构建AI智能体：四十、K-Means++与RAG的融合创新：智能聚类与检索增强生成的深度应用
KMeans++算法优化RAG系统性能研究 本文探讨了KMeans++算法与检索增强生成(RAG)系统的融合应用。研究针对传统RAG系统在大规模知识库处理中的效率瓶颈，提出采用KMeans++聚类算法构建先聚类后检索的二级优化架构。通过改进初始中心点选择策略，KMeans++显著提升了文本聚类的稳定性和质量，将高维文本嵌入按语义相似性划分为独立分区。实验证明，该方法有效解决了全局检索噪声干扰、高维嵌入存储压力等问题，同时通过Python可视化演示了算法动态运行过程。
阿里云百炼产品月刊【2025年11月】
通义千问本月重磅升级：上线10款多模态与语音模型，涵盖ASR、TTS、视觉语言及翻译；MCP市场新增3个云服务，上架24个电商应用模板；推出实训Agent创客活动，助力高效生成电商视觉内容。
构建AI智能体：三十九、中文新闻智能分类：K-Means聚类与Qwen主题生成的融合应用
K-Means作为最经典和广泛使用的聚类算法，以其简单性和效率在数据科学中占据重要地位。尽管有其局限性，但通过合理的初始化方法、参数调优和与大模型的结合，K-Means仍然能够解决许多实际聚类问题。与大型语言模型的结合代表了现代AI应用的一个重要方向，其中K-Means负责高效处理和大规模模式识别，而大模型负责深度的语义理解和内容生成，二者优势互补，构建出更加智能和高效的AI系统。
构建AI智能体：三十八、告别“冷启动”：看大模型如何解决推荐系统的世纪难题
协同过滤是推荐系统中广泛使用的技术，其核心思想是利用用户行为数据发现相似用户或物品进行推荐。摘要包括：1）协同过滤基于用户历史行为数据，通过计算相似度（如余弦相似度、皮尔逊相关系数）预测用户偏好；2）主要分为基于用户（寻找相似用户群体）和基于物品（发现相似物品）两种方法；3）面临冷启动、数据稀疏性等挑战，可通过混合推荐（结合内容特征）和矩阵分解等技术解决；4）典型应用包括电商猜你喜欢和流媒体推荐；5）结合大语言模型可增强语义理解能力，提升推荐准确性。
构建AI智能体：三十七、从非结构化文本到结构化知识：基于AI的医疗知识图谱构建与探索
知识图谱是一种用图结构表示实体及其关系的技术，通过三元组（主体-关系-客体）构建语义网络。文章以医疗领域为例，详细介绍了知识图谱的构建流程：数据预处理、实体识别、关系抽取、知识融合、存储与可视化等步骤。知识图谱可应用于智能问答、辅助诊断、药物研发等场景，其结构化特性可弥补大语言模型的不足，二者结合能提升AI系统的准确性和可解释性。文章还展示了基于大模型的医疗知识图谱构建代码示例，涵盖实体识别、关系抽取、图谱存储和智能问答等核心功能，体现了知识图谱在专业领域的实用价值。
别把问卷做成"审讯录"：用AI重构与用户的每一次对话
95%的用户调研问卷因为"审讯式提问"而被无视。本文提供一套基于认知心理学的AI指令，将枯燥的填表转化为有温度的对话，帮助开发者和产品经理设计出高完成率、高信度的调研问卷，打破"幸存者偏差"，获取真实用户洞察。
