大多数中国企业的真实路径是先建数据中台(2018—20…
深度专题五十九 理解客户现有系统(Legacy 逆向与梳理)
写在前面：本专题讨论 FDE 进场后第一周几乎一定会撞上的那堵墙——客户的"存量系统"。所谓"存量",指的是客户现场已经在跑的 ERP/MES/HIS/CRM/数据仓库/各种接口、定时任务、Excel 报表、手工补数脚本、已经离职没人接手的中间件。这部分内容不是"理论",而是 FDE 在任何一家非初…