1.AI Agent 技术发展史 Agent 技术的演化路径如下： 提示工程 → RAG → Function Calling → ReAct → 初代 Agent 框架 → Multi‑Agent → MCP → A2A 提示工程（Prompt Engineering）：通过精细设计提示让 LLM 有效完成任务； RAG（Retrieval‑Augmented Gen...

1. RAG 基础知识概览 根据索引结构的不同，当前企业落地的 RAG（Retrieval-Augmented Generation）方案大致可分为以下两类： 1.1 基于向量索引的语义检索（Semantic Chunking + Vector Retrieval） 以语义切块和向量检索为核心的 RAG 架构是目前最主流的形式，主要代表有： Naive RAG：将原始语料切分为...

1.主流GPU分类 第一档, A或H, A800, H800运算性能没砍, 显存带宽80% 第二档, L是H的30-50%, 是A系列降级. 如果预算在4090之上又不到A 第三档, RTX T不推荐 2.主流GPU性能和性价比 性能 A系列适合训练不适合推理 我们以 RTX 4090 为例，它的推理能力非常强，但训练性能相对较弱。刚才我们做了简单对比，大家应该也能看...

1.GraphRAG Indexing & Query 流程 2. Query 基本概念   在索引阶段，我们结合大语言模型与提示工程，从非结构化文本（如 .txt、.csv）中抽取实体（Entities）和关系（Relationships），构建出基础的知识图谱（Knowledge Graph）。随后，通过分层的 community 结构及其 community_repor...

0.GraphRag 索引过程 flowchart TB %% 原文与切块层 subgraph RAW[原文与切块层] D[/documents.parquet<br/>文档级元信息<br/>doc_id · 标题 · 源文件 · 页范围 · 标签/] TU[text_units.parquet<br/>文本/表格单元<...

1. 微调技术概览 微调（Fine‑Tuning）的目标是让通用或预训练模型在特定任务或业务场景中表现更优。常见的微调模型包括： Embedding 模型：用于生成任务相关的语义向量表示，支撑检索、排序等下游任务。 Reward 模型（奖励模型）：用于强化学习阶段，为生成模型提供自动化反馈信号。 无论采用哪类模型，高质量数据是微调成败的核心。 微调流程简要步骤： ...

1. 知识图谱基础   知识图谱（Knowledge Graph）建立在图论基础之上，是用于建模实体及其之间关系的一种数据结构。在图结构中，主要由两个核心要素组成：节点（Node）*和*边/关系（Edge/Relationship）。 节点（Node）：表示具体的实体，例如一个人、一家公司或一个地点。它们类似于关系型数据库中的记录（Row）。 关系（Relationship）：...

1. ReAct Agent 基本理论 ReAct 框架由 Reason（推理）与 Act（行动）结合而成，其核心是一个 思想—行动—观察（Thought–Action–Observation）循环。 在这一循环中，代理（Agent）会基于已有的观察结果进行推理（Reasoning），从而决定下一步要采取的行动（Acting）；而行动的结果又会作为新的观察（Observation）反馈到...

1. Function Calling 的生命周期 Function Calling 是 OpenAI API 中的重要机制，用于让模型在无法直接回答问题时调用外部函数来获取所需信息。其生命周期主要包含以下五个阶段： 1. 建立连接 在发起一次对话请求前，客户端需要： 指定所使用的模型（如 gpt-4o-mini）； 提供用户输入的上下文信息（messages）； 注册...

1.打开注册表 终端输入regedit 2.打开相应目录 接着导向以下目录(直接复制到地址栏即可) HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\WindowsUpdate\UX\Settings 3.创建一个32位DWORD 先复制名字再创建, 命名为 FlightSettingsMaxPauseDays 4.值修改为 7000, 十进制...