精通RAG：从“能用”到“好用”的进阶优化与评估之道
你的RAG应用是否总是答非所问，或者检索到的内容质量不高？本文聚焦于RAG系统的进阶优化，深入探讨从查询转换、多路召回与重排序（Rerank）等高级检索策略，到知识库构建的最佳实践。更重要的是，我们将引入强大的`Ragas`评估框架，教你如何用数据驱动的方式，科学地量化和提升你的RAG系统性能。
超越问答：深入理解并构建自主决策的AI智能体(Agent)
如果说RAG让LLM学会了“开卷考试”，那么AI智能体（Agent）则赋予了LLM“手和脚”，使其能够思考、规划并与真实世界互动。本文将深入剖析Agent的核心架构，讲解ReAct等关键工作机制，并带你一步步构建一个能够调用外部工具（API）的自定义Agent，开启LLM自主解决复杂任务的新篇章。
从零到一构建你的第一个检索增强生成应用
本文将带你深入了解检索增强生成（RAG）技术的核心思想，解决大型语言模型（LLM）固有的知识局限和“幻觉”问题。我们将一步步拆解RAG的工作流程，从文档处理到向量检索，并提供一份基于Python的简易代码实现，助你快速上手，构建你的第一个RAG应用。
一人挑战一支研发团队，3步搞定全栈开发
本文是 Qwen3-Coder 挑战赛教程第四期，我将带你完整走通一个真实项目案例：从零搭建一个“AI 舞蹈生成器”网站——上传一张人物照片，点击“立即生成”，即可获得一段该人物跳舞的动态视频。
整个过程仅需三步，无需前端、后端或模型部署经验，真正实现“说话即开发”。
开发更可控，部署更便捷：AgentScope 迈入1.0时代
AgentScope 1.0 是通义实验室推出的开源多智能体开发框架，旨在打造稳定、安全、开箱即用的智能体生产级解决方案。通过“核心框架+运行时+可视化工具”三层架构，支持智能体的构建、部署、监控全生命周期管理，具备实时干预、高效工具调用与智能上下文管理能力，助力开发者实现从“能跑”到“可控、可落地”的跨越。
先SFT后RL但是效果不佳？你可能没用好“离线专家数据”！
通义实验室Trinity-RFT团队提出CHORD框架，通过动态融合SFT与RL，解决大模型训练中“越学越差”“顾此失彼”等问题。该框架引入细粒度Token级权重与软过渡机制，实现从模仿到超越的高效学习，在数学推理与通用任务上均显著提升性能，相关代码已开源。
通义Qwen3-Max：大就是好
通义千问Qwen3-Max正式发布，参数超1T，训练稳定高效，在代码、推理、多语言等任务中表现卓越。预览版已登顶LMArena榜单前三，支持阿里云百炼API调用与Qwen Chat体验，敬请试用。
LLM 内存需求计算方式
GPU上大语言模型的内存主要由模型权重和KV缓存构成。70亿参数模型以16位精度加载时，权重占约14GB；KV缓存则随批大小和序列长度线性增长，显著影响显存使用，限制推理吞吐与长上下文处理。
