从零到 AI 工程师的 4 个月速成路径
本文指出 AI 工程是当前增长最快的高薪职位之一，且学历门槛正在降低。文章为转行者规划了一条为期 4 个月的高效学习路径，强调跳过繁重的数学理论，专注于 API 调用、Prompt 设计和 RAG 等工程落地技能，并分析了常见的转型误区与市场机遇。
全部文档 / 标签: RAG
205 篇
开源CC+Obsidian打造LLM Wiki内容创作3.0系统
文章介绍了一套基于LLM Wiki方法论的内容生产3.0系统，解决了2.0版本中知识库信息垃圾化的问题。通过“三步编译法”（浓缩、质疑、对标）将原始文档编译为持久化Wiki结构，实现知识资产的自动积累与进化，大幅降低维护成本并提升了内容创作与知识管理的效率。
2026年AI工程师全攻略（无CS学位）
本文阐述了在2026年如何无需计算机学位成为一名AI工程师。文章指出，当前的招聘市场更看重实际构建能力而非学历背景，并明确区分了AI工程师（系统集成与落地）与机器学习研究员（模型训练）的区别。作者提供了一套完整的学习路径（技术栈），包括Python、SQL、API集成、向量搜索、RAG及Agent框架等，并建议通过构建RAG应用、工具使用Agent及全栈部署产品这三个具体项目来证明能力，从而获得工作机会。
2026 年，如何成为一名 AI 工程师（不卡学历）
本文提供了 2026 年成为 AI 工程师的 12 个月路线图。作者区分了模型研究员与 AI 工程师，强调后者更看重实战能力而非高学历。路线图涵盖 Python 基础、大模型 API 调用、RAG 系统构建、Agent 开发以及 MLOps 评估与部署。通过完成三个核心项目（RAG 应用、多 Agent 系统、带监控的上线系统），建立能胜任工作的作品集，即使没有 CS 学位也能入行。
2026年非CS背景成为AI工程师的指南
文章指出，成为AI工程师无需计算机学位，作品集比文凭更重要。AI工程师是连接大模型与现实产品的构建者。文章提供了为期9个月的四阶段自学路径：掌握Python编程、精通LLM API（含工具调用）、构建RAG系统以及开发Agent。强调实战部署和解决实际问题的能力，而非深奥的数学研究。
Karpathy's Agentic Engineering Finally Has Proper Tooling
文章介绍了 Google 发布的 Agents CLI 工具，它填补了 Karpathy 所定义的“代理工程”中的工具链空白。该工具将脚手架搭建、评估循环和部署整合到一个工作流中，并将 7 种核心技能注入到 Claude Code、Cursor 等编码 Agent 中。作者演示了如何利用该工具从零开始构建、评估、部署并注册一个企业级 RAG Agent，实现了仅通过自然语言指令即可完成从开发到生产环境的全生命周期管理。
构建生产级 AI 系统必须掌握的 6 个核心概念
本文由作者因遭遇 AI 智能体失控产生高昂费用的经历引出，旨在阐述构建生产级 AI 系统必须掌握的核心概念。文章提出了 AI 系统的通用公式：记忆（RAG）+ 思考（LLM + Tokens）+ 行动（Agents）+ 测量（Evals）。文中重点解析了 Tokens 与上下文窗口的成本与限制、嵌入向量与语义搜索的原理、RAG 检索增强生成的正确姿势、智能体循环中的工具使用与停止条件等关键技术细节，帮助开发者从“调参侠”进阶为真正的 AI 工程师。
Token省35%、工具调用暴降94%！本地知识图谱改变的5个编程习惯
作者分享了使用本地知识图谱重塑编程习惯的经历。文章详细对比了RAG和知识图谱的区别，介绍了Graph RAG的概念，并展示了如何利用开源工具CodeGraph将代码库转化为知识图谱。这一改变使Token消耗降低35%，工具调用减少94%，显著提升了开发效率。
AI Agent 联网搜索主流方案与选型指南
本文整理了 AI Agent 开发中联网搜索的主流方案。作者将方案分为国内直连（如 Bing、Metaso）、AI 原生（如 Perplexity、Exa）、高额度开发者友好（如 Brave、Tavily）及开源自托管（SearXNG）四类，并结合体验给出了针对快速落地、追求质量、低成本及数据合规等不同场景的选型建议。
这应该是目前最接近正解的 Agent 记忆方案
文章探讨了现有 Agent 记忆方案的局限性，即仅是“搜旧聊天”而非真正的学习。作者介绍了 MemOS Local Plugin，它通过 Reflect2Evolve 机制，从对话中自动提炼策略和技能。实测显示，它能跨 Session 应用写作偏好并积累经验，代表了从“存规则”到“学策略”的进步。
Obsidian 进阶指南：30个与 Claude 结合的工作流、插件与配置
