人工智能技术文章
-
RAG 流程里，检索命中不等于可以直接交给模型。本文用来源分层、上下文拼接、引用保留和空结果分支，搭出一条可核对、可回退的回答链路。170 收藏 -
多模态接口的图片费用不只取决于文件大小，真正影响预算的是输入分辨率、detail 级别、图片数量和重试策略。本文用一个可复用的请求预算表，说明什么时候使用 low、high 或 auto，并给出上线前的核对方法。165 收藏 -
多模态请求总超时通常不是单一网络问题：图片尺寸、编码体积、视觉分辨率和重试策略会共同放大耗时。本文用一条可观测链路拆解预处理、请求超时、重试边界和最终降级。164 收藏 -
RAG 系统如果只保存一段孤立文本，回答命中后很难解释它来自文档哪里。本文用 Go 设计带标题路径、页码和片段编号的 Chunk，演示切片、检索上下文和引用回链如何连成一条可复查的数据路径。163 收藏 -
AI 应用上线后，成本失控通常不是因为某一次请求特别贵，而是输入上下文、输出长度和重试叠加后没有预算边界。本文用一个请求预算器拆解 token 估算、费用计算、阈值判断和超额降级，并给出可验收的 Go 示例。162 收藏 -
多模态接口处理图片时，分辨率越高不一定越划算。本文用图片尺寸、切片数量和 media_resolution 拆开 token 与延迟的关系，并给出调用前估算、缩放和结果复核方法。161 收藏 -
AI Agent 的短期上下文负责当前线程，长期存储负责跨会话复用。本文从边界、数据类型、写入检索和权限保留四个方面给出一套可落地的记忆设计方法。155 收藏 -
用 DeepSeek API 和 Node.js 从零实现一个命令行流式摘要工具，覆盖环境变量、模型选择、核心代码、本地运行、失败处理和验收清单。154 收藏 -
图片输入的成本不只由文件大小决定，还受模型细节档位、有效分辨率和长图切分方式影响。本文用一套可复核的输入策略，判断何时用低细节、何时保留高分辨率，以及长图如何切成可验收的局部图片。152 收藏 -
把供应商手册、网页或用户上传文件接入 RAG 后，风险不只在回答是否跑题：检索片段里的恶意指令可能诱导模型越过原本任务。防护的重点不是相信一条更强硬的角色提示，而是把资料来源标成不可信、把工具能力做成固定的结构化边界，并为高影响动作设置确认与可追溯记录。149 收藏 -
RAG 应用里，回答看似有引用却指错段落，往往不是模型单独出错，而是切块编号、索引元数据和原文版本没有保持同一条链路。本文用文档快照、chunk_id 和回答后验校验，搭一套可定位、可回归的引用验收方法。148 收藏 -
Gemini Interactions API 将输出格式统一到 response_format，本文结合 Google 官方文档拆解 text、audio、image 配置迁移，以及 JSON Schema 格式正确但业务值仍需校验的边界。147 收藏 -
OCR 识别表格不能只保留文字，还要保存每个片段的坐标框，再通过行聚类、列排序和跨度判断重建二维结构。本文给出一套可落地的处理流程。147 收藏 -
embedding 归一化不是简单打开一个开关：先统一 query 与 document 的向量契约，再检查池化、attention_mask 和相似度度量。本文给出两种配置方式和一套可复用的排查清单。147 收藏 -
RAG 应用把检索结果直接拼进提示词，常会遇到重复段落挤占上下文、引用指向不稳定和答案被相似文档带偏的问题。本文用一条可回放的数据流说明候选文档如何去重、截断并组成引用上下文。146 收藏