本文梳理 Embedding Model 选型的工程方法：先明确业务约束、定位问题，再通过控制变量和失败案例评估候选，质量达标后比较成本。换模时做好索引迁移、灰度与回滚，并将回归检查纳入团队流程，为面试表达和后续升级保留依据。

换 Embedding Model 后怎样证明效果更好：先固定测试集建立基线并约定门槛；第一轮只换模型，保证公平对比；从整体、分组和案例检查质量是否稳定；再比较延迟、存储等工程代价，写成可复核决策；经独立索引迁移和灰度上线，并持续积累回归案例。

选择 Embedding Model，不能只看榜单排名。本文从 RAG 真实业务出发，梳理语料语言、查询方式、数据安全、延迟、成本和部署条件，并结合主流模型说明如何建立候选池、制作初筛表，以及在面试中清楚表达选型依据。

"你们 Agent 的 RAG 检索，Top K 是怎么定的？"这是 RAG类面试频率最高的一道题，看似人人能答两句，实则答得好坏差距极大。本文从面试官与候选人双视角完整拆解：这道题考察四层能力——是否理解 top_k是链路上的约束节点而非孤立参数、是否有评测驱动的调参习惯、是否理解上下文利用率（lost in themiddle）、是否有成本与延迟意识；判分表和追问三连则暴露"调过参的人"与"看

本文是作者的 AI Agent学习笔记，主题为单次模型请求的数据结构化输出控制。文章以五个问题开篇：如何拿到想要的数据格式、prompt约束是否有用、为何配置 response_format、配置后还需做什么、这一环节对应用的意义。理论上，作者用一张表格厘清"直接请求可控制"与"仍需开发者自行处理"的边界，阐述了数据结构化是把模型自然语言翻译成程序可用数据的第一块基石，输出控制则是把"偶尔对"收敛

本文是作者的 AI Agent学习笔记，主题为单次模型请求的数据结构化输出控制。文章以五个问题开篇：如何拿到想要的数据格式、prompt约束是否有用、为何配置 response_format、配置后还需做什么、这一环节对应用的意义。理论上，作者用一张表格厘清"直接请求可控制"与"仍需开发者自行处理"的边界，阐述了数据结构化是把模型自然语言翻译成程序可用数据的第一块基石，输出控制则是把"偶尔对"收敛

本文是作者的 AI Agent学习笔记，主题为单次模型请求的数据结构化输出控制。文章以五个问题开篇：如何拿到想要的数据格式、prompt约束是否有用、为何配置 response_format、配置后还需做什么、这一环节对应用的意义。理论上，作者用一张表格厘清"直接请求可控制"与"仍需开发者自行处理"的边界，阐述了数据结构化是把模型自然语言翻译成程序可用数据的第一块基石，输出控制则是把"偶尔对"收敛

DeepSeek 于 2026 年 8 月开源了 AI Agent 运行时框架 DeepSeekHarness（DSH），核心理念是"一切皆插件"——模型适配器、工具注册表乃至 Agent 主循环都可热替换，发布数日即收获超 14.9 万Star。本文前半介绍 DSH 的安装与四种运行模式，后半整理其底层框架 Cordis 的论文《A Programming Paradigm forSpatiot

DeepSeek 于 2026 年 8 月开源了 AI Agent 运行时框架 DeepSeekHarness（DSH），核心理念是"一切皆插件"——模型适配器、工具注册表乃至 Agent 主循环都可热替换，发布数日即收获超 14.9 万Star。本文前半介绍 DSH 的安装与四种运行模式，后半整理其底层框架 Cordis 的论文《A Programming Paradigm forSpatiot

▎ 用 AI 写出来的项目就是 AI 应用吗？本文先厘清 Vibe Coding 与 AI▎ 应用的区别——关键看项目交付后，模型是否仍参与功能流程中的理解、判断与推理。随后从一次最简单的模型请求出发，分别用▎ OpenAI SDK、LangChain、Agently 三种方式调用 Kimi▎ 大模型并贴出真实返回结果，从代码阅读性、使用方便程度、学习难度三个维度做实测对比，期间还踩了 max_t