本文介绍了如何将 Obsidian 与 Claude 深度集成，打造 2026 年最强大的个人知识系统。内容涵盖 10 个核心插件（如 Smart Connections、Templater）、10 个关键工作流（如每日综合、会议处理、研究摄入管线）以及 10 个高级设置（如将 Vault 作为持久化记忆）。文章旨在帮助用户突破基础笔记用法，通过 AI 实现知识的自动化管理、检索与深度连接。
构建企业级AI大脑：从数据捕获到智能反馈的5层架构
本文阐述了构建“企业大脑”的核心理念：单纯的信息存储不是智能，关键在于建立连接上下文与工作的智能层。作者提出了一个5层架构体系：捕获、检索、信源分级、权限管理和反馈闭环。通过将散落在Slack、CRM、通话录音中的原始数据转化为可执行的情报，系统能实现自我进化，将人类纠错转化为新规则，从而提升整个组织的执行效率。
LlamaIndex 用 Rust 重写文档解析器 LiteParse
LlamaIndex 推出完全用 Rust 重写的文档解析器 LiteParse。相比旧版，新版本在处理大文档时速度提升 3 倍，小文档提升可达 100 倍，实测 457 页 PDF 解析仅需 0.777 秒。该工具支持 Python、Node.js、Rust 及浏览器环境，覆盖 PDF、Office 等主流格式，具备原生 OCR 能力，且可作为 Agent Skill 直接集成。
存储廉价，注意力昂贵：Agent 内存系统的分层架构设计
本文探讨了Agent内存系统的设计核心原则：利用存储廉价与注意力昂贵的非对称性。文章通过分析MemoryOS、Hindsight和supermemory三个案例，阐述了分层内存架构的必要性。这种架构通常包含热数据、温数据和冷数据三层，通过不同的访问模式、数据形状和提升机制，在降低上下文噪音的同时保留关键信息，从而在有限的注意力窗口内实现最优的检索质量。
Pydantic fixed my Agent's Memory
文章探讨了如何解决 AI Agent 记忆系统的多跳推理问题。传统的向量数据库在处理跨块事实连接时失效，而通用知识图谱常因缺乏结构导致查询噪音。作者提出的解决方案是使用 Pydantic 提前定义本体（Schema），明确实体类型、关系和属性。通过 Zep 框架强制执行这些约束，可以显著提升提取的准确性和数据的可查询性，从而实现有效的多跳推理。
AI 不好用，99%是数据问题
文章指出企业 AI 应用效果不佳的核心原因在于数据治理，而非模型本身。公网 AI 无法访问企业核心私有数据。文章提出解决方案：利用知识库（RAG）处理文档与客服培训，通过 MCP 协议打通复杂数据库，并采用多 Agent 协作模式整合数据源、分析与报告生成。强调企业 AI 升级是系统工程，旨在实现从通用 AI 到私有 AI 的转变。
给开源项目建可信架构 Wiki：LLM Wiki 范式实战教程
文章介绍了一种基于 LLM 的新型 Wiki 知识管理范式，旨在解决传统知识库维护成本高的问题。作者详细阐述了 raw/wiki/schema 三层架构，以及 Ingest、Query、Lint 三大核心操作，并开源了相应的 Claude Code Skill。文章以 x-algorithm-wiki 为例，提供了五步实战教程，展示了如何让 LLM 增量维护可追溯、可信的项目架构文档，并探讨了该方法的边界与适用场景。
最重要的 AI 创业方向不是 Agent，而是 AI 记忆
本文深入探讨了当前 AI 行业被忽视的“痛点”：AI 缺乏长期记忆。作者认为，比单纯追求更聪明的大模型或自主 Agent 更重要的是构建“持久认知层”。文章以 GBrain 为例，阐述了它如何超越传统的检索生成（RAG），通过自建知识图谱和“梦境周期”维护，实现对信息的真正理解与关系连接。这种能积累上下文、提供确定性智能的“记忆基础设施”，将成为未来 AI 的真正护城河。
20 张手绘图讲透 AI 核心概念
本文翻译整理了一组在 X 上广为流传的 AI 科普手绘图，涵盖从神经网络、Transformer 架构到大语言模型（LLM）的 20 个核心概念。作者不仅解释了 AI 底层运作原理（如分词、注意力机制），还介绍了模型优化手段（如微调、RLHF）及前沿应用架构（如 RAG、Agent、思维链），是一份简洁全面的 AI 技术入门指南。
2026年AI开发者从零到英雄的完整路线图
这是一份针对2026年AI开发者的完整学习指南。文章指出，成为AI开发者不再需要计算机学位，通过正确的路线图，个人即可构建AI应用和SaaS产品。指南分为十个阶段：首先理解AI生态系统的基本概念（AI、ML、LLM、Agent等）；接着掌握Python基础、API调用及Git工具；然后通过现有AI工具（如OpenAI API、LangChain）快速动手实践；最后深入学习前端技术、提示工程、LLM原理（RAG、微调）及应用部署。文章强调“学习-构建-分享”的循环策略，并指出AI智能体、自动化及RAG系统是当前的高价值技能。
