AI 知识库工作流：把记录变成可验证、可复用的能力
越堆越大，越来越没用 到第三层了。信息被采集降噪，记录被写下、精修成半成品——现在要回答的是：怎么把这些半成品，变成真正的知识？ 先说知识的定义。知识是和你相关的、结构化的、能反复调用的东西：某种思维模型、某几项技能、某套方法论，还有你的判断、定位、价值观。它的关键词是可复用，它解决的是你自己的问题。 ...
RAG
检索增强生成的架构、评测、向量检索、证据处理与生产实现模式，关注答案质量与可追溯性。
AI 搜索如何检索与引用来源：一套可验证的 GEO 模型
先给答案：不存在一套通吃所有平台的引用算法 AI 搜索没有公开一条所有产品共用的流水线，更不存在一份可以反向破解成公式的 GEO 秘籍。 Google 明确说 AI Overviews 与 AI Mode 会使用检索增强生成和查询扇出；Perplexity 公开的是实时搜索、综合与来源链接；OpenAI 说明 ChatGPT search 会使用第三方搜索服务和合作伙伴直接提供的内容。这些事实都不能推出它们共享同一个索引、切块器、关键词检索器、向量库、重排器、上下文拼装方式或引用策略。 ...
Mem0 OSS v3 实践：记忆架构、混合检索与生产取舍
这篇笔记来自我对开源 AI 系统的长期拆解：先跑起来，再读迁移文档，最后记录抽象在哪些地方成立，又在哪些地方开始漏水。 问题从来不是“记得越多越好” 只要对话还装得进上下文窗口，LLM 就能维持短暂的连续感。但这不是长期记忆，更不是可靠的应用状态。会话结束之后，模型不会自然记住用户偏好简短回答、上个月换了工作，或者已经放弃某个计划。 ...
LLM 推荐系统工程指南：语义召回、排序、强化学习与评估
推荐系统最容易制造一种错觉：模型越新，系统就越先进。 真正做过推荐的人会知道，模型只是水面上的一小部分。水面之下还有曝光偏差、延迟预算、特征新鲜度、库存约束、探索风险和反事实评估。大语言模型（LLM）确实给推荐系统增加了新的语义入口，却没有替我们消除这些旧问题。它甚至会带来新的麻烦：成本更高、输出不稳定、解释可能看似合理却与排序依据无关。 ...
Gemini Notebook（原 NotebookLM）：从来源到决策的研究工作流
2026 年 7 月 16 日，Google 正式把 NotebookLM 更名为 Gemini Notebook。 名字变了，最值得保留的问题没有变： 我能不能沿着一段答案，走回一份自己愿意相信的证据？ 这才是 Gemini Notebook 与普通聊天工具真正不同的地方。普通对话从一个宽广模型出发，靠提示词收窄范围；Gemini Notebook 先让你圈定来源，再围绕这些来源提问、比较和生成结果。它最有价值的不是“更会写”，而是缩短了生成主张到检查原文之间的距离。 ...
MarkItDown 文档转 Markdown 实战：0.1.6 机制基线与 0.1.7 状态
文档转换器是一座桥，不是真相本身。真正重要的不是输出第一眼是否整洁，而是下一套系统需要的证据有没有过桥。 MarkItDown 的演示很简单：装一个包，传入文件，得到 Markdown。困难往往从下一分钟开始。一个 PDF 可能同时包含可选文字、扫描页、图表和复杂表格；一份演示文稿的关键数字可能藏在截图里；一个工作簿的含义可能依赖公式、合并单元格与空间关系。它们虽然都叫“文档”，却不该走同一条转换路径。 ...
LangChain 1.x 生产实践：模型、Agent 与 LangGraph 如何选
过去介绍 LangChain，常会列出 Chain、Memory、Prompt、Loader 和各种集成。那段历史没有错，却已经不适合指导今天的项目。 ...
GPT Researcher 源码审计：深度研究代理如何检索、写作与自托管
研究工具最容易制造一种错觉：报告越长，答案越可靠。源码给出的提醒恰好相反——真正值得审计的不是字数，而是问题怎样被拆开、证据怎样进入上下文，以及结论能否回到来源。 ...
Jina 2026：搜索底座模型、API 与 Jina Serve 实战指南
第一次认识 Jina 时，我把它理解成“用 Flow 编排神经搜索服务的 Python 框架”。这个理解没有错，只是停在了旧地图上。 2025 年 10 月 9 日，Elastic 宣布与 Jina AI 合并力量，随后完成收购。Jina 创始人肖涵加入 Elastic 担任 AI 副总裁，模型继续通过 Hugging Face 提供，并逐步进入 Elastic Inference Service。到 2026 年再谈 Jina，更准确的起点已经不是一个通用 MLOps 框架，而是一个面向检索的 Search Foundation Models（搜索底座模型）品牌：它提供嵌入、重排、网页读取、文本切分、分类和深度搜索等能力。Elastic 的收购公告 把方向说得很明确——把多语言、多模态检索能力放到 Elasticsearch 的搜索规模与生态中。 ...
LangChain 1.x 实战指南：从模型调用到可观测 Agent
一个框架最危险的时刻，不是它没有能力，而是旧教程仍然看起来能够运行。代码一旦跨过版本边界，熟悉感往往比报错更会误导人。 这篇文章只讨论 LangChain Python 1.x 的当前主线：模型、Agent、工具、结构化输出、中间件、记忆、RAG、SQL、Ollama 与 LangSmith。它不再复述 LangChain 的项目历史，也不把几十种组件罗列成字典；目标是让你拿到一条短而完整的工程路径。 ...
从语言模型到 RAG：理解大模型的能力、边界与工程方法
引言：不要从聊天窗口理解大模型 第一次使用大语言模型，很容易产生一种错觉：屏幕另一端似乎住着一个读过许多书、能够推理也愿意解释的人。它会写代码，会概括论文，会在同一段对话里保持语气，甚至会为自己的错误给出一套听起来完整的理由。 ...
2024 AI 现场笔记：从大模型涌现到生产级 RAG，2026 再校准
这篇文章最初写于 2024 年 1 月的一场大语言模型分享会。那时，行业的问题还是“模型能做什么”；两年后，更重要的问题变成了“系统凭什么值得相信”。 我没有把旧笔记涂成一篇仿佛从未犯错的新文章。时间留下的误判也有价值：它提醒我们，技术判断不是预言，而是带着证据期限的下注。以下每节都保留 2024 年的观察，并用 仍成立 / 已变化 / 当时误判 做 2026 年校准。 ...