Deephub_社区达人页

2026年05月

• 05.14 22:07:01
  发表了文章 2026-05-14 22:07:01

  HyDE ：让 RAG 检索从"匹配关键词"升级到"理解意图"

  HyDE（假设文档嵌入）是一种提升RAG检索效果的创新方法：不直接检索与查询相似的文档，而是先让LLM生成“理想答案”的假设文档，再对其嵌入检索。它绕过关键词匹配局限，聚焦语义意图，显著改善术语差异大、查询表述多样等场景下的召回质量，代码改动小、效果提升明显。

  
• 05.13 20:55:41
  发表了文章 2026-05-13 20:55:41

  让机器学习 Pipeline 更稳的 5 个 Python 装饰器代码

  AI项目代码易膨胀，核心逻辑常被API调用、日志、重试等边角任务淹没。本文精选5个Python装饰器：并发限流、结构化日志、特征注入、确定性种子、开发Fallback，助AI工程师解耦关注点、提升可维护性与稳定性。

  
• 05.12 22:04:31
  发表了文章 2026-05-12 22:04:31

  Feature Engineering 实战：Pandas + Scikit-learn的机器学习特征工程的完整代码示例

  本文详解机器学习中至关重要的特征工程（Feature Engineering）全流程，涵盖EDA探索、缺失值处理（均值/众数/KNN填补）、类别编码（Label/One-Hot）、异常值检测（IQR/Winsorize）、特征缩放（Standard/MinMax/RobustScaler）、特征构造（日期解析、多项式、分箱）及特征选择（SelectKBest/RFE），并用Scikit-learn+Pandas构建端到端Pipeline，显著提升模型性能与鲁棒性。
• 05.11 20:56:37
  发表了文章 2026-05-11 20:56:37

  2026 RAG 选型指南：Vector、Graph、Vectorless 该怎么挑

  2026 RAG选型指南指出：Vector RAG已难胜任复杂场景；GraphRAG通过知识图谱支撑多跳关系推理，Vectorless RAG则摒弃向量库，依托文档树结构+LLM导航实现高精度定位。三者非替代，而应按问题类型智能路由——Adaptive RAG成企业新范式。

  
• 05.10 22:05:31
  发表了文章 2026-05-10 22:05:31

  三个工具，让 agent 在一次对话里完成研究、写码、调试与保存

  本文展示了一个真正“具身智能”的多工具Agent：它能自动研究网页、编写/调试Python代码（如列表推导式）、运行验证并保存结果。核心不在工具本身，而在模型自主规划工作流——研究→写→测→修→存，全程无需硬编码逻辑。三工具即成系统，智能涌现于规划。

  
• 05.07 21:43:19
  发表了文章 2026-05-07 21:43:19

  用 Playwright 和 LLM 实现自愈测试自动化

  Playwright 结合 LLM 实现“自愈”自动化测试：当 UI 变更导致 locator 失效时，自动捕获 DOM 快照、调用 Llama 3.1 分析并生成高置信度新 locator（confidence ≥ 0.75），支持缓存复用与审计日志，显著提升测试稳定性与维护效率。
• 05.06 21:46:43
  发表了文章 2026-05-06 21:46:43

  为什么 MCP 在协议层会有 prompt injection的问题：工具描述如何劫持 agent 上下文

  MCP（Model Context Protocol）虽成AI Agent主流集成标准，但其将工具描述全量注入上下文的设计，导致“Context Poisoning”——恶意指令可借工具元数据污染LLM推理。OWASP将其列为LLM应用头号漏洞，2025年已致超10万站点遭袭。根本风险在于协议层信任模型缺失，非清洗不可用。

  

2026年04月

• 04.30 21:23:07
  发表了文章 2026-04-30 21:23:07

  BM25 + Vectors：为什么真实 RAG 系统通常两者都需要

  RAG系统先检索文本块（chunks）再生成答案。Chunk质量与检索策略直接影响效果：结构感知切分保语义完整；BM25擅精确标识符匹配，向量检索强于语义理解；混合检索（Hybrid+RRF融合+元数据过滤+重排序）可兼顾精度与泛化，适配多样技术查询。
• 04.29 21:51:19
  发表了文章 2026-04-29 21:51:19

