AI

从 RAG、记忆到规划、反思和知识图谱，这些模式支撑着 ChatGPT、Claude Code、Cursor、GitHub Copilot 以及各类企业级 AI 助手。 Agent 不是一段提示词。它是分布式系统：检索信息、调用工具、记住上下文、做多步推理、验证自己的输出，再把一堆专业组件协调起来。今天做 AI 应用，理解这些架构模式已经和懂 REST API、数据库、微服务一样重要。 大多数教程把 Agent 讲成一条直线：用户 → LLM → 响应。这条链路应付简单问答没问题。一旦问题需要公司知识库、外部 API、长期记忆或多步推理，它就开始露馅：产生幻觉、忘掉之前的对话、超时，或者在复杂任务上直接失败。 原因是，生产环境里的 AI 系统是架构设计出来的，不是靠提示词堆出来的。现代 AI 应用正是把多种模式组合在一起，才做到可靠、可扩展、智能。下面逐一介绍这七种。 1. 检索增强生成（RAG） 问题所在 LLM 只知道自己训练时见过的东西，不会自动了解： 你公司的文档 内部 API 客户合同 源代码 数据库 最新的产品变更 文档一变就去微调模型不现实，所以生产系统选择在推理时动态检索相关信息。 架构流程 用户查询 → 查询重写（可选）→ 向量嵌入 → 混合搜索（向量 + BM25）→ Top-K 检索 → 重排序 → 上下文压缩 → LLM → 最终答案 工作原理 典型的生产 RAG 流水线分七步： 把用户查询转成向量嵌入（Embeddings）。 在向量数据库里搜语义相似的内容。 把词法搜索（BM25）和向量搜索结合起来。 用交叉编码器（Cross-encoder）对检索结果重排序。 压缩掉冗余信息。 组装最终 Prompt。 生成回答。 每一步都在提升回答质量，同时省 Token。 ...

大多数开发者认为构建 AI 系统的核心在于选择模型，但真正的挑战在于理解何时让 AI 获取知识（RAG），何时让 AI 执行操作（MCP）。本文深入剖析两者的区别、互补性以及混合架构的未来。

为什么我的第一份数据科学工作与我预期的不一样

将经过One-Hot 编码转换的分类特征的 SHAP 值相加

如何利用有限的计算资源来处理大型数据集

超越 Python 包，创建 SHAP 值的定制可视化

本文中有多篇计划文章，后期会补充相关链接。鉴于公众号内无法后期修改文章，请关注原文链接。 > > 如何创建和解释 SHAP 图：瀑布图、力图、平均 SHAP 图、蜂群图和依赖图

为什么选择模型特征时预测能力并不是最重要的

使用部分依赖图 (PDP)、互信息和特征重要性分析非线性关系

拥有权利的同时也被赋予了重大的责任