都在教怎么搭 RAG,我研究的是怎么让 RAG 摘到我的内容
本文聚焦RAG中被忽视的“内容侧优化”:好答案一半靠检索策略,一半靠内容本身是否“好摘”。提出“三道筛”机制(召回、排序、摘取),强调定义句开头、一段一信息、问答对结构等可工程化的写作方法,并指出权威锚点与口径一致对排序的关键影响。(239字)
大语言模型原理硬核拆解:从下一个词预测到注意力机制
本文从大语言模型(LLM)本质——自回归概率建模出发,系统拆解其目标函数(Next-Token Prediction)、Tokenizer(BPE)、核心架构(Transformer+RoPE+FFN)、训练流程(Pretrain→SFT→DPO)及推理工程(KV Cache、解码策略),辅以精炼可运行代码,讲清LLM第一性原理。
测试工程师应该掌握的那些 Skill
本文揭示2026年测试工程师核心能力已从传统自动化转向AI原生技能:需掌握Agent架构理解、Skill封装、MCP工程集成、AI系统验证(语义断言/LLM-as-Judge/RAG评测)及Test Harness体系构建。五层能力叠加,方为新时代测试竞争力。
同一个函数套 96 遍:大模型的全部秘密,藏在一道初中函数题里
本文用皮卡丘捡能量球的简单函数 f(x)=20+10x,生动拆解AI本质:模型即函数,变量是输入,参数是学习所得,结构由人设计。从截距(底线)、斜率(效率)到定义域(适用边界),揭示GPT-3等大模型实为1750亿参数、96层嵌套的复合函数——真正决定AI成败的,不是懂不懂公式,而是是否守住了它的定义域。(239字)
从 ECS 到 DSW、DLC:基于阿里云的生成式 AI 模型云端训练实践
本文介绍基于阿里云 ECS、PAI-DSW 和 PAI-DLC 的云端AI开发与训练流程。通过 ECS 承担辅助任务、DSW 完成模型调试、DLC 执行多卡训练,并结合 CPFS 实现数据与实验结果管理。针对批量推理中的存储异常,优化文件校验与任务恢复机制,最终完成425项验证任务,提升训练稳定性与资源利用率,实现降本增效。