Agent Memory Framework: Remember, Cite, Forget
本文提出了一个智能体记忆系统的可靠框架，该框架需同时完成三个核心任务：记住该记的、引用可信的、遗忘过期的。文章详细介绍了记忆的六个层级（如会话状态、项目记忆、索引检索等），阐述了如何通过权威排序解决冲突，并强调了通过硬过期、双时序或软衰减等机制让旧记忆失效的重要性。
你的第二大脑需要 QMD 才能健康扩展
文章探讨了在构建基于 Obsidian 和 Claude Code 的“第二大脑”知识库时，随着内容增多遇到的索引臃肿、语义搜索困难及原文细节丢失三大瓶颈。作者引入 QMD 这一本地 RAG 工具，通过混合检索（向量+BM25）弥补了传统 Wiki 模式的缺陷，大幅提升检索精度并节省 Token。文中还包含从零搭建知识库及配置 QMD 的完整实操指南。
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
从零到 AI 工程师——没人真正讲清楚的路线图
本文为 AI 初学者提供了一份为期 14 周的实战路线图，旨在通过免费资源将新手培养成具备构建生产级 AI 系统能力的工程师。路线图包含六个阶段：环境搭建、AI 基础、机器学习基础、深度学习、现代 LLM 工程以及 Agent 与部署。文章强调动手实践，推荐了 OpenAI、Anthropic 官方教程及 GitHub 优质开源仓库，帮助学习者避开盲目刷证书的误区，真正掌握 AI 开发技能。
Your Agent Needs a Wiki and a Recording
文章指出仅依靠扩大上下文窗口无法解决 Agent 的遗忘问题，并提出了 GBrain 和 Lossless 两个解决方案。GBrain 是基于 Wiki 的知识检索层，解决跨对话的长期记忆（如项目背景、决策历史）；Lossless 则像会议录音，通过保留原始消息记录，解决长对话中的细节检索与回溯问题。二者结合能让 Agent 拥有类似查阅文档和回溯记录的能力，从而更智能地处理复杂任务。
从零构建 LLM 架构并转化为高薪职业的指南
本文详细介绍了如何从零开始学习大语言模型（LLM）架构。内容涵盖了从掌握 Python 基础、理解神经网络和 Transformer 原理，到深入掌握 Tokenization、Embedding、Attention 机制及 RAG 技术等核心概念。文章还提供了具体的学习路线图，并探讨了通过自由职业、构建 SaaS 产品、远程工作及自动化代理等方式将 LLM 技能转化为高美元收入的职业路径。
Agent 记忆架构指南：为什么你需要 Wiki 和 录音
文章探讨了 AI Agent 开发中的记忆瓶颈，指出单纯扩大上下文窗口并不足以解决遗忘问题。作者提出了 GBrain 和 Lossless 两个核心模式：GBrain 像公司 Wiki，用于跨会话查询事实和决策；Lossless 像会议录音，允许在长对话中无损检索原始细节。文章详细解释了二者的区别、应用场景以及如何在 OpenClaw 和 Hermes 运行时中集成。
看懂这九个概念，我太奶奶也可以用 AI 赚钱
本文从纯小白视角出发，系统性拆解了 AI 领域的 9 个核心概念：LLM、Token、Context、RAG、Prompt、Tool、MCP、Agent 和 Agent Skill。通过生动的比喻（如将 LLM 比作发动机，MCP 比作 Type-C 接口）和清晰的逻辑链路，文章阐述了 AI 从文本生成到任务执行的底层架构，帮助读者理解 AI 的能力边界、成本构成及应用开发逻辑。
Agentic Memory: 详解 Agent 记忆系统的架构与实现
文章通过生动的类比，指出缺乏记忆是当前 LLM Agent 的主要短板。作者详细拆解了 Agent 记忆系统的三个核心功能：连续性、上下文和学习。文章重点介绍了四种记忆类型：上下文记忆、外部记忆、情景记忆和参数记忆，并深入探讨了如何通过检索增强（RAG）和反思循环来构建持久的智能。
Zero to AI Engineer — The Roadmap Nobody Explains Properly
本文提供了一个为期14周的实战型AI工程师学习路线图，旨在解决初学者“只学不做”的困境。文章从环境搭建开始，详细列出了从AI基础、机器学习、深度学习到现代LLM工程及Agent开发的最佳免费资源（如OpenAI/Anthropic官方课程、Karpathy的教程等）。路线强调通过GitHub项目实践来理解原理，最终掌握部署与评估技能，真正从零开始构建可用的AI系统。
