一、背景：别一上来就搞向量数据库 很多团队做 RAG 的第一反应是：切分文档、调 embedding 模型、搭向量数据库、加 rerank，一套重型流水线直接上。结果索引...

一、背景：ChatGPT 从”聊天框”变成”工作区” 2026 年 8 月底，Simon Willison 在实测后写下《Understanding ChatGPT Work》，揭示 Op...

一、背景：Agent 写代码，为什么总是”看着很美、合入很痛” AI 编程 Agent（Claude Code、Codex、Cursor Agent、Gemini CLI 等）已经能自主完成&#...

一、背景：AI 代码跑得越多，隐性 bug 越多 AI 工作流的 Python 代码有三个特点：数据管线长（采集→清洗→切分→训练→评估）、随机性大（采样、初始化、shuffle...

一、背景：为什么顶尖工程师都在重构自己的编程流 Addy Osmani 曾长期负责 Google 的 Web 与 AI 开发者体验工作，他每天面对的问题很典型：需求模糊、代码库...

一、背景：为什么需要时序基础模型 传统时序预测长期处于'一数据一模型'的作坊模式：做零售销量用 LightGBM，做电力负荷用 DeepAR，做流量预测又换成 PatchTS...

一、背景：大模型为什么需要 RAG 大模型有两个硬伤，靠换更大的模型也解决不了： 知识截止：模型只知道训练时见过的东西。上周发的论文、公司内部文档、昨天...

一、背景：为什么传统 RAG 在富版式文档上翻车 经典 RAG 管线是”文本中心”的：PyPDF 解析文字 → 按字符数切块 → 文本 embedding → 向量检索。这...

一、背景：Agent 技能正在成为新的供应链攻击面 2026 年 Agent 生态爆发，技能（skill）成了新的”应用商店”：一个技能就是一个目录，里面有提示...

一、背景：调参为什么不能只靠网格搜索 训练一个随机森林、XGBoost 或者微调一个小模型，超参数空间动不动就是几十种组合：树的数量、最大深度、学习率、最小...