本文系统阐述了大语言模型（LLM）从基础模型到AI助手的后训练流程，重点解析了SFT、DPO和GRPO三阶段技术。SFT通过指令-回答样本训练模型遵循指令；DPO利用偏好对优化回答质量；GRPO通过强化学习提升推理能力。文章对比了不同训练方法的优劣，强调数据集质量的重要性，并指出RL阶段虽能显著提升性能但需较高算力支持。后训练技术经历了从SFT到DPO再到RL的演进，当前开源工具已使完整流程对开发

本文系统阐述了大语言模型（LLM）从基础模型到AI助手的后训练流程，重点解析了SFT、DPO和GRPO三阶段技术。SFT通过指令-回答样本训练模型遵循指令；DPO利用偏好对优化回答质量；GRPO通过强化学习提升推理能力。文章对比了不同训练方法的优劣，强调数据集质量的重要性，并指出RL阶段虽能显著提升性能但需较高算力支持。后训练技术经历了从SFT到DPO再到RL的演进，当前开源工具已使完整流程对开发

摘要：向量数据库通过高效索引技术实现语义检索，核心分为数据结构（哈希/树/图/倒排）和压缩（平坦/量化）两大维度。主流组合方案包括IVF-PQ（平衡型）、HNSW-PQ（高维优选）和Vamana（超大规模）。选型需权衡数据量、维度、精度与资源，HNSW现为高维事实标准，IVF-PQ适合内存受限场景，Vamana专注磁盘优化。未来趋势包括硬件加速、多模态索引和自动调参技术。

Claude Skills 是 Anthropic 推出的模块化AI能力扩展方案，通过"文件系统封装+渐进式披露"机制，为智能体注入标准化领域知识。其核心特点包括：1) 模块化封装元数据、指令和资源三要素；2) 分层加载机制显著降低token消耗；3) 与MCP工具调用协议形成"知识+工具"协同；4) 支持快速构建智能导购等专业应用。该方案解决了传统智能体知

向量数据库是一种专门用于高效存储、索引和搜索高维向量数据的系统，通过AI模型将非结构化数据转化为向量，实现基于语义的相似性检索。与传统数据库不同，向量数据库无需人工标注即可自动关联语义相似的内容。

共享记忆（MS）框架通过构建多智能体共享记忆池，解决LLM智能体在开放式任务中示例不足、理解有限的问题。该框架将智能体生成的提示-回答对作为可复用记忆存入全局池，通过动态检索和更新机制增强上下文学习能力。核心组件包括记忆生成、写入和检索，确保高质量记忆的积累和精准匹配。实验表明，MS框架能显著提升智能体在文学创作、逻辑推理等任务中的表现，打破记忆孤岛并降低开放式任务门槛，实现系统的持续优化。

上下文工程是优化大语言模型（LLM）动态上下文管理的系统性方法，旨在解决智能体在长时运行中的上下文爆炸和性能衰减问题。核心策略包括卸载、缩减、检索、隔离和缓存上下文，通过外部存储、智能摘要、语义搜索等技术降低Token消耗，提升响应效率。典型应用涵盖研究助手、多模态系统和企业自动化场景。多智能体架构通过任务分解和上下文隔离显著提升性能，但面临注意力分散、工具调用复杂等挑战。未来将聚焦自动化管理、多

RAG系统中查询重写技术通过多策略优化解决用户查询模糊、复杂或依赖上下文的问题。多查询重写生成语义相关的查询变体提升召回率；问题分解将复杂查询拆解为子问题逐个检索；Step-Back策略先检索抽象框架再定位细节；指代消解解决对话中的代词指代问题。四种策略协同应用可显著提升检索效果：召回率提升20-30%，复杂查询准确率提升40-50%，专业查询漏检率降低35-45%，对话场景错误率降低50-60%

SpringAIMCP客户端BootStarter是为SpringBoot应用提供MCP协议客户端自动配置的组件，支持STDIO、SSE和SSEWebFlux三种传输协议，提供SYNC/ASYNC两种客户端类型。具备多实例管理、自动初始化、生命周期管理等核心功能，可与SpringAI工具执行框架集成。通过配置文件可灵活定义连接参数，支持自定义客户端行为，适用于需要与MCP服务器交互的AI应用。组件

多路召回技术通过并行执行多种检索策略（关键词、语义、多模态等），再采用融合算法（RRF、加权排名）生成最终结果，有效解决单一检索的局限性。其架构包含多策略并行检索（稀疏/稠密/多模态）、智能融合算法和动态调优机制。Milvus等工具支持混合检索实现，典型步骤包括数据预处理、索引构建和多路召回执行。该技术优势在于多维度语义覆盖、场景动态适配和成熟工程化落地，适用于医疗、电商等需要高召回率的领域。