- DeepSeek联合北大开源DSpark，大模型推理速度提升60%–85%，实现“秒回”级响应。无需更换模型，兼容主流开源架构。 DeepSeek联合北大开源DSpark，大模型推理速度提升60%–85%，实现“秒回”级响应。无需更换模型，兼容主流开源架构。
- 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2... 前面两篇文章在演示RAG功能时，做向量化的文本嵌入模型都用国外的all-MiniLM-L6-v2，该模型主要适用英文，对于中文总体也能用，但在细节上处理欠佳。本文就来介绍如何使用国产离线的文本嵌入模型替换国外模型，以及如何体现国产模型的比较优势。一、all-MiniLM-L6-v2的缺点虽然all-MiniLM-L6-v2的优点很多，比如下列几点：1、体积极小：几十 MB，随便本地离线下载2...
- 上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。一、向量数据库ChromaChroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下：... 上一篇文章通过all-MiniLM-L6-v2模型结合FAISS实现了简单的RAG检索功能，但FAISS运行于内存中，无法持久化保存向量数据，重启后又得重新对文本做向量化，比较浪费算力资源。本文就来介绍如何使用向量数据库来持久保存向量数据。一、向量数据库ChromaChroma是一个本地向量数据库，专门用来保存 RAG 知识库，并且快速检索相关内容。Chroma与FAISS之间的区别如下：...
- 企业在同时使用多个 AI 模型时，面临 Prompt 切换后性能漂移、多平台账单无法合并对账、调用链路缺乏追溯三大隐性成本。本文从工程实践角度分析问题根源，提出统一网关 + 调用归因 + 资产沉淀的架构思路。 企业在同时使用多个 AI 模型时，面临 Prompt 切换后性能漂移、多平台账单无法合并对账、调用链路缺乏追溯三大隐性成本。本文从工程实践角度分析问题根源，提出统一网关 + 调用归因 + 资产沉淀的架构思路。
- 最近文生视频领域又卷出了新高度。Seedance（视界无限）正式上线了2.0版本，主打超写实风格的视频生成。为了第一时间体验这款模型，我通过国内的AI模型聚合平台工具整合站点库拉接入了测试通道。实测下来，它的光影渲染能力确实有亮点，但也有技术局限。本文将以技术实战的视角，客观盘点其在复杂光影环境下的真实表现。一、 核心参数与首测分项结论首先给出我们在实际测试中得到的硬核数据：生成分辨率：最大... 最近文生视频领域又卷出了新高度。Seedance（视界无限）正式上线了2.0版本，主打超写实风格的视频生成。为了第一时间体验这款模型，我通过国内的AI模型聚合平台工具整合站点库拉接入了测试通道。实测下来，它的光影渲染能力确实有亮点，但也有技术局限。本文将以技术实战的视角，客观盘点其在复杂光影环境下的真实表现。一、 核心参数与首测分项结论首先给出我们在实际测试中得到的硬核数据：生成分辨率：最大...
- 基于 CCE 上运行的 Java 微服务，深入配置华为云 AOM 监控大盘、APM 调用链追踪、LTS 日志采集、自定义告警规则，构建"指标+日志+链路"三位一体的可观测性体系。涵盖 APM Agent 接入、JVM 监控看板、业务埋点、智能告警配置、真实故障排查案例，附 8 个实用监控模板和 3 个踩坑实录。 基于 CCE 上运行的 Java 微服务，深入配置华为云 AOM 监控大盘、APM 调用链追踪、LTS 日志采集、自定义告警规则，构建"指标+日志+链路"三位一体的可观测性体系。涵盖 APM Agent 接入、JVM 监控看板、业务埋点、智能告警配置、真实故障排查案例，附 8 个实用监控模板和 3 个踩坑实录。
- 黄仁勋称工程师年薪50万，却要花25万在AI Token上——揭示AI成本正从人力转向算力。Uber烧光全年AI预算、微软停用外部工具、账单碎片难追踪……企业正面临“能调不能管”的困境。TokenOps应运而生：实时计量、精准归属、动态预算，让AI调用从失控走向可控。 黄仁勋称工程师年薪50万，却要花25万在AI Token上——揭示AI成本正从人力转向算力。Uber烧光全年AI预算、微软停用外部工具、账单碎片难追踪……企业正面临“能调不能管”的困境。TokenOps应运而生：实时计量、精准归属、动态预算，让AI调用从失控走向可控。
- 本文记录了将 Claude Opus 4.8 用于需求拆解和测试用例生成的实践流程：先从长文档中提取业务对象、规则和待确认问题，再生成接口草稿与可追溯测试用例，最后通过人工 Review、多模型对比和执行验证降低风险。文章强调 AI 适合承担中间环节，不能替代产品确认、研发设计和测试验证；涉及代码、日志、业务数据时必须脱敏，并建立可复用的验证闭环。 本文记录了将 Claude Opus 4.8 用于需求拆解和测试用例生成的实践流程：先从长文档中提取业务对象、规则和待确认问题，再生成接口草稿与可追溯测试用例，最后通过人工 Review、多模型对比和执行验证降低风险。文章强调 AI 适合承担中间环节，不能替代产品确认、研发设计和测试验证；涉及代码、日志、业务数据时必须脱敏，并建立可复用的验证闭环。
- E2B 接入 AI Agent 前，先把沙箱合同写清楚：命令、文件、网络、密钥、timeout、artifact 导出和 cleanup 都需要边界。 E2B 接入 AI Agent 前，先把沙箱合同写清楚：命令、文件、网络、密钥、timeout、artifact 导出和 cleanup 都需要边界。
- 上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。一、文本嵌入Embedding模型向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。命令行通过cd命令进入Python工程的所在目录，再执行下面的模型下载命令，可将... 上一篇文章采用字符串匹配的方式来查找知识，这种方式比较呆板不够智能，接下来引入向量数据库，通过向量化实现更精细的知识检索。一、文本嵌入Embedding模型向量化一段文本的时候，经常用到all-MiniLM-L6-v2，它是一个轻量级的文本嵌入Embedding模型，专门把文字转成数字向量，给RAG做语义检索用。命令行通过cd命令进入Python工程的所在目录，再执行下面的模型下载命令，可将...