  从无状态到有状态：长时运行 Agent 的 5 种架构模式

  本文详解长时运行AI Agent的5大生产级架构模式：Checkpoint-and-Resume实现断点续传；Delegated Approval支持原地暂停与人机协同；Memory-Layered Context分层管理长期记忆与工作记忆；Ambient Processing赋能无提示事件驱动；Fleet Orchestration实现多Agent协同治理——让Agent真正成为可靠、有状态、可运维的系统进程。

  
• 04.28 19:52:55
  发表了文章 2026-04-28 19:52:55

  LangChain 生态里的三层抽象:LangGraph、create_agent、Deep Agents

  本文对比LangChain生态中三层智能体方案：`create_agent`（开箱即用、适合单轮工具调用）、Deep Agents（预装记忆/沙箱/子Agent，面向复杂长链路任务）和LangGraph（底层图编排引擎，支持分支、中断、持久化等深度定制）。推荐“从高抽象起步，遇瓶颈再下沉”。

  
• 04.27 21:14:51
  发表了文章 2026-04-27 21:14:51

  DeepSeek-V4 深度解读：百万上下文背后的工程细节

  DeepSeek-V4系列突破百万token上下文瓶颈：V4-Pro单token推理FLOPs仅V3.2的27%，KV Cache压至10%；V4-Flash更达10%与7%。依托CSA/HCA混合注意力、mHC残差、Muon优化器与FP4量化，实现长上下文“能用、好用、日常用”。
• 04.26 20:00:47
  发表了文章 2026-04-26 20:00:47

  Graphify：为代码库构建知识图谱，以图遍历替代向量检索

  Graphify 是一款Python代码知识图谱工具，支持Claude Code。它通过AST解析、本地语音转录和语义提取三阶段构建带置信度标签（EXTRACTED/INFERRED/AMBIGUOUS）的结构化图谱，将混合语料查询Token消耗降低71.5倍，大幅提升大型代码库分析效率与可解释性。

  
• 04.25 20:38:38
  发表了文章 2026-04-25 20:38:38

  2026年的 ReAct Agent架构解析：原生 Tool Calling 与 LangGraph 状态机

  本文介绍2026年演进版ReAct架构下的Research Brief Agent：摒弃脆弱的字符串解析（如"Thought:/Action:"），采用原生结构化工具调用（JSON Schema）、消息账本式State管理、自动引用提取与Postgres持久化，实现可复现、可审计、带真实URL引用的自动化研究简报生成。

  
• 04.24 21:07:28
  发表了文章 2026-04-24 21:07:28

  LangChain 还是 LangGraph？一个是编排一个是工具包

  本文对比LangChain与LangGraph在真实代码审查流水线中的实践：二者API、Agent逻辑与Gemini 2.5 Flash调用完全一致。LangChain适合线性流程，简洁高效；LangGraph则以状态机支持条件分支、循环重试与人工干预，是复杂编排的唯一解。二者非替代关系，而是抽象层级互补——LangChain v1.0的Agent已构建于LangGraph之上。

  
• 04.23 20:42:27
  发表了文章 2026-04-23 20:42:27

  LLM 幻觉的架构级修复：推理参数、RAG、受约束解码与生成后验证

  大型语言模型虽能力强，却易“自信撒谎”——即幻觉问题。本文系统拆解五层防御架构：1）推理参数调优（如低temperature+top_p）；2）RAG、CoT、结构化输出等架构策略；3）生成后事实/引用/实体四重验证；4）领域微调与置信度校准；5）持续评估监控。强调幻觉不可根除，唯靠多层协同防御。

  
• 04.22 21:49:14
  发表了文章 2026-04-22 21:49:14

  时间序列预测增强方法总结：频域、分解、patch

  本文探讨时间序列预测中数据增强的独特挑战：需兼顾多样性与时间一致性。传统分类增强方法因破坏input-target连续性而失效。文章系统梳理频域（WaveMask/WaveMix）、分解（STAug）及时域（TPS）等主流方法，重点介绍TPS——通过重叠patch、方差感知置换与重叠重建，在长期/短期预测及分类任务中均达SOTA效果。

