上下文是指你向模型发送消息时提供的所有内容。它包括提示词本身，以及所有环境信息：系统提示、元数据、您之前的消息、模型的思考、工具调用和响应——所有的一切。模型的上下文窗口有限——因为随着对话规模的增大，它会越来越难以准确地跟踪对话中的内容。上下文决定一切：当你让一个大语言模型（LLM）生成回答时，它能做什么、怎么回答，很大程度上取决于你提供的上下文信息在 Claude Code 中，我们的上下文窗

大语言模型（LLM）提示词（Prompt）工作流（Workflow）知识库（RAG）工具（Tools）LLM和工具调用已经形成了相对标准化的技术栈。LLM方面，无论选择云端大模型（如阿里百炼平台、IdeaLab）还是本地部署（如Ollama），都有成熟的解决方案；工具调用方面，MCP协议的普及让工具集成变成了配置问题而非开发问题。因此，业务开发的核心竞争力在于提示词 + 工作流 + 知识库上。

每年春节返工后，才算真正完成一个工作周期的收尾与重启。趁着返工后第一个周末的闲暇，褪去浮躁，好好复盘一下自己2025年的工作历程——从LLM到Agent的转型，从大厂到中厂的适配，每一步都藏着算法人成长的干货，尤其适合刚入门大模型、想深耕Agent领域的小白和程序员参考。简单做个自我介绍：2022年从清华硕士毕业后，恰逢ChatGPT掀起的大模型技术革命，我果断从计算机视觉（CV）赛道转向LLM（

Claude Agent Skills 最核心的价值，是「模块化赋能」——无需重构模型、无需反复喂Prompt，通过加载不同的Skill，即可让Claude快速变身各领域专家，这也是2025年AI大模型从通用能力走向场景化落地的关键抓手。而ModelScope官方推出的ms-agent框架对Agent Skills的深度适配与调用，更是打通了海外优质AI能力与国内开发场景的壁垒，实现了两者的无缝融

如果你读到这里还没关掉文章，恭喜你——你已经掌握了在 2025 年 AI 饭局上不丢人的全部知识储备。让我们用一条逻辑链把所有关键词串起来：LLM 是基座（会聊天但会胡说）↓RAG + Grounding 让它靠谱（开卷考试 + 放风筝的线）↓MCP 给它装上万能接口（USB-C）↓Agent + Skills 让它能干活（从导航变司机）↓Claude Code + Vibe Coding 革新编

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应

本文详细解析了RAG（检索增强生成）构建中的两大核心模型：Embedding和Reranker。Embedding模型负责将文本转换为稠密向量，捕捉语义信息，弥补BM25的关键字匹配缺陷；Reranker模型则对初步召回的文档进行精细化打分与排序，提升最终结果的相关性。文章强调了Reranker的重要性，并介绍了智源BAAI的BGE系列、阿里的QWen3-Embedding系列、腾讯的Youtu-

随着大语言模型（LLM）如ChatGPT等应用的普及，用户对其生成内容准确性的要求越来越高。然而，由于训练数据的静态性和封闭性，LLM在处理时效性强、专业性高、上下文复杂的问题时显得力不从心。RAG（Retrieval-Augmented Generation）技术应运而生，它通过“先检索、后生成”的方式，将LLM与外部知识库连接起来，提升生成内容的准确性。

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应