登录社区云，与社区用户共同成长
邀请您加入社区
直接上答案：Skills本质是结构化的本地文件夹，用来补充某个领域的流程、知识和工具，让模型在相关场景下自动或按需调用，是面向大模型的能力封装。
当下 AI 技术迭代速度飞快，**Prompt、Skill、**Project、****MCP****这四个词汇频繁出现，也成为解锁 AI 高效工作的关键。但很多人对这四个概念一知半解，本文就为大家拆解下这四个词的核心概念和应用场景，并看看它们可以为设计环节带来哪些提效作用。
Agent智能体是一种以大语言模型（LLM）为"大脑"，能够自主感知环境、进行推理规划，并调用外部工具执行复杂任务的系统。它不仅仅是简单的程序，而是具备一系列高级特征的复杂系统。
AI Agent 是当前 AI 应用开发的前沿方向。它让 AI 从"被动回答问题"升级为"主动完成任务"。
Web 安全领域有一条铁律：永远不要信任用户输入。SQL 注入、XSS、命令注入，这些漏洞的根源都一样——程序把用户提供的数据当成了指令来执行。大模型时代，这个老问题换了一张新面孔，叫做 Prompt 注入。但它比传统注入更棘手——传统注入有明确的语法边界可以做转义和过滤，而 LLM 处理的是自然语言，指令和数据之间根本不存在一条清晰的分界线。
实际测试时我就遇到了：用户输入"吲哚美辛"（消炎痛），这是另一个 NSAIDs 类药物，图谱里收录了，但 Agent 从用户的"消炎药"这个描述里提取出来的实体是"消炎药"这个词，字典里没有这个词，检索返回空。"胃溃疡史"、"有胃病"、"胃不好"、"之前做过胃镜有溃疡"——这些表达在语义上等价，但字符串差异很大，别名字典覆盖不了这种程度的语义变体。字段是关键——用户不会说"ibuprofen"，他
测试集中的实体都是训练集中没见过的新实体。对于每一个需要被测试的查询三元组，数据会给出需要被预测尾实体的头实体和关系（“head_rel”），以及尾实体的候选集合（“tails”），模型需要给出候选尾实体的排序，越有可能是真实的尾实体，排序越靠前。根据问题定义，测试数据集中的实体都是训练阶段没有见过的，所以测试集中实体编号和训练集实体编号无法对应，是单独重新编号的，而测试集中关系编号是可以和训练集
几乎每个人都用过多轮对话——打开 ChatGPT 聊几句就是。但是要设计一个多轮对话可不容易。多轮对话 Agent 的设计之所以难，不是因为某一个技术点特别深奥，而是因为它要求你同时想清楚好几件事情怎么协同运作：上下文怎么管、状态怎么追踪、记忆怎么存、上下文窗口装不下了怎么办、对话中途要调工具怎么处理……这些子问题单拎出来都不算太难，但一旦放进"多轮对话"这个场景里，它们之间的耦合关系会让整体复杂
做英文独立站、做谷歌 SEO 的人，几乎都会遇到一个共同瓶颈：网站内容写了很多，关键词布局反复优化，外链也在慢慢积累，但搜索排名就是不温不火，谷歌始终无法精准识别网站的核心价值，甚至在 AI 搜索、知识面板、精选片段这些高流量位置，完全没有曝光机会。你有没有想过，问题可能不是内容不够多，而是信息太零散，机器读不懂，这属于信息结构的问题。
LLMWiki是一种新型知识管理范式，通过大模型自动构建和维护结构化知识库，相比传统RAG具有知识可沉淀、关系清晰、节省token等优势。本文介绍了LLMWiki的核心概念和6个可直接运行的GitHub项目，包括思想原型、极简实现、自动化Agent版、生产级模块化版本、多模型增强版以及运维场景专用版。这些项目覆盖了从理论验证到生产落地的完整链路，适合开发者、团队和特定领域用户搭建可迭代的知识管理系
前 6 天我们逐一学习了 RAG 的每个核心组件：* Day01：RAG 整体架构* Day02：文本分块（Chunking）
你有没有遇到过这种情况："问AI我们公司年假有几天，它瞎编一个答案""问AI产品退换货流程，它说的和官网完全不一样"
大模型很强大，但让它回答企业内部问题就经常"胡说八道"。RAG 技术能解决这个问题——通过检索私有数据增强生成，让 AI 回答更准确。本文从零开始搭建 RAG 系统，分享核心架构、实战经验和踩坑记录。
大家构建智能体应用的时候或多或少会有个烦恼:系统提示词越写越长,什么代码审查、Git 操作、文件整理、API 测试……全往里塞,最后一个 Prompt 两千多行,跑一次烧一堆 token 不说,模型还经常抓不住重点,东一榔头西一棒子。
