后续RAG公司没有从根本上去解决这个问题，而是不断的在其上打补丁比如，加入实体图搜索，在数据预处理上进行大量场景定制，在召回策略上也要进行场景定制。这代其实RAG受限于当时的技术条件而诞生的一个技术，那个时候大模型窗口普遍4-8k，并发少，速度慢，模型效果也一般，所以只能采用传统技术来做召回，并且采用小模型(rerank)来做排序。随着大模型技术的发展，我们推出了第二代 RAG , 该RAG核心是

InfiniSynapse 的团队因为非常懂 Agentic (早期auto-coder的作者)，可以做到数据领域最好的 Agent, 并且底层集成了InfiniSQL, 一个非常适合AI使用的SQL语言（经过几年的大模型适配），并且拥有全球最好的的知识库的支撑，让 Data Agent 拥有最好的工具和知识，从而获得最好的效果。2025年实际上Data Agent 是大模型刚出来，大家去做的第一

而 Agents 则是根据当前项目状态，选择合适的agent 完成工作，然后只做review ，比如如果需要修改文件，他会调用 /coding 工具，并且用文字，二次阐述要做什么，/coding Agent 会根据他的描述，实现具体的需求。可以看到，基本调用一次工具，就是发起一次新的请求，再流式解析和调用，这样相当于把当前的现状（修改结果），大模型重新进行了获取，从而能够指导接下来如何做决策。我们

今天一大早就看到了一篇文章，叫【大数据对于运维的意义】。该文章基本上是从三个层面阐述的：工程数据，譬如工单数量，SLA可用性，基础资源，故障率，报警统计业务数据，譬如业务DashBoard,Trace调用链，业务拓扑切换，业务指标，业务基准数据，业务日志挖掘数据可视化当然，这篇文章谈的是运维都有哪些数据，哪些指标，以及数据呈现。并没有谈及如何和...

如果以大模型为Kernel, 形成一个新的操作系统，那么：1. byzer-llm 是这个大模型操作系统的编程接口，有点类似Linux操作系统的C ABI。2. byzer-retrieval 也被集成进 byzer- llm 接口里，算是大模型操作系统的文件系统，应用可以通过python API 使用这个文件系统。3. byzer-agent 算是应用开发框架，并且支持分布式，跨多机。3. a.

运维同学很多工作其实就是在命令行里操作服务器，尽管目前有很多可视化的工具，但是命令行(ssh 登录)依然不可或缺，甚至依然还占据着主要工作。这意味着运维同学需要掌握大量和服务器操作系统以及shell相关的知识，记住大量的命令。现在，我们希望，通过自然语言，配置和操作我们的服务器，并且最好还是以 terminal的方式支持。auto-coder.chat 是一个基于命令行AI辅助编程工具（也支持 W

大家都在积极的开发基于大模型的应用， 尽管大模型在前端，传统web，APP ，小程序等开发上展现了其高超的能力，但是如果我们是在开发基于大模型的应用的时候，我们还都使用基于传统，一点都不智能的方式（比如使用workflow 亦或者基于langchain/llama_index各种库在手写代码），这里，如何根据功能需求手写Prompt，以及prompt的工程化以及管理，同时涉及到底层向量数据存储等的

背景auto-coder 系列是全球第一款以 Deepseek 系列模型为核心AI 辅助编程工具，全球第一款内置 Deepseek R1 + V3 组合的AI辅助编程工具来了。它的第一个版本是分布式的，pro 版本，对普通 toC 用户并不友好，于是我们推出了 lite 版本：auto-coder.chat Lite 版本来啦 但实际上 lite 对很多用户来，他们都有定制的需求，而lite...

运维同学很多工作其实就是在命令行里操作服务器，尽管目前有很多可视化的工具，但是命令行(ssh 登录)依然不可或缺，甚至依然还占据着主要工作。这意味着运维同学需要掌握大量和服务器操作系统以及shell相关的知识，记住大量的命令。现在，我们希望，通过自然语言，配置和操作我们的服务器，并且最好还是以 terminal的方式支持。auto-coder.chat 是一个基于命令行AI辅助编程工具（也支持 W

背景我现在有两类内容，一个是大量的 auto-coder 示例配置，每次我用的时候都需要去找示例，然后复制黏贴。第二类是各种启动模型的脚本：需要关闭或者开启一个模型，都需要查找然后复制黏贴，比较麻烦。这个时候，我就在想如何把这些内容构建成知识库，让问答小助手帮到自己，甚至小助手还可以直接帮我执行一些脚本。于是有了 AutoCoder 的文档功能。安装conda create --name auto