  
• 04.21 23:14:08
  发表了文章 2026-04-21 23:14:08

  为生产级 AI Agent 构建持久化记忆:五阶段流水线与四种设计模式

  LLM Agent需持久化记忆以支撑连续对话、用户画像、知识沉淀与崩溃恢复。但满上下文方案成本高、延迟大、易出错。本文提出五阶段流水线（抽取→整合→存储→检索→遗忘）与四种记忆类型（工作/情景/语义/过程记忆），结合结构化状态+向量搜索等设计模式，实现高效、可控、可审计的生产级记忆系统。

  
• 04.20 22:05:19
  发表了文章 2026-04-20 22:05:19

  Claude Opus 4.7 系统 Prompt 泄露：其中的10 个核心设计决策解读

  刚发布的Claude 4.7 Prompt遭泄露，揭示其核心设计哲学：不只追求“更聪明”，更强调“自我约束”。它将心理重构、过度礼貌、工具犹豫等常见AI倾向视为风险信号，通过情感化规则、动态安全升级、隐式上下文记忆等10项机制，系统性抑制自身失败模式——真正目标是让模型清醒认知并管控自身的不可靠性。

  
• 04.14 21:38:14
  发表了文章 2026-04-14 21:38:14

  无 Embedding、无向量数据库的 RAG 方法：PageIndex 技术解析

  PageIndex是无向量、基于推理的RAG框架，通过构建文档层次化目录树，让大模型像人类专家一样逐层推理导航，精准定位答案，支持可追溯、高相关性检索，专长于财报、法律、政策等结构化长文档。

  
• 04.13 22:25:21
  发表了文章 2026-04-13 22:25:21

  从检索到回答：RAG 流水线中三个被忽视的故障点

  RAG系统看似运行正常，却常存在“静默故障”：检索相关但不相关、LLM自信幻觉、用户反馈未被采集。本文揭示三大缺口，并提出可落地的闭环方案——相关性门控、生成后自评估、全链路Trace追踪、用户行为信号转化，让RAG从“能答”走向“可信”。
• 04.12 21:21:54
  发表了文章 2026-04-12 21:21:54

  Karpathy的LLM Wiki：一种将RAG从解释器模式升级为编译器模式的架构

  Andrej Karpathy提出的LLM Wiki，摒弃传统RAG“每次查询重检索”的模式，转而让大模型将原始资料**编译为结构化、可链接、自更新的Markdown Wiki**，实现知识的持久沉淀与复利增长——Obsidian为IDE，LLM为程序员，Wiki即代码库。

  
• 04.11 18:21:47
  发表了文章 2026-04-11 18:21:47

  向量相似性搜索详解：Flat Index、IVF 与 HNSW

  向量搜索解决非结构化数据（如文本、音频）的语义检索难题。关系型数据库擅长精确匹配结构化数据，而向量数据库通过Embedding将语义转化为向量，并利用余弦相似度、Flat Index、IVF、HNSW等算法实现高效近邻搜索，兼顾精度与速度。

  
• 04.10 20:56:19
  发表了文章 2026-04-10 20:56:19

  拆解推荐系统：候选生成、过滤、排序、多样性的分层设计

  推荐系统是端到端流水线，非单一算法：涵盖候选生成、过滤、特征工程、多目标排序、多样性调控与反馈闭环。强调关注点分离，以保障质量、速度与行为可控。动手前须明确定义Item、用户行为及成功指标。

  
• 04.09 20:23:03
  发表了文章 2026-04-09 20:23:03

  Prompt、Context、Harness：AI Agent 工程的三层架构解析

  2023年重“Prompt”（如何说），2025年重“Context”（看到什么），2026年跃升至“Harness”（系统级约束与验证）。三者非替代而是分层：Prompt优化表达，Context管理信息环境，Harness构建可信执行系统——模型是马，Harness才是缰绳、马鞍与路。

  
• 04.08 20:29:23
  发表了文章 2026-04-08 20:29:23

  向量数据库对比：Pinecone、Chroma、Weaviate 的架构与适用场景

  本文对比Pinecone（生产级）、Chroma（轻量原型）和Weaviate（混合搜索）三大向量数据库，结合真实生产经验与可运行Python代码，详解其适用场景、部署要点与迁移策略，助你为RAG系统选对检索引擎。

