背景 用户终身行为建模（ULBM） 是指在严格的工业效率约束下，对超长且异构的用户行为序列进行建模的问题。在真实工业推荐系统中，用户终身行为序列呈现两个显著特征： 超长序列（Ultra-long Sequences）：在快手等大型视频平台上，用户每天可能产生数百次交互，终身行为序列长度可达 10⁵ ...

大模型上下文窗口不是越大越好，深圳市奇摩计算机有限公司实测WorkBuddy三层记忆体系，上下文管理让模型对项目结构的记忆准确率从68%提升到92%。 ...

微软 Skill-Recorder 项目全解析一、项目核心定义Skill-Recorder 是微软近期开源的轻量化AI技能生成项目，核心范式为示教（Demonstration）→ AI Skill → Automation，彻底区别于传统RPA技术。其核心逻辑可一句话概括：Teach AI by D ...

从选型逻辑到场景验证，分享大模型编程工具的落地实践经验，对比三种使用策略的效率差异，为企业技术选型提供参考。 ...

读到最后一章，书又回到 Embedding、相似度、注意力、Transformer、语义搜索和传统 NLP。起初我觉得这些内容像补充知识，重新对照前面的组件以后才发现，它们是在回答一个更基础的问题：RAG 为什么能找到“相近”的文字，模型又为什么能利用放进上下文的内容？ Embedding 做的是表 ...

LangChain 的一大特点是集成丰富：聊天模型、Embedding、向量库、Loader、Retriever 和工具都能找到不同实现。刚开始看会觉得，只要接口统一，底层服务就可以随时替换。 真正做迁移时才会发现，“代码能跑”只代表第一关通过。不同服务在能力、数据和运维上的差异，并不会因为套了一层 ...

国内AI办公智能体大战三巨头的桌面战争与飞书一、一个数字背后的行业拐点2026年7月，易观发了一份让整个科技圈安静了几秒的报告。《2026年Q2中国办公智能体平台市场洞察报告》显示：17款主流桌面端AI原生办公智能体平台，6月合计访问量突破6000万次。三个月前，这个数字还只有2000万。三个月，翻 ...

第 9 章后半放了两个看起来很不一样的案例：对话式表单负责把信息一点点收齐，BabyAGI 则围绕目标不断创建和执行任务。 一个很克制，一个很开放。但把它们放在一起看，会发现两者都在处理同一个核心问题：当前状态是什么，下一步应该怎样由状态产生？ 对话式表单的目标不是“聊得自然” 假设系统要帮用户预约 ...

​上一篇文章介绍了如何使用LangGraph实现会话记忆功能，可是历史会话又多又杂，难以全部记忆，开发者更希望AI应用记住关键信息，比如用户喜欢什么、爱好什么等等。 对于AI应用的精确记忆需求，LangChain支持在调用create_agent时输入store参数，以指定数据存储方式，接下来介绍如 ...

PDF 问答大概是最常见的 RAG Demo：上传文件，输入问题，几秒后得到答案。演示效果很直观，但“能回答一两个问题”和“能稳定处理一批真实 PDF”之间，还有不小的距离。 第 9 章把前面的 Loader、切分器、Embedding、向量库、Retriever 和问答链串到一起。这个案例最适合用 ...

借助 Skill 降低重复任务的 Token 消耗的实际应用--36 --作者：李菠萝的多样空间 --创建时间：2026-07-31 术语速览 Skill：封装特定工作流的自定义技能。由入口文件、执行脚本和参考文件组成。通过格式固化与写入自动化降低模型每轮算力消耗。 SKILL.md：技能的核心定义 ...

传统接口报错时，我们至少能看到状态码和堆栈。LLM 应用更麻烦：它可能没有抛出异常，只是悄悄给出一个不完整、跑题或缺少证据的答案。 第 8 章介绍回调处理器。篇幅不算长，却提醒了我一件很重要的事：模型调用、检索和工具执行如果没有留下轨迹，系统上线以后几乎只能靠猜。 一次回答里到底发生了什么 一个 R ...

让模型回答问题和让模型“去做一件事”，是两种完全不同的风险级别。前者答错了，通常还能被用户发现；后者如果调用了错误工具，可能真的发出邮件、修改数据，甚至产生费用。 第 7 章介绍 Agent、Tool、Toolkit 和 ReAct。它最吸引人的地方是模型可以自己选择下一步，但我读完后最想记住的反而 ...

用户说“还是按上次那个地址寄”，系统怎样知道“上次那个地址”指什么？这是聊天应用开始变得像助手的时刻，也是状态管理真正变麻烦的时刻。 第 6 章集中讨论 Memory。读这一章前，我容易把记忆理解成“把历史对话都塞回 Prompt”；读完以后，最大的变化是开始区分原始记录、当前上下文和长期事实。 版 ...

--作者：李菠萝的多样空间 --创建时间：2026-07-30 --学习的教学视频：Agent Skill 从使用到原理，一次讲清 --马克的技术工作坊 --辅助学习：Copilot助手，一问一答的方式学习，笔记也为对话总结 --声明：笔记包含AI生成内容 --想说话的话：这种复发没想到这... ...

从 DeepMind 提出的“双模型协作”，到 DeepSeek 招牌的 MTP，开源EAGLE，再到最新的 DFlash 和 DSpark，今天我们就来扒一扒这套“推理提速大法”的技术演化史。 ...

“Chain”这个名字很容易让人产生一个误会：只要把几个模型调用首尾相接，就算搭好了应用。 第 5 章从基础链、顺序链、路由链讲到 Stuff、Refine 和 MapReduce。读下来以后，我更关心的反而是另一个问题：一段流程什么时候值得封装成 Chain，又有哪些逻辑应该老老实实留在普通代码里 ...

工业领域正经历从“自动化”、“信息化”到“智能化”的深层转型。传统工业软件往往是“人适应系统”，操作人员需要记住功能路径、系统的操作方式，在数据看板、报表系统、文档库等之间切换。智能化应该是“系统适应人”，用自然语言一句话就能完成数据查询、状态诊断和决策建议，对于产品或是系统设计更趋向于“简单化”。 ...

做 RAG 时，最容易被关注的是最后那次模型回答。但真正动手以后，我发现很多“模型答不好”的问题，往前追几步就会变成：文档没读全、切块切断了、元数据丢了，或者正确证据根本没有被召回。 第 4 章把加载器、文档转换、Embedding、向量存储和 Retriever 放在“数据增强模块”中。与其把它们 ...

如果模型只负责写一段文案，返回自由文本通常够用；如果下一步要创建工单、查询数据库或调用支付接口，“大概是这个意思”就远远不够了。 第 3 章把模型包装器、提示词模板和输出解析器放进同一个“模型 I/O”模块。这个划分让我意识到，模型调用也应该像普通接口一样有契约：输入有哪些字段，输出是什么结构，失败 ...