用 FastAPI + pgvector 跑通最小可运行私有知识库
本文是一份实战教程,指导读者从零搭建一套最小可运行的 RAG(检索增强生成)私有知识库。技术栈采用 FastAPI 作为接口框架,PostgreSQL 配合 pgvector 扩展进行向量存储,并调用通义千问(Qwen)模型与 Embedding 服务。文章详细讲解了项目结构、依赖配置、数据库模型定义以及文档入库的完整代码实现,旨在构建一个可落地的工程底座。
本文是一份实战教程,指导读者从零搭建一套最小可运行的 RAG(检索增强生成)私有知识库。技术栈采用 FastAPI 作为接口框架,PostgreSQL 配合 pgvector 扩展进行向量存储,并调用通义千问(Qwen)模型与 Embedding 服务。文章详细讲解了项目结构、依赖配置、数据库模型定义以及文档入库的完整代码实现,旨在构建一个可落地的工程底座。
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。
本文针对2026年的行业现状,驳斥了通过传统机器学习理论入行的误区,提出了6个月速成AI工程师的实战路线图。作者强调无需深奥数学,而应从Python和API调用起步。核心路径涵盖:深入掌握LLM原理与提示工程,精通RAG(检索增强生成)及语义分块、重排序等进阶技术,最终构建结合Agent与生产级思维的复杂AI系统。文章指出,唯有动手解决实际问题、构建高可用系统,而非单纯考取证书,才是成为合格AI工程师的关键。
本文系统介绍 MCP(模型上下文协议)的概念、架构与应用场景,并以 ESP32 小智 AI 为载体提供 MCP 接入实战教程。文章首先将 MCP 比作 AI 的 USB-C 接口,讲解客户端-服务器架构及个人助理、自动编码、智能家居控制等应用;随后分别说明开源版小智服务端(xiaozhi-esp32-server)和官网版接入 MCP 的前置条件与配置步骤;最后手把手演示如何基于 FastMCP 开发自定义 MCP 工具(如天气查询),涵盖项目结构、通信管道、工具注册与配置管理等完整流程,帮助开发者拓展 AI 的能力边界。
文章结合为大型国企交付几十万份文档知识库项目的实战经验,指出将文档导入知识库只是最容易的一步,真正难点在于知识分散在OA、ERP、CRM等多个系统中、文档质量参差不齐、版本与权限管理复杂、以及上线后的持续运营。作者提出企业真正需要的不是一个'AI知识仓库',而是一条具备知识工程能力的企业知识供应链:通过Connector持续接入知识,经解析、清洗、结构化等知识工程加工后准入,并以检索前权限过滤保障安全,最终在Agent时代构建企业上下文层,让正确的知识在正确的时间以正确的权限交给AI。
本文是 Agent 开发入门系列的实操篇,教读者用 88 行 Python 代码实现一个最小化的 Supervisor(主管)智能体。Supervisor 本身不干活,只负责拆任务、派活给手下 worker(coder 和 tester)、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异,详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念,并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明,最后引导读者扩展更多 worker 角色。
本文是开源系列「Learn Claude Code」的介绍入口,该系列共 20 集,从 102 行代码的 while 循环起步,逐步拆解 Claude Code 的 20 个机制。核心观点是:智能体机制很多,但循环就一个。文章介绍了 20 集地图,分为骨架(循环、工具、权限、钩子、计划)、干得久(子智能体、技能、压缩、记忆)、干得多(任务系统、后台任务、调度)、组队(多智能体协作)和外接(MCP)五段,并给出 S01 的完整安装运行教程,包括环境搭建、API 配置(支持 GLM、DeepSeek 等兼容服务)和常见错误排查。
本文是一份面向独立开发者和一人公司的 GEO(生成式 AI 搜索优化)新手教程。作者解释了 GEO 的概念:让 AI 在回答用户问题时能提及、推荐并正确描述你的产品。文章先介绍了 AI 回答的 RAG 原理,对比了 GEO 与 SEO 的异同,然后给出零预算的五步实操方法:收集真实问题并观察 AI 回答、制作产品事实卡并优化产品页、按引用友好格式撰写内容、选择发布渠道、定期复查记录。文中还引用普林斯顿 GEO 论文数据,说明引用来源、数据和引语能显著提升可见度,并指出常见误区。
本文是一份手把手教程,教读者如何合规充分利用 Muse 平台赠送的 2核8G/100G Linux 虚拟机算力。作者通过真机测试证明反弹 Shell 等黑客手段会被 Sentinel 拦截封号,转而介绍合规方案:在 /home/hatch/pdata 持久化目录搭建工作区,编写 Python 数据清洗脚本(Z-Score 异动分析),配置官方 Scheduled Task 实现关机后云端自动唤醒执行任务,并利用 Artifact 功能一键生成交互式数据看板。最后给出三条防封铁律:不碰反向 Shell、代码数据存入持久化目录、用定时任务代替本地挂机,实现零成本拥有 7×24 小时云端数据中枢。
文章从AI对话缺乏长期记忆的痛点切入,系统讲解了个人知识库的作用、分类与搭建方法。作者介绍了两大主流方案:以检索为中心的RAG知识库和以持续维护页面为中心的LLM Wiki知识库。RAG部分通过Dify演示了从资料上传、切片、混合检索索引建立到Agent接入的完整流程;LLM Wiki部分则介绍了Karpathy提出的三层结构(raw sources、wiki、schema),强调Markdown页面对AI友好且透明可查。最后作者分享了自己结合两者优势的混合方案,帮助读者根据实际需求选择合适的知识库路线。
作者结合实际工作经验,整理出一份 AI Harness 开发的 11 条技能清单,涵盖后端与系统设计、RAG 与向量数据库、记忆与上下文管理、工具调用与 MCP、Agent 编排、护栏校验、评测、可观测性、模型路由降级、排队负载均衡以及推理部署引擎。作者指出 Harness 开发是硅谷热门方向(如 YC Demo Day 上大量项目),建议普通开发者从 AI 应用入手,把模型接入具体业务,并给出将清单交给 AI 逐项学习的 prompt 方法。