做了一年Java开发真的要emo了…天天围着CRUD转，改不完的bug、加不完的班，身边做了很多年的同事薪资钉死在原地，晋升通道窄得看不见头，感觉再干下去就要被行业淘汰了😭
1. 如何实现多 Agent 协作系统？2. 什么是 RAG（Retrieval Augmented Generation）？
回头看Nexent 对 Harness Engineering 的实践，不仅体现在工具和模型的模块化组合，更体现在‘降低驾驭门槛’上：它把复杂的向量模型配置、知识库切片、工具调用逻辑，都封装成了点击操作，让非技术人员也能‘驾驭’AI 技术。“原则具体化”惯性未根除：测试二中，虽然声明了未覆盖细节，但在前面的“流程控制要点”里，它依然将“控制时长”的原则，下意识地转换为了一套具体的“自我介绍30分钟
制造业PLM系统普遍面临“数据沉睡、找用困难”的痛点。本文深度拆解了智橙PLM落地的六大AI实战能力：通过文档智能解析实现图纸数据自动提取；利用风险预警与BOM智能校验构建自动化质量防线；借助知识图谱将离散信息编织成可复用的关系网络；以自然语言驱动的“智搜”重构检索逻辑；用“智驱”打破流程瓶颈。六大能力环环相扣，形成从数据治理到决策支持的闭环，真正将工程师从重复劳动中解放出来，为制造业研发提效提供
摘要：知识图谱与LLM的协同应用 知识图谱（KG）与大型语言模型（LLM）在数据价值挖掘方面形成互补关系。一方面，LLM可辅助KG构建，通过实体解析、数据标注和类提取等技术提升图谱质量；另一方面，KG能优化LLM应用，通过检索增强生成（RAG）等技术提高回答准确性，并增强数据治理能力。两者的结合可实现：1）LLM驱动的KG构建与优化；2）KG支持的LLM应用增强，包括数据质量控制、个性化推荐和合规
为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单，这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张，也让人才供需矛盾愈发突出。
本文介绍了GitNexus在Windows环境下的安装与使用教程。GitNexus是一款基于Node.js的开源代码知识图谱工具，能够解析代码库生成依赖关系图谱。教程详细讲解了前置环境准备(Node.js18+、Git)、全局安装步骤、环境变量配置、项目代码索引方法，以及网页版GUI的使用流程。通过本地服务启动后，用户可在官方在线UI中查看交互式代码图谱，实现代码文件定位、调用关系查询和AI问答等
Agent 记忆系统 = 让 AI 像人一样，把「刚刚发生的」「学过的」「长期积累的」分层管理
当别人还在卷Prompt长度时，顶尖团队已经换了个赛道上周和一位做企业级AI助手的朋友聊天，他说了句话让我印象深刻：“我们花了三个月优化Prompt，效果还不如一个实习生写的标准操作流程。”
AI时代热词一堆一堆的，前段时间大家都在聊token。我最早听说这个词还是在游戏王，里面怪物的衍生物叫token。如果你没听过游戏王，说明你还年轻
很多团队做 RAG，第一反应是换更强的大模型。 但真正做过系统后，你会发现：**RAG 的上限，很多时候并不由模型决定，而是由前面的检索链路决定。
2026年初，AI圈和OpenClaw一起爆火的有一个晦涩难懂的新词儿，叫做Harness Engineering。 这是一个复杂而抽象的概念，各种中文翻译都得其意不得其神。
Python、torch必须能手写；神经网络、深度学习原理、Transformer底层机制（forward、attention）要吃透，不能只调库。
大模型应用开发面经（5年经验）岗位：AI大模型应用开发
我面试过不少人，说熟悉RAG，结果一问就穿帮。RAG绝大多数工程师只碰到前半段：拿个LangChain,上个向量库,把chunk和embedding丢进去跑个检索；
在企业级智能助手、智能客服、MCP Server 等 Agent 场景中，后端接口返回的数据对象（或 JSON）对大语言模型而言是"冷数据"——字段名与技术语义无法直接映射到业务含义。这里就当前AI读取接口返回"属性名-属性值"形式的结构化对象数据可能存在理解偏差的问题，实现一种基于自定义注解的轻量级转译方案，将结构化对象一键转换为自然语言表达式，无需额外的字典查询步骤，无需AI二次转义，即可显著