  
• 04.07 21:32:34
  发表了文章 2026-04-07 21:32:34

  instinct：一个基于置信度的 AI Agent 自学习记忆系统

  instinct 是一款开源 AI 编程记忆系统，让 Claude Code、Cursor 等 MCP Agent 具备跨会话自学习能力。通过“观察→重复→成熟→建议”机制，自动累积模式置信度，智能晋升为可建议（mature）或自动执行（rule）的惯例，无需人工维护规则文件。基于 SQLite 与 MCP 标准，支持项目级作用域与自动衰减，真正实现 Agent 的习惯养成。

  
• 04.06 21:10:21
  发表了文章 2026-04-06 21:10:21

  机器学习特征工程：缩放、编码、聚合、嵌入与自动化

  本文系统讲解特征工程核心技巧：数值缩放与变换、类别编码、时间周期处理、文本统计与嵌入、地理距离特征、聚合与滞后特征、自动化生成及科学筛选方法。强调“好模型源于好特征”，而非复杂算法，突出实用性与防坑指南。
• 04.05 21:44:38
  发表了文章 2026-04-05 21:44:38

  ADK 多智能体编排：SequentialAgent、ParallelAgent 与 LoopAgent 解析

  ADK 提供 Sequential、Parallel、Loop 三种智能体编排模式，支持订单接收、库存检查、生产调度等多角色协同；状态通过 output_key 自动流转，无需手写胶水代码，轻松构建端到端业务流水线。

  
• 04.04 21:00:38
  发表了文章 2026-04-04 21:00:38

  从零构建 Mini-vLLM：KV-Cache、动态批处理与分布式推理全流程

  Mini-vLLM 是一个从零打造的高效推理引擎，直击 HuggingFace `.generate()` 的 O(N²) 注意力瓶颈。通过手动实现 KV 缓存、动态批处理、gRPC 通信、Prometheus/Grafana 可观测性、分布式多 worker 架构及 Docker 容器化，显著提升吞吐与延迟。纯 CPU 下达 1307+ req/s，目标是真正理解而非复用轮子。

  
• 04.03 20:28:31
  发表了文章 2026-04-03 20:28:31

  多 Aspect Embedding：将上下文信号编入向量相似性计算的检索架构

  本文剖析传统向量数据库将上下文（如时间、部门、密级）仅作过滤器导致的相关性偏差问题，提出Aspected的Aspect Database：通过多Aspect Embedding，将上下文属性直接编码进向量表示，使语义与上下文联合参与相似性计算，实现更精准、高效的上下文感知检索。
• 04.02 21:02:00
  发表了文章 2026-04-02 21:02:00

  投机解码原理详解：小模型打草稿，大模型一次验证

  生产环境中，推理成本远超训练——自回归解码受制于内存带宽墙，70B模型在H100上每token需700亿次计算。投机解码（2026年已成标配）用小模型“猜词+大模型并行验证”，严格保质提速2–2.5倍；SSD更进一步，复用大模型浅层自生成草稿、构建回滚树，接受率提升、显存零新增。vLLM已原生支持，开箱即用。

  
• 04.01 21:27:47
  发表了文章 2026-04-01 21:27:47

  10个内置在 Pandas 中却常被忽略的向量化操作

  本文精选10个高效Pandas写法，助你告别低效`apply()`和冗余循环：用`np.select()`多条件赋值、`.assign()`链式构建列、`pd.cut()`/`qcut()`智能分箱、`.melt()`/`.pivot_table()`一键重塑、`.query()`可读筛选、`.transform()`免merge聚合、`to_datetime(coerce=True)`鲁棒解析、`.explode()`展开列表、向量化`.str`方法等，全面提升代码性能与可维护性。

  

