RAG效果好不好，全看这一步做没做对
文档切分是RAG效果的关键瓶颈：粗暴的固定长度切分易割裂语义、导致检索不全或错乱；而语义切分（依段落/标题/Embedding相似度）可保障信息完整性。结合重叠切分、元数据增强与结构化解析，能显著提升召回率与答案质量。
你的大模型微调对了吗？科学评估让训练效果肉眼可见
本文探讨大模型微调中科学评估的关键性，指出仅看训练loss易误判效果。提出多维评估体系：兼顾通用能力（如MMLU、C-Eval）、任务特定指标与灾难性遗忘监测；倡导分层评估（快速筛选→完整验证→人工评审）；强调数据隔离防泄露、多源评估保代表性；最终以评估驱动闭环优化，实现高效迭代。
AI应用软件的开发
2026年AI应用开发已迈入“AI原生”时代：以Spec-to-Application为核心，依托推理路由、Graph-RAG记忆、MCP协议、执行沙箱与自动Eval-Loop，实现从确定性编码到概率性智能体编排的范式跃迁。低代码普及，可信可解释成为标配。（239字）
大模型微调后，如何判断它是不是“变聪明”了？这套评估方法论请收好。
本文系统阐述大模型微调效果评估的核心价值与实践方法：强调评估是检验泛化能力的“试金石”，须坚持人工主观评估（重业务适配性）与自动化客观评估（重量化指标）双轨并行；详解测试集构建、指标选择、基线对比等关键步骤，助力从0到1建立科学、可信、可迭代的评估体系。（239字）
性能提升10倍！我用Rust重写Python轨迹距离计算库的实践分享
本文介绍用Rust重写的轨迹距离计算库`traj-dist-rs`：解决原Python包`traj-dist`安装困难、依赖陈旧问题；支持7种主流算法（DTW、LCSS、Fréchet等）及欧氏/球面距离；通过零拷贝+泛型抽象+内存优化，性能达Cython版10倍、纯Python版389倍；提供Python友好API与高精度结果保障。
拒绝"体感"调优——如何科学地量化LLM微调效果
本文系统阐述大模型微调的科学评估方法：从训练损失曲线分析、C-Eval/CMMLU等基准测试，到LLM-as-a-Judge自动评分与人工Golden Test Set构建，最终整合为自动化评估流水线，助开发者告别“玄学调参”，实现效果可量化、过程可追踪、结果可复现。（239字）
