摘要： 本文以数据库视角拆解AI核心概念，帮助传统开发者快速理解AI编程。向量相当于数据库的行，维度是语义特征轴，HNSW索引类似分层导航系统，模型推理则类比存储过程。RAG技术通过检索外部知识库增强模型回答的准确性，其流程与数据库查询-组装-执行逻辑相似。文章强调AI开发的核心是接受概率性结果、优化Prompt工程，并建议分阶段实践：先跑通Demo，再深入向量检索与Prompt调优，最终构建完整

摘要： 本文以数据库视角拆解AI核心概念，帮助传统开发者快速理解AI编程。向量相当于数据库的行，维度是语义特征轴，HNSW索引类似分层导航系统，模型推理则类比存储过程。RAG技术通过检索外部知识库增强模型回答的准确性，其流程与数据库查询-组装-执行逻辑相似。文章强调AI开发的核心是接受概率性结果、优化Prompt工程，并建议分阶段实践：先跑通Demo，再深入向量检索与Prompt调优，最终构建完整

【摘要】一位开发者用32GB内存的集成显卡笔记本成功运行7B参数AI模型的经验分享。通过量化技术（Q4_K_M方案）将模型内存占用降至4.5GB，实现5-8token/s的推理速度，证实CPU环境完全能满足学习需求。文章详细解析了内存分配策略（WSL2限制16GB）、英特尔可变显存技术应用及不同量化方案的性能对比，指出32GB是运行7B模型的"黄金分水岭"，为预算有限的AI学习

这是作者的专栏文章导航总台账，持续更新AI智能体、本地化AI落地、Python实战等系列内容。作者为20年IT老兵，聚焦制造业AI应用，分享RAG知识库、Agent智能体开发、Python工程化工具等实战经验。目前已发布多篇技术文章，包括本地大模型部署、AI客服系统搭建、亲子编程案例等，所有案例均提供可复用的工程源码。文章按核心主线分类展示，并附更新日志，建议读者关注收藏，不迷路，后续经常内容不断

作者在制造业数字化转型中将AI应用从RAG（检索增强生成）升级为AI Agent的实践过程。文章对比了RAG与Agent的核心差异：RAG仅能被动回答问题，而Agent具备主动调用工具完成任务的能力。作者详细介绍了技术选型（Qwen2.5模型+LangChain框架）、项目结构设计、四个核心工具（计算器、时间查询、文件读写、知识库检索）的实现要点，以及Agent构建过程中的关键决策和工程化心得。文

作者在制造业数字化转型中将AI应用从RAG（检索增强生成）升级为AI Agent的实践过程。文章对比了RAG与Agent的核心差异：RAG仅能被动回答问题，而Agent具备主动调用工具完成任务的能力。作者详细介绍了技术选型（Qwen2.5模型+LangChain框架）、项目结构设计、四个核心工具（计算器、时间查询、文件读写、知识库检索）的实现要点，以及Agent构建过程中的关键决策和工程化心得。文

本文详细记录了作者从零搭建基于RAG（检索增强生成）技术的"十五五"规划智能问答系统的完整过程。系统使用3个公开政策文件（总纲+专项规划+指导意见），在32GB内存笔记本上实现了文档索引构建、跨文件均衡检索和智能问答功能。文章重点分析了RAG工程化中的核心挑战：通过独立检索每个文件并强制各取3个片段，解决了总纲文件淹没细则文档的问题；采用查询扩展技术提升召回率；设计引用溯源机制

​今天实践分享的内容很接地气，这个场景是非常典型的，最容易实施的。大家可以跟着一步一步来，和我一起动手搭建一个【橘子洲头景区AI客服】的完整AI应用场景。用核心景区“长沙橘子洲头”的案例做了个性化的场景化改造——加入景区知识库、定制Prompt、优化UI体验。​

当跑通第一个AI客服应用实例时，我心里想的是：“就这？知识库也就不过如此罢了。”但当我思考要把这套系统真正往“能用”的方向推进时，才发现，一个Demo和落地一个系统之间，隔着一整个太平洋。接下来我将从“会调接口”到“理解知识库工程”的完整过程总结。不讲空洞的理论内容，只讲踩过的坑，流过的汗，最终想明白了一些事情，希望大家也能有所启发。

《IT老兵转型记：20+年经验者如何用工程思维破解AI焦虑》 一位拥有20年经验的IT从业者从质疑AI到主动拥抱技术变革的心路历程。最初认为ChatGPT只是聊天工具的他，逐渐发现三大职业支柱正在动摇：领域知识壁垒被AI缩短学习周期打破，重复性工作被自动化取代，行业格局向"AI验收者"角色转变。 基于"不追风口、只搭阶梯"的原则，他制定了平民化学习路径：用普