2026年03月

• 03.31 23:43:36
  发表了文章 2026-03-31 23:43:36

  不依赖对话日志检测Prompt注入，一套隐私优先的实现方案

  本文探索在不存储任何对话日志的前提下，仅依赖单次处理后提取的28维遥测特征（含11个纯行为特征）检测Prompt注入与越狱攻击的可行性。实验表明：纯文本盲系统仍保有98.5%检测性能（F1=0.968），证实交互行为模式（如重试、Token增长、峰值越狱分）承载了主要威胁信号。
• 03.30 21:28:34
  发表了文章 2026-03-30 21:28:34

  多 Agent 验证架构实战：从输出评分到过程验证

  2026年生产级Agent系统最典型失败：多步流水线中错误静默累积，最终输出流畅却全错。本文详解四种验证模式——输出评分、Reflexion、对抗辩论与过程验证，揭示其适用场景、失效边界及真实成本（验证器用小模型可降本10倍），强调验证层是演示与落地的分水岭。

  
• 03.29 21:44:00
  发表了文章 2026-03-29 21:44:00

  RouteRAG：用特殊 Token 和强化学习构建可学习的 RAG 检索策略

  RouteRAG将多轮RAG建模为序列决策过程，模型自主学习何时检索、搜什么、用哪种模式（段落/图/混合），并通过两阶段GRPO强化学习，兼顾答案准确率与检索效率，在多跳问答上显著提升性能。

  
• 03.26 19:58:04
  发表了文章 2026-03-26 19:58:04

  信息访问 vs. 推理能力：LLM Agent 性能归因的实验分析

  ContextEval 是首个将“上下文可见性”作为受控变量的LLM agent评估框架。实验发现：agent性能提升多源于信息增加，而非推理增强；其行为更接近先验驱动的纠错系统，而非真正优化器——甚至常不如随机搜索。

  
• 03.25 20:27:10
  发表了文章 2026-03-25 20:27:10

  TPU 架构与 Pallas Kernel 编程入门：从内存层次结构到 FlashAttention

  本文详解TPU与GPU编程范式本质差异：TPU无自动缓存，需显式管理HBM→VMEM→寄存器三级数据搬运。JAX Pallas通过Grid、BlockSpec、Ref三大抽象，以tile为单位描述计算，自动生成DMA调度，大幅简化开发。文章由浅入深实现逐元素加法、分块点积、融合RMSNorm及生产级FlashAttention，揭示其底层机制与工程实践。

  
• 03.24 20:26:11
  发表了文章 2026-03-24 20:26:11

  腾讯微信OpenClaw插件API通信过程剖析与Python原生代码复刻原理

  本文揭秘腾讯微信 ilink Bot 协议逆向过程：不依赖 OpenClaw 插件，仅用 Python 复刻扫码登录、消息收发全流程。通过分析官方 npm 包源码，厘清 5 个核心接口及 7 个“幽灵必填字段”（如 `client_id`、`message_state`、`base_info`），解决消息静默丢弃等关键坑点，实现稳定可用的轻量级 Bot 客户端。
• 03.23 19:56:18
  发表了文章 2026-03-23 19:56:18

  知识引导上下文优化（KgCoOp）：一种解决灾难性遗忘的 Prompt Tuning 机制

  本文提出KgCoOp方法，针对视觉-语言模型Prompt Tuning中“见类强、不见类弱”的Base-to-New泛化困境，引入知识引导损失（Lkg），约束可学习Prompt靠近原始CLIP锚点，显著提升新类别识别能力（+5.61%），同时保持已见类别性能，兼顾泛化性与效率。

  
• 03.22 21:07:21
  发表了文章 2026-03-22 21:07:21

  数值特征工程中的四种缩放方法：原理、适用场景与局限性

  数值特征工程是机器学习关键预处理步骤，需应对量级差异（如年龄vs薪资）与异常值/偏斜分布问题。本文详解四种核心方法：标准化（均值0方差1）、Robust缩放（抗异常值）、幂变换（矫正偏斜）、归一化（0-1缩放），并用加州住房数据实操对比效果与适用场景。

  
• 03.21 20:26:52
  发表了文章 2026-03-21 20:26:52

  9个提升Python代码生产质量的第三方库

  本文介绍9个被资深工程师广泛使用却常被忽视的Python库：glom（嵌套数据声明式处理）、boltons（标准库功能补全）、beartype（高性能运行时类型检查）、result（显式错误处理）、whenever（防时区bug的现代时间库）、pyinstrument（人类可读性能分析）、dirty-equals（智能测试断言）、stamina（可观测重试）、pyfunctional（链式数据管道）。均经生产验证，开箱即用。

