本文分享了一个智能问答系统的开发优化过程。针对三个不同子场景的智能问答需求，作者最初采用纯RAG技术建立三个知识库，但效果不佳，出现场景判断不清和召回率低的问题。后通过重新思考，改为按数据类型建立两个知识库（结构化与非结构化），并实现条件查询和相似度查询两个工具，让模型根据需求自主选择。此方案简化了技术实现，大幅提升了系统效果，解决了场景区分和混合数据查询问题。大模型应用开发流程正确，但结果不一定

除了模型这个大脑之外，上下文工程应该是最重要的存在之一。它既关系到利用的广度，又关系到模型利用的质量。概念关系概览（来源：参考资料[5]）

一句话足矣~本文主要讲解了微舆的整体架构，并通过研读并调试源码，整理了多个Agent各自的执行流程、以及前后端交互。如项目原理、项目部署、源码等存在疑问，欢迎随时私信或留言交流！

本文立足于文史知识库构建的实际需求，以典故知识分析为案例，设计了三项面向大语言模型的评测任务（典故知识结构化整理、用典判断和典故识别），并系统评测了多种模型在该系列任务上的表现。实验结果表明，大语言模型能够较为高效地完成文本结构化处理类的工作，并表现出一定的文史知识判断能力，而检索增强生成、微调模型等策略均能有效提升大模型的文史知识。进一步地，本文在大语言模型能力、调用方式、引导策略等方面获得了有

OPENAI在AGI五级分类中对agent的定义*

它不再是一个“被动问答”的机器人，而是一个具备目标感的智能体，会判断当前任务、设定下一步行动，并协调外部能力来完成任务。它让模型能够请求执行“具体动作”——比如读取数据库、访问第三方接口、调动系统命令等。实际应用中，这套架构可以做什么？自动办公助手：你一句话，它帮你整合日程、会议、提醒、邮件。企业客服系统：AI 主动识别问题类型并调用查询接口，精准回复客户。智能报表生成器：你说“帮我生成上月销售排

这个春节期间，DeepSeek 无疑是风头最劲的 AI 应用。近日，DeepSeek 背后的公司深度求索又爆出以百万年薪招募顶尖 AI 人才。消息一出，迅速引发全网热议。微博上，#DeepSeek 发布招聘年薪百万# 话题迅速冲上热搜，评论区被 “别人家公司”、“现在转行 AI 还来得及吗” 等羡慕声刷屏。DeepSeek 的招募主要面向大模型算法、AGI（通用人工智能）研究、高性能计算等领域的顶

知识图谱（KG）的发展与人工智能（AI）代理的进步紧密相连。从它们的静态起源开始，知识图谱已经发展到包括动态、时态和事件驱动的范式，每个范式都为AI系统解锁了新的能力。本文探讨了它们的演变以及大型语言模型（LLM）如何融入这些进步。简而言之，所有知识图谱的演变都是关于时间的。静态图谱静态知识图谱是基础结构，其中实体和关系是固定不变的。例如，WordNet、Freebase和Kinship将实体表示

今天来和大家分享unsloth公开的笔记本，这篇jupyter notebook提供了一个增强过的整个GRPO流程。链接：llama3.1 8B版本：Qwen2.5 1.5B版本：我们知道r1在思考的时候总能”啊哈“灵光一现找到关键思路，而r1训练过程的第一阶段得到的r1-zero就是使用了组相对策略优化（GRPO）自主学会了在没有人类反馈的情况下分配更多思考时间。

本文探讨企业级AI落地的"智能体鸿沟"问题，以及Salesforce通过AgentForce平台的解决方案。文章分析了消费级与企业级AI的差异，介绍了AgentForce如何通过"上下文工程"实现数据集成、业务理解和人机协同，展示了从客服到供应链的多个行业应用案例，并提出了企业AI应从"模型竞赛"转向"上下文竞赛"、从单点工具转向Agent网络、从技术采购转向能力建设的三大发展方向。过去 26 年