·tian
构建生成式 AI 平台：架构、权衡以及真正重要的核心组件
一份关于 LLM 周边基础设施层的实践指南，涵盖 RAG 流水线、模型网关、缓存策略、护栏和可观测性，以及何时应当真正引入这些组件。
ai-engineering
llm
platform
rag
+1·tian
上下文工程：为什么你喂给 LLM 的内容比你提问的方式更重要
上下文工程是提示词工程无法解决的系统架构问题。本文将解释为什么投毒、干扰、混淆和冲突这四种失败模式解释了大多数生产环境中的 LLM 故障，以及如何通过工程化手段解决这些问题。
llm
ai-agents
rag
production
+1·tian
使用 LLM 构建的一年：该领域的实战经验总结
来自将 LLM 驱动的系统推向生产环境的团队的宝贵经验：为什么模型是你技术栈中最不持久的部分，如何构建真正有效的评估基础设施，以及 RAG 何时优于微调。
llm
ai-engineering
rag
evals
+1·tian
超越 RAG：混合搜索、智能体检索以及真正重要的数据库设计决策
当用户查询精确标识符、错误代码和命名实体时，纯向量搜索在生产环境中会失败。本指南将介绍混合搜索架构、智能体检索模式以及随之而来的数据库设计决策。
rag
vector-search
hybrid-search
ai-engineering
·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 169–175 篇，共 175 篇
上一页15 / 15