本文介绍了一套RAG知识库评估框架，通过Recall Score(检索召回率)、Correctness(答案正确度)和Groundedness(基于知识库程度)三项核心指标，实现对知识库建设效果的可量化、可复现、可对比的科学评估。系统采用Python实现，轻量易维护，帮助企业从'凭感觉'转向数据驱动的方式持续优化知识库质量和智能体回答能力。

事实上，国内外企业在使用AI过程中出现错误的问题极其普遍。这些问题都揭示了通用AI的局限性：在需要高度专业化和精准度的企业场景中，缺乏内部数据支撑的通用模型往往难以胜任。换句话说，企业需要的不仅仅是“能回答问题”的AI，更是能够深入理解企业私域知识、提供精准安全解答的“智慧大脑”。而构建一个企业大脑，首当其冲就是要建立一个能用、好用的企业级知识库。

大模型应用工程师是专注于开发、部署和优化大型机器学习模型的专业人员。他们负责将大模型应用于实际场景，解决具体问题，提升业务价值。大模型应用工程师的工作通常涉及数据处理、模型训练、性能调优和系统集成等多个方面。研究和开发大型机器学习模型：包括但不限于深度学习、自然语言处理和计算机视觉等领域的模型。设计和实现高效的算法：优化模型性能和资源消耗，确保模型能够在实际应用中快速、准确地运行。与数据科学家和工

随着人工智能技术的快速发展，尤其是大规模语言模型（如GPT-3、BERT等）在自然语言处理领域的广泛应用，越来越多的技术人才开始考虑向这一前沿领域转型。对于那些拥有前端开发背景的专业人士来说，虽然两者看似领域不同，但实际上从Web应用到AI模型之间的跨越并非遥不可及。本文将为希望从传统前端工程师角色转变为专注于大模型研究与开发岗位的朋友提供一份详尽的职业转换指南。一、了解基础知识线性代数：理解矩阵

最近体验了一下RAGFlow的RAG能力，体验下来，它给我的感觉总结两点：1）知识检索方面能力很强；2）Agent工作流搭建很反人性，跟Coze或者Dify比，有点复杂。

在当前的技术环境下，大型语言模型（LLMs）已经成为人工智能领域的一个重要里程碑。这些模型能够在各种任务上展现出人类水平的性能，包括但不限于文本生成、语言理解和问题解答。随着开源项目的发展，个人开发者现在有机会在本地部署这些强大的模型，以探索和利用它们的潜力。本文将详细介绍如何使用Ollama，一个开源项目，在Mac上本地运行大型模型（Win同理）。通过遵循以下步骤，即使是配备了几年前硬件的电脑，

网络上关于大模型“微调”的各种解释五花八门，都不太系统，个人系统梳理了一下，并在本篇文章对指令微调从代码层面进行详细解释，供各位参考。

文章系统介绍了大模型微调的基础概念、核心技术、应用场景、主流工具、性能评估框架、软硬件环境要求以及数据集准备方法。重点对比了LoRA与QLoRA两种高效微调技术的原理与适用场景，详细阐述了微调在对话风格调整、知识注入、推理能力提升和Agent功能增强四大应用场景的使用方法，并提供了微调工具选择、硬件配置要求和数据集构建的具体指导。

定制知识库是指一系列紧密关联且始终保持更新的知识集合，它构成了 RAG 的核心基础。这个知识库可以表现为一个结构化的数据库形态（比如：MySQL），也可以表现为一套非结构化的文档体系（比如：文件、图图片、音频、视频等），甚至可能是两者兼具的综合形式。

本文详细介绍了构建自动工作AI助手的完整教程，包括创建知识库表单、链接解析工作流、关键词检索工作流和智能体四个步骤。该AI助手可定时从指定网站收集相关文章，分析内容并整理到知识库中，同时自动汇报工作成果。作者还分享了实际应用中遇到的资料来源局限、Token消耗量大等问题，并强调即使AI自动整理资料，人仍需主动学习和整理才能真正发挥作用。