ChatGPT Work 实战指南：让 AI 处理任务、浏览网页并运行代码
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 C...
排序
推荐教程：AI 编程 Agent 实战方法：从需求到测试的可靠工作流
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...
LangChain 官方教程：用 Deep Agents 把文档问答升级成带引用的 AI 助理
给大模型接文档问答（RAG）人人会做：切块、向量化、检索、拼进提示词。但 demo 级 RAG 和生产级文档助手的差距，恰恰藏在那些”看着能跑”的细节里：检索到的长文本把主上下...
RAG 入门实战：用 LangChain 从零搭文档问答（附可跑代码）
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、昨天的销售数据，它一概不知，问就是编（幻觉）。 更新...
推荐教程：RAG 比你想象的简单 —— 6 种检索方案从简到精
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。结果索引慢、调试难、问个”...
AI 工作流中 7 个容易被忽略的 Python 坑
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）、依赖信任链长（pi...
TimesFM 2.5 实战：端到端时序预测全流程
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 PatchTST。每个场景都要重新做特征...
像素级 RAG 实战：把文档渲染成图像从零构建检索管线
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。这一套...
IMDB 影评情感分析实战：从 TF-IDF 基线到 DistilBERT + LoRA 微调
情感分析是 NLP 的”Hello World”，但把 demo 做成可靠结论需要一整条工程链：数据审计、经典基线、可解释参照、参数高效微调、多维度评估、概率校准、鲁棒性检查...
LangGraph 教程：用 Python 从零构建有状态的 AI Agent
LangChain 的链式调用（Chain）跑线性流程很顺，可一旦流程需要”记状态、做分支、循环重试”，链就撑不住了。LangGraph 把 LLM 应用建模成图：节点是步骤...