文章介绍了解决RAG技术无法理解语言多样性问题的DRAG方法。通过多样性感知相关性分析器(DRA)精准评估文档相关性，以及风险引导稀疏校准策略(RSC)降低生成噪声，DRAG显著提升了大模型在各类任务中的表现。实验证明，DRAG在多个数据集上优于现有方法，计算开销小，泛化能力强。算泥社区是集 “AI 大模型开发服务 + 算法 + 算力” 于一体的开源生态社区，欢迎关注！我们都知道，大模型肚子里只有

DeepSeek-v3大模型横空出世，以1/11算力训练出超过Llama 3的开源模型，震撼了整个AI圈。紧接着，“雷军开千万年薪挖DeepSeek研究员罗福莉”的传闻，也使得人们把目光聚焦向。这下不只科技圈，全网都在好奇，连小红书上都有人发帖询问，国际上，也有人把创始人的访谈翻译成英语，还加了注释，试图从中寻找这家公司崛起的蛛丝马迹。量子位整理各种资料发现，DeepSeek团队最大的特点就是。应

金融的本质是风控，大模型在优化金融业务流程和用户体验的同时，也需要降低大模型高昂的迭代和训练成本。一些金融机构选择利用大数据的整合，在垂直领域精调模型，以小规模算力打造轻量级精调模型，将成本降到最低。此外，在大模型技术的应用过程中带来的伦理道德、价值观等问题，需要法律法规的约束，这些在未来都需要进一步厘清和给出明确的规定指引。总的来看，金融数据不充分、研发成本较高、大模型在金融垂直领域仍未挖掘出涌

随着算力的飞速进步，有越多越多的场景希望能够实现“算力换时间”，即通过堆砌算力来缩短模型训练时间。理想情况下，我们希望投入 倍的算力，那么达到同样效果的时间则缩短为 ，此时总的算力成本是一致的。这个“希望”看上去很合理和自然，但实际上并不平凡，即便我们不考虑通信之类的瓶颈，当算力超过一定规模或者模型小于一定规模时，增加算力往往只能增大 Batch Size。然而，这就是接下来我们要讨论的话题：当

AI智能体落地90%工作是工程架构，仅10%依赖大模型本身。文章详细拆解了从算力、基础设施到前端层的14层架构，强调容器编排、数据清洗、模型路由、工具集成等工程细节才是关键。企业需全链路打磨，而非单点突破，才能让AI智能体真正落地并发挥价值。大模型是点睛之笔，但工程架构决定系统能否飞起来。越来越多的企业正在尝试把 AI 智能体真正落地，我们会发现一个有趣的规律：90% 的工作其实是工程架构设计，只

或者说，这里的主要问题是，它对我来说，是黑盒的。和 rule/_iterate 不同，它是一个黑盒 Agent，基于Skills——你通过 Skills（一份描述分析流程和约束的文档）告诉它「你是一个安全分析师」，然后把告警丢给它，它自主决定查什么数据、怎么分析、给什么结论。给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果

要理解智能体的运作，我们必须先理解它所处的任务环境。在人工智能领域，通常使用PEAS模型来精确描述一个任务环境，即分析其性能度量(Performance)、环境(Environment)、执行器(Actuators)和传感器(Sensors)。以上文提到的智能旅行助手为例，下表1.2展示了如何运用PEAS模型对其任务环境进行规约。表 1.2 智能旅行助手的PEAS描述在实践中，LLM智能体所处的数

长期以来，大模型的发展遵循依靠模型参数增加、数据集规模扩充以优化模型性能的规模定律。但随着可用于预训练的开源数据挖掘殆尽、模型训练所需的算力资源紧缺，大模型发展遵循的Scaling Law即将失效。在近日举行的清华大学基础模型2025学术年会上，清华大学计算机科学与技术系副教授刘知远表示，“密度法则”将接替Scaling Law成为最新大模型迭代规律。根据这一法则，端侧智能将迎来广阔发展前景。“芯

要理解智能体的运作，我们必须先理解它所处的任务环境。在人工智能领域，通常使用PEAS模型来精确描述一个任务环境，即分析其性能度量(Performance)、环境(Environment)、执行器(Actuators)和传感器(Sensors)。以上文提到的智能旅行助手为例，下表1.2展示了如何运用PEAS模型对其任务环境进行规约。表 1.2 智能旅行助手的PEAS描述在实践中，LLM智能体所处的数

这份指数在1350 个维度上记录了 30 个代理系统，但更重要的，是它揭示了三个结构趋势：第一，安全披露高度不均。仅有极少数代理发布针对自身架构的系统卡片。大多数系统要么只披露基础模型信息，要么只强调合规认证。能力基准与安全评估之间存在明显不对称。当代理风险越来越多地来自规划能力与工具调用，而不仅是模型输出时，仅依赖模型层面的文档已不足够。第二，基础模型高度集中。几乎所有代理都依赖GPT、Clau