人工智能技术文章
-
RAG 应用最难排查的错误之一，是模型把相似检索片段直接改写成确定答案。本文从引用绑定、证据片段和拒答边界入手，给出一套可落地的输出验收方法。201 收藏 -
大模型流式接口出现重复片段，通常不是模型把同一句话生成了两次，而是客户端把重试、重放或累计快照重复拼接。本文用可观测指标拆开增量事件、断线续传和去重边界。213 收藏 -
RAG 知识库答非所问，通常不是模型单独失灵，而是切分、召回过滤和重排之间没有形成可验证的证据链。本文用一组可复现的检查方法定位问题，并给出适合上线前评测的调整顺序。243 收藏 -
Responses API 的 tool_choice 不只是 auto 和 required 两个开关。本文用一个订单查询工具说明如何强制调用、指定具体工具，并用响应项和业务回退做可复查验收。484 收藏 -
多模态 RAG 能检索到图片，却在回答里漏掉关键上下文，通常不是模型单点失效，而是 OCR、图文切片、向量检索和引用回链之间有一段断了。本文按证据顺序定位并修复这类问题。197 收藏 -
RAG 明明已经写入知识库，回答却像没有检索到内容？从查询改写、文本分块、相似度阈值和召回日志四个位置建立一条可验证的排查路径。350 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 -
多租户 AI 知识库最危险的故障不是检索变慢，而是把 A 租户的片段、缓存或引用带给 B 租户。本文从检索权限、缓存键、引用回显和审计证据四条线，拆解一套可验证的隔离方案。369 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 -
科技周边 · 人工智能 | 1星期前 | 调试 · 人工智能 · mcp · resources · uri · 资源类型 客户端缓存 MCP resources/read resources/read URI编码
MCP 客户端拿到 resources/read 的空结果时，问题通常不在模型，而在 URI 没有按原值传递、内容类型判断错误或把资源列表缓存成了永久数据。本文按一次可复现的排查顺序，拆开 URI、contents、文本与二进制资源，以及缓存失效边界。104 收藏 -
接入多个大模型后，真正难处理的不是把请求转发出去，而是主模型超时、限流或返回异常时如何在有限时间内切换备用模型。本文用一个可落地的网关流程说明超时预算、降级条件和结果标记应该怎样设计。102 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 -
大模型返回的工具参数只是建议，不是业务事实。本文用 Go 做一个小型工具调用网关，演示如何校验参数、限制动作范围、用请求键去重，并在失败后安全重试。255 收藏 -
同一个 AI 应用切换模型后，答案长度、语气和结构可能一起变化。本文用能力矩阵、版本化提示词和固定验收样本拆开这类漂移，给出路由决策、差异记录与灰度检查方法。288 收藏 -
多轮对话变长后，简单截掉旧消息很容易让模型丢失用户约束。本文从上下文压缩的边界出发，拆解摘要漂移、关键事实遗漏和回放验收，用可重复的测试样例判断压缩是否真的可用。418 收藏