deephub

摘要： Polars 速度快、语法现代、表达力强，但很多人刚上手就把它当 Pandas 用，结果性能优势全都浪费了。 下面是新手最容易犯的 10 个错误，以及对应的解决思路。 https://avoid.overfit.cn/post/9936cca71070432e9f47e83aa2575a5b 阅读全文

摘要： RAG教程里说的流程是：分块、嵌入、向量搜索、生成答案。看起来非常简单，按这个思路搭了一套系统，测试没问题就上线了。但是结果出了怪事，经常会随机的失败。 输入一样，但是输出却不一样，而且这不是偶发，是还有一定的规律，这是怎么回事呢？ 本文将介绍RAG在真实场景下为什么会崩，底层到底有什么坑，以及最后 阅读全文

摘要： 下肢假肢的控制系统设计一直是个老大难问题。传统控制理论需要建立肢体和环境的精确数学模型，但现实世界可以不一样，比如说地面摩擦力时刻在变，坡度各不相同，患者随时可能绊一下。这就需要控制器具备自适应能力，能从失误中恢复，还得在没有显式编程的情况下习得自然的步态模式。 强化学习给出了一条思路：让假肢自己通 阅读全文

摘要： 传统AI智能体有个老问题：部署之后就"定住了"。工程师手工打磨的提示词和规则,遇到新场景就容易失灵,性能曲线到达某个点后趋于平缓。而自我进化智能体(Self-Evolving Agent)的思路就是打破这种静态模式，让智能体在运行过程中持续收集反馈,自动调整自身策略,形成一个闭环：执行任务 → 获取 阅读全文

摘要： 微软的GraphRAG算得上是最早一批成熟的GraphRAG系统，它把索引阶段（抽取实体、关系、构建层级社区并生成摘要）和查询阶段的高级能力整合到了一起。这套方案的优势在于，可以借助预先计算好的实体、关系、社区摘要来回答那些宏观的、主题性的问题，这恰恰是传统RAG系统基于文档检索难以做到的。 本文的 阅读全文

摘要： 很多人第一次看到 AI Agent 自己编辑文件、跑代码、修 bug，还能一直运行下去的时候,都觉得挺神奇。其实远没有想象中那么复杂。这里没什么秘密算法,也没有什么"智能体大脑"这种玄学概念。 AI Agent核心就三件事：循环 + LLM + 工具函数。 如果你会写个 while True 循环？ 阅读全文

摘要： 如果你再维护线上的聊天系统，那么提示注入(Prompt Injection)是绕不开的话题。这不是一个普通漏洞而是OWASP LLM Top 10榜单上的头号风险，它的影响范围覆盖所有部署大语言模型的组织。 本文会详细介绍什么是提示注入，为什么它和传统注入攻击有本质区别，以及为什么不能指望用更好的过 阅读全文

摘要： 如果一个项目的核心不是分类准确率，而是概率估计的质量。换句话说，需要的是一个校准良好的模型。这里校准的定义是：如果模型给一批样本都预测了25%的正例概率，那这批样本中实际的正例比例应该接近25%。这就是校准。 解决这个校准问题单看ROC-AUC不够，要用Brier score或者Log-loss来保 阅读全文

摘要： 开发过多模态 AI 应用的人都应该遇到过这个问题，其实最头疼的不是算法而是基础设施。 向量数据库需要存 embeddings；SQL 数据库需要元数据管理；大文件还要放到对象存储上，不仅邀单独跑个 pipeline 做 chunking，还要再写个脚本调模型推理，最后还得套个 agent 框架把这些 阅读全文

摘要： JAX 是 Google 和 NVIDIA 联合开发的高性能数值计算库，这两年 JAX 生态快速发展，周边工具链也日益完善了。如果你用过 NumPy 或 PyTorch，但还没接触过 JAX，这篇文章能帮助你快速上手。 围绕 JAX 已经涌现出一批好用的库：Flax 用来搭神经网络，Optax 处理 阅读全文