用 RAG 统一接入和检索材料，用知识图谱组织项目中的对象与关系，用 AI 编排把问答、分析和治理动作连接起来。从落地角度看，KnowCosmos + Galaxybase + 创邻企业AI大脑是一条较为完整、也更符合企业复杂项目治理需求的技术路径。它既能解决信息分散的问题，也能支撑风险分析、范围蔓延识别、决策闭环和管理洞察，最终把复杂项目管理从“材料堆积”升级为“知识驱动的智能治理”。
▷ 批量扫描商品RFID标签自动绑定信息▷ 动态分配最优储位并生成电子地图指引▷ 支持混码托盘点与异常件预警▷ 灯光拣选系统指引拣货路径▷ 自动校验订单与实物标签匹配度▷ 波特率可调式数据同步机制确保零误差▷ 无人机载式RFID扫描实现立体盘点▷ 热力图分析库存周转效率▷ 自动触发补货预警（阈值精度±1%）▷ 电子围栏防越权移动▷ 视频联动异常行为识别▷ 区块链存证满足合规审计。
本文以现代军事行动中大模型辅助决策为引，深度剖析从海量异构情报中提取决策知识的技术链路，对比分析Palantir本体论与企业知识图谱架构，并探讨在严肃决策场景中，“可信可解释”技术路线的核心价值与未来趋势。
RAG技术在工业问答系统中的应用摘要 RAG（检索增强生成）技术通过结合检索与生成模型，有效解决了工业问答系统中的专业知识获取难题。系统架构包含查询理解、文档检索、上下文增强和生成四大模块，支持处理设备手册、故障案例等工业文档。关键技术包括文档切片策略（结构化切片+语义重叠）、混合检索方法（向量+关键词）以及多阶段重排序机制。工业场景中，RAG显著提升了回答准确性，同时将幻觉率降低60%。系统支持
AI知识管理新工具Graphify：让LLM帮你构建持续更新的知识图谱 AI大神Andrej Karpathy提出的LLM Wiki理念，通过开源工具Graphify实现自动构建知识图谱。Graphify能将各类文件转化为结构化知识库，通过两轮提取（结构+语义）生成可交互的知识图谱，显著降低查询token消耗。它支持增量更新，自动发现隐藏关联，配合Obsidian Web Clipper形成闭环工
本文分析了开源项目LLM Wiki（v0.3.1）知识图谱模块的工程实现，重点探讨了关联度计算、社区检测与图谱洞察三个核心子系统。系统采用四信号复合关联度模型（直接链接、来源重叠、共同邻居和类型亲和），完全运行在前端（TypeScript），适用于个人知识库场景。文章详细介绍了检索图的构建流程、四信号模型的权重分配与计算方式，以及基于Louvain算法的社区检测实现。该系统通过多维度关联分析，有效
你花了几个月时间，构建了一个拥有百万节点、数百种边类型、数据工程师看了都竖大拇指的知识图谱。本以为数据越丰富，洞察就来得越快，结果产品团队抛来一个再正常不过的问题：“找出过去十年里所有与印度AI领军者合作过、且参与过G20政府资助项目的公司。”查询一跑，就是四分钟。这不是数据量的问题，而是查询本身的问题。子图匹配的本质决定了它天生就容易爆炸，而真正拉开生产级知识图谱生死的，正是后面这一整套优化体系
本文探讨了AI搜索营销的发展趋势及企业选择GEO源码开发服务商的关键因素。随着AI用户突破6亿，传统搜索方式已无法满足需求，预计2029年AI搜索市场规模将达3000亿元。选择服务商需考量技术实力（如自主研发能力）、服务范围（多平台覆盖）、标准化流程及灵活合作模式。中科AI获客宝凭借四大自研算法、全流程服务及三重合作模式，在教育、金融等领域取得显著成效，案例显示转化率最高提升4倍、获客成本降低76
专注于知识图谱构建与应用开发，提供一站式定制服务。涵盖数据采集、实体与关系抽取、图谱建模及优化，支持科研与企业场景。
在传统的稠密检索（Dense Retrieval）中，一个文档被编码为单个向量，检索时通过 ANN（近似最近邻）算法快速找到与查询最相似的文档。这种方式简单高效，但存在根本性的信息瓶颈——无论文档多长、语义多复杂，所有信息都被压缩进一个固定维度的向量中。
知识图谱
——知识图谱
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
龙虾开发者社区
AtomGit开源社区
2048 AI社区
快递鸟社区