- 接手老项目、面对几万行毫无注释的“屎山”代码，是每个初中级程序员的噩梦。随着大模型技术演进，利用 AI 阅读源码已成为提高效率的主流手段。在实际开发中，开发者常通过聚合平台如库拉快速调用各类最新 AI 模型。其中，Gemini 3.5 凭借其超大上下文（Context Window）在解析复杂调用链和项目结构时表现尤为亮眼。本文将实战解析如何用 Gemini 3.5 快速看懂陌生代码、理清调... 接手老项目、面对几万行毫无注释的“屎山”代码，是每个初中级程序员的噩梦。随着大模型技术演进，利用 AI 阅读源码已成为提高效率的主流手段。在实际开发中，开发者常通过聚合平台如库拉快速调用各类最新 AI 模型。其中，Gemini 3.5 凭借其超大上下文（Context Window）在解析复杂调用链和项目结构时表现尤为亮眼。本文将实战解析如何用 Gemini 3.5 快速看懂陌生代码、理清调...
- 本文以 Java 后端开发为例，介绍如何用 ChatGPT 5.5 辅助 Bug 排查、测试用例生成、接口文档整理和代码 Review。文章强调 AI 适合做问题拆解、草稿生成和风险补充，但不能替代人工判断。通过结构化 Prompt、模型对比、人工 Review、测试验证和日志分析，开发者可以更稳妥地把 AI 融入研发流程，提升效率并降低误用风险。 本文以 Java 后端开发为例，介绍如何用 ChatGPT 5.5 辅助 Bug 排查、测试用例生成、接口文档整理和代码 Review。文章强调 AI 适合做问题拆解、草稿生成和风险补充，但不能替代人工判断。通过结构化 Prompt、模型对比、人工 Review、测试验证和日志分析，开发者可以更稳妥地把 AI 融入研发流程，提升效率并降低误用风险。
- 在后端开发与数据库管理（DBA）的日常工作中，慢 SQL 优化一直是耗时耗力的硬骨头。尤其是面对多表关联、嵌套子查询以及上百万行数据的复杂业务场景，手动分析执行计划（EXPLAIN）不仅考验经验，还极易遗漏关键索引。为了提高研发效率，许多技术团队开始尝试引入大模型协助分析。通过使用工具整合站点库拉这一AI模型聚合平台，开发者可以无缝调用 Grok 等前沿模型，快速完成复杂 SQL 的重构、执... 在后端开发与数据库管理（DBA）的日常工作中，慢 SQL 优化一直是耗时耗力的硬骨头。尤其是面对多表关联、嵌套子查询以及上百万行数据的复杂业务场景，手动分析执行计划（EXPLAIN）不仅考验经验，还极易遗漏关键索引。为了提高研发效率，许多技术团队开始尝试引入大模型协助分析。通过使用工具整合站点库拉这一AI模型聚合平台，开发者可以无缝调用 Grok 等前沿模型，快速完成复杂 SQL 的重构、执...
- 摘要：当前基于大语言模型的 AI Agent 面临一项结构性困境——检索增强生成（RAG）解决了"知识从哪来"的问题，却未解决"知识如何转化为可执行规则"的问题。检索层与生成层之间的"中场"——知识操作化层——是当前工程实践中最被低估的短板，亦是垂类 Agent 差异化竞争的核心战场。本文提出一套以中场操作化为中枢的 Agent 设计方法论，核心贡献包括：（1）将 RAG 重新定位为"受约束... 摘要：当前基于大语言模型的 AI Agent 面临一项结构性困境——检索增强生成（RAG）解决了"知识从哪来"的问题，却未解决"知识如何转化为可执行规则"的问题。检索层与生成层之间的"中场"——知识操作化层——是当前工程实践中最被低估的短板，亦是垂类 Agent 差异化竞争的核心战场。本文提出一套以中场操作化为中枢的 Agent 设计方法论，核心贡献包括：（1）将 RAG 重新定位为"受约束...
- 一、概述：三件事 × 三次交互 1.1 为什么是这三件事处理一个复杂任务，系统必须完成三件性质截然不同的事——理解拆解、分配执行、监控验证——缺一不可，且顺序无法颠倒。这不是方法论的选择，而是信息论上的必然：理解拆解发生在信息不完整阶段，目标是将模糊的用户意图转化为有向无环图（DAG）；如果跳过这一步直接执行，子任务边界不清，后续任何修复代价都会放大。分配执行是调度问题，核心是用最少的 a... 一、概述：三件事 × 三次交互 1.1 为什么是这三件事处理一个复杂任务，系统必须完成三件性质截然不同的事——理解拆解、分配执行、监控验证——缺一不可，且顺序无法颠倒。这不是方法论的选择，而是信息论上的必然：理解拆解发生在信息不完整阶段，目标是将模糊的用户意图转化为有向无环图（DAG）；如果跳过这一步直接执行，子任务边界不清，后续任何修复代价都会放大。分配执行是调度问题，核心是用最少的 a...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签