#RAG
共 13 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…
深度专题七 技术选型决策工程:七步法与决策树
专题定位 :FDE 在 Design 阶段最频繁的决策就是"选什么"。本专题把技术选型从"凭感觉"变成"七步法 + 决策树"的工程化过程,覆盖模型、RAG、Agent、向量库、推理、部署的选型逻辑。 一、选型的本质:约束下的权衡 技术选型没有"最优",只有"在客户真实约束下的最合适"。 FDE 选型…
深度专题十三 Prompt 工程模板库实战
把 prompt 当代码,不当灵感。本专题给出可直接照抄的工业级模板,每个都标注设计要点与常见坑。 13.1 工业级 prompt 模板的通用结构 把散落在无数对话里的"经验型 prompt"沉淀成可复用模板,是 FDE 把 demo 推向生产的第一个硬动作。一个工业级模板通常包含六个槽位, 缺任何…
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…
深度专题二十一 知识图谱与 GraphRAG 深度实战
一句话定位:向量 RAG 回答"哪段话和问题最像",GraphRAG 回答"这些实体之间到底有什么关系、整份资料讲了什么"。前者是语义检索,后者是结构化推理。 一、为什么向量 RAG 不够 过去两年,基于向量嵌入(embedding)+ 相似度检索的 RAG 已经成为企业 AI 落地的标配。它的逻辑…
深度专题三十四 大模型应用架构演进
一句话定位:大模型应用不是"调一次 API"就完事的产品,它是一种会随业务复杂度持续生长的架构形态。从单点调用到企业 AI 中台,每一阶段的拆分都不是为了好看,而是为了把上一阶段爆掉的某个属性——延迟、成本、上下文、权限、可观测——单独拎出来治理。FDE 在客户现场要做的事,就是判断客户当前在哪一阶…
深度专题三十五 FDE 的知识管理与资产沉淀
35.1 为什么知识沉淀是 FDE 团队的复利 FDE 的业务模型有一个天然特征：项目是离散的、行业是横跨的、客户现场是异构的。一个 FDE 团队今年可能在做某银行的智能风控，明年转到某三甲医院的影像辅助诊断，后年又去做某港口的调度优化。如果每次项目结束只交付了系统、没沉淀经验，那么下一个项目几乎等…