  
• 03.19 20:14:37
  发表了文章 2026-03-19 20:14:37

  理解 Agent 记忆：从无状态模型到持久化记忆架构

  大语言模型本质无状态，对话历史无法自动留存。Agent需长期记忆支撑连续性任务，但简单堆砌上下文不可行。本文系统阐释Agent记忆的四层架构（工作/情景/语义/程序记忆），及其写入、检索与遗忘机制，并对比Mem0、Letta等主流方案，揭示记忆正成为AI Agent技术栈中独立、标准的关键基础设施。

  
• 03.18 21:10:26
  发表了文章 2026-03-18 21:10:26

  CRAG 架构解析：如何在生成器前修正错误检索结果

  CRAG是一种新型RAG框架，直面检索错误问题：引入轻量级评估器，对检索文档打分并按置信度分流——高分则精炼本地文档（句子级过滤重组），低分则转向网络搜索，中等分则双源协同。从架构上杜绝无关内容污染生成器，显著提升答案准确性与鲁棒性。

  
• 03.17 22:33:52
  发表了文章 2026-03-17 22:33:52

  高级 RAG 技术：查询转换与查询分解

  RAG准确性受限于查询质量，易因表述模糊导致检索偏差。主流优化方向为查询转换（如Fan-Out并行检索、RRF重排、HyDE假设文档嵌入）与查询分解（高抽象后退提示、低抽象思维链检索），二者常协同提升召回率与答案质量。

  
• 03.16 21:13:42
  发表了文章 2026-03-16 21:13:42

  构建生产级 AI Agent 系统的4大主流技术：反思、工具、规划与多智能体协作

  本文深入解析Agentic AI四大核心设计模式：Reflection（自我反思）、Tool Use（工具调用）、Planning（任务规划）与Multi-Agent协作。它们共同赋予AI思考、行动、校验与协同能力，突破单轮问答局限，构建真正可落地的自主智能系统。
• 03.15 20:12:21
  发表了文章 2026-03-15 20:12:21

  BookRAG：面向层级文档的树-图融合RAG框架

  BookRAG是专为书籍类层级文档设计的新型RAG框架，首创“树+图+链接+Agent”四元结构：构建融合版面层级树与知识图谱的BookIndex，通过GT-Link双向映射实现结构与语义统一；引入信息觅食启发的Agent，动态规划检索路径，支持单跳、多跳及全局聚合查询，在精度、覆盖率与效率上显著优于传统文本/版面优先方法。

  
• 03.14 21:53:11
  发表了文章 2026-03-14 21:53:11

  多智能体系统的三种编排模式：Supervisor、Pipeline 与 Swarm

  2026年，多智能体系统成主流：单智能体易陷上下文污染、角色混乱与故障扩散；而Supervisor、Pipeline、Swarm三类编排模式，配合结构化通信、按能力拆分、置信度验证与全链路Tracing，可构建更可靠、可控、可扩展的AI协作系统。

  
• 03.13 21:54:37
  发表了文章 2026-03-13 21:54:37

  更大的上下文窗口为什么让RAG变得更重要而非更多余

  大上下文窗口（如1M tokens）并未淘汰RAG，反而凸显其价值：LLM注意力易被噪声稀释，“迷失在中间”效应导致性能下降。实验证明，相关性筛选比单纯扩容更关键。RAG+大上下文协同——先精准检索重排序，再注入高密度片段——才是生产级AI的可靠范式。
• 03.12 21:22:54
  发表了文章 2026-03-12 21:22:54

  LangGraph vs Semantic Kernel：状态图与内核插件的两条技术路线对比

  本文对比2026年最新版LangGraph（v1.0）与Semantic Kernel（v1.28.1），澄清过时认知：LangGraph已成为LangChain执行引擎，支持持久化状态机；SK则原生集成MCP协议，定位AI中间件。二者架构迥异——图编排vs插件组合，运行时托管状态vs开发者自主管理。附代码实操与选型指南。