上一篇聊了Agent为什么火，这一篇说清楚Agent到底是什么。很多人第一次接触Agent，会觉得它就是更聪明一点的聊天机器人。多了工具调用，多了几轮思考，本质上还是在对话框里那点事。这样理解不能算错，但会低估这件事的分量。Agent的变化不只是多了几个功能，是整个使用逻辑变了。聊天机器人是被动响应，你问它才答。Agent是主动执行，你给目标它自己想办法完成。这个区别说起来简单，落到技术实现上差了

去年这个时候，大家还在讨论Prompt怎么写效果最好。今年再打开朋友圈，满屏都是Agent。变化来得比预想中快。2022年底ChatGPT刚出来的时候，很多人觉得这不过是个更聪明的聊天机器人，能写文案能润色，顶多算个效率工具。两年过去，事情悄悄起了变化。大模型开始能自己上网查资料，能调用工具，能规划任务，甚至能自己写代码、自己调试。这个变化不只是多了几个功能。它意味着AI从"你问我答"的模式，正在

去年这个时候，大家还在讨论Prompt怎么写效果最好。今年再打开朋友圈，满屏都是Agent。变化来得比预想中快。2022年底ChatGPT刚出来的时候，很多人觉得这不过是个更聪明的聊天机器人，能写文案能润色，顶多算个效率工具。两年过去，事情悄悄起了变化。大模型开始能自己上网查资料，能调用工具，能规划任务，甚至能自己写代码、自己调试。这个变化不只是多了几个功能。它意味着AI从"你问我答"的模式，正在

四个最主流的开源/商业低代码 AI 知识库平台——Dify、RAGFlow、MaxKB、FastGPT——到底怎么选？本文从文档处理能力、部署难度、生态兼容性、社区活跃度、成本五个维度做横向对比，每个平台点名"最适合谁"和"谁千万别选"。附带一个三分钟选型速查图，照着走就行。第 13 篇选定了"走低代码路线"，接下来就是这道送命题：四个平台，选哪个？说实话，这四个我都用过，也都见过别人用翻车。翻车

**摘要：RAG（检索增强生成）是企业知识库的核心技术，它让大模型在回答前先检索内部文档，确保答案准确有出处。工作流程分为三步：检索相关文档片段、将其作为上下文增强提示词、生成基于资料的答案。相比纯大模型和微调，RAG能显著降低幻觉率、支持知识实时更新，并提供可追溯的答案来源。虽然存在检索质量依赖和复杂推理弱的局限，但RAG仍是企业知识问答的最优解，典型应用可提升回答准确率至90%以上，保证答案一

某商业银行上线了智能客服机器人"小银"，为用户提供7×24小时的银行业务咨询服务，涵盖账户查询、转账汇款、理财产品、信用卡、贷款等业务领域。上线运营3个月后，客服中心收到了多起用户投诉：项目组决定对"小银"进行全面的鲁棒性测试，确保模型在面对各种真实用户输入时保持稳定可靠的服务质量。二、测试金字塔设计2.1 测试金字塔模型2.2 测试用例设计2.3 被测系统模拟接口三、对抗样本构造3.1 对抗样本

RAGFlow：复杂文档处理技术的革新者 RAGFlow在复杂文档处理领域实现了范式突破，通过"视觉版面理解"而非传统"文字流处理"方式，显著提升了OCR扫描件、复杂表格和混合排版文档的处理效果。其核心技术包括： DeepDoc深度文档模型：精准识别版面结构，保留表格、段落层级等语义信息 智能切片策略：按语义单元而非字符数切割，保持内容完整性 多模态检索：支持图文混合搜索 实测显示，在处理扫描件和

四个最主流的开源/商业低代码 AI 知识库平台——Dify、RAGFlow、MaxKB、FastGPT——到底怎么选？本文从文档处理能力、部署难度、生态兼容性、社区活跃度、成本五个维度做横向对比，每个平台点名"最适合谁"和"谁千万别选"。附带一个三分钟选型速查图，照着走就行。第 13 篇选定了"走低代码路线"，接下来就是这道送命题：四个平台，选哪个？说实话，这四个我都用过，也都见过别人用翻车。翻车

核心解决：材料一次过审，不被反复退回。

监督学习、无监督学习、强化学习。很多人备考时死记硬背三个定义，考场上一紧张就全混了。正确的打开方式是：先想清楚"机器是怎么学习的"——谁来告诉机器答案？有老师一直在旁边批改作业→ 监督学习老师不在，机器自己归纳规律→ 无监督学习没有标准答案，靠奖惩反馈不断试错→ 强化学习一句话记住，三大范式就不会再混了。