·tian
将 LLM 系统落地生产的血泪经验
将 LLM 系统落地生产的实战经验：为什么评估要先行，为什么混合搜索优于纯向量检索，以及为什么模型本身不是护城河。
llm
production
rag
evaluation
+1·tian
构建生产级 LLM 应用：实际会遇到什么问题
一份关于将 LLM 应用从演示阶段推向生产时会遇到的实际问题指南，涵盖推理成本、延迟权衡、提示工程 vs RAG vs 微调决策、多步管道故障、评估框架和可观测性。
llm
production
ai-engineering
evaluation
·tian
LLM 应用的数据飞轮：在生产与改进之间闭环
生产数据飞轮将用户交互转化为模型改进——但不到 1% 的交互产生明确信号，而天真地仅用这 1% 的数据进行训练会悄悄毒害你的系统。本文将介绍决定你的飞轮是会复合增长还是彻底崩溃的架构、反馈信号和失效模式。
llm
ai-engineering
fine-tuning
feedback
+1·tian
为所有人辩护 AI 评估
大多数声称跳过评估的团队实际上已经在进行评估——只是做得不好。本文将阐述为什么系统性的 AI 评估至关重要，何时可以采用更轻量级的方法，以及如何进行能够揭示真实信号的评估。
ai-engineering
llm
evaluation
production
·tian
构建能在生产环境中真正运行的 LLM 系统的七种模式
深入探讨七种工程模式——评估、RAG、微调、缓存、护栏、UX 设计和反馈循环——这些模式能将可用的 LLM 原型与可靠的生产系统区分开来。
llm
rag
fine-tuning
production
+1·tian
构建生成式 AI 应用的常见陷阱
95% 的生成式 AI 试点项目未能产生可衡量的商业影响。本文总结了导致 AI 项目失败的八个工程和产品陷阱——从问题选择到评估——并提供了实际案例。
llm
ai-engineering
rag
agents
+1显示第 829–834 篇，共 834 篇
上一页70 / 70