搜索引擎 + AI 驱动的行业新闻【覆盖行业】信保 ｜出口 ｜金融 制造 ｜农业 ｜建筑 ｜地产 零售 ｜物流 ｜数智【访问入口】hangyexinwen.com【新闻分享】点击发布时间即可分享【联系我们】xinbaoren.com（微信内打开提交表单）https://dichan.hangyexinwen.comhttps://dichan.hangyexinwen.com/posts/6696https://dichan.hangyexinwen.com/posts/6696Sat, 18 Jul 2026 02:45:42 GMT⁣<br /><b><i><b>📰</b></i> 地产+AI工具系列报告之六：面向Agent时代的工程师训练路径与国产大模型实践</b><br /><br />本文聚焦Agent时代的工程化挑战与国产大模型落地路径。先指出企业对Agent应用的需求在提升，但落地受限于可靠性、成本、风险治理与运维等工程问题，关键在于是否具备将模型能力嵌入稳定业务链路的工程能力。为此提出在AI教育中介层提供系统化工程训练：通过“AI大模型学习之路”分四阶段、32模块、10个动手实验与多个实际场景，帮助具编程基础的开发者从API使用者转向AI系统构建者，涵盖从零实现、模型训练到RAG系统搭建、以及使用开源模型进行部署与压测等环节，强调故障定位和修复能力，以应对上线后常见的可靠性、成本与运维挑战。同时，国产大模型深度适配，降低生态迁移成本，将DeepSeek、GLM、Kimi、混元等模型整合进AI助教、推理部署和Agent开发等模块，关注量化、长上下文、框架适配与成本曲线管理等关键问题。平台本身也是AgentInfra的学习样本，通过AI助教、边缘函数、知识地图和学习状态管理，构成一个最小化的Agent系统，帮助学习者在推理、上下文、状态、记忆与成本治理等要素上获得实操经验。未来工程知识基础设施将成为国产模型落地的关键支撑，需关注推理框架、量化与Agent编排的成熟度、课程与案例的标准化、以及认证与培训的对接， lowering 隐性迁移成本，提升实际落地能力。<br /><br /><i><b>🏷️</b></i> <a href="/search/%23Agent">#Agent</a> <a href="/search/%23%E5%9B%BD%E4%BA%A7%E5%A4%A7%E6%A8%A1%E5%9E%8B">#国产大模型</a> <a href="/search/%23%E5%B7%A5%E7%A8%8B%E5%8C%96">#工程化</a> <a href="/search/%23AI%E6%95%99%E8%82%B2">#AI教育</a> <a href="/search/%23RAG">#RAG</a><br /><br /><i><b>🔗</b></i> <a href="https://stock.stockstar.com/JC2026071800005892.shtml" target="_blank">原文链接</a>https://dichan.hangyexinwen.com/posts/49https://dichan.hangyexinwen.com/posts/49Tue, 26 Aug 2025 00:01:04 GMT⁣<br /><b><i><b>📰</b></i> 深入聊聊RAG</b><br /><br />本文详细探讨了RAG（Retrieval Augmented Generation）技术的关键环节及其优化策略，指出在AI应用开发中，RAG往往被视为黑盒，影响问题的定位与解决。文章从文档分块、索引增强、编码、混合检索到重排序等方面进行了深入分析，强调了根据具体场景调整各模块的重要性，以提升召回率和精确率之间的平衡。<br /><br />随着AI技术的普及，RAG技术受到越来越多的关注，但实践中常常出现用户对其效果的不满。文章指出，解决这一问题的关键在于深入理解RAG的实现细节，尤其是在知识文档的优化、相似度计算和模型调优等方面，实践者需要根据具体需求进行调整，以确保检索效果的持续提升。<br /><br />最后，作者鼓励读者在AI应用开发的过程中，逐步深入技术细节，逐步优化设计，以实现更高的效率和更好的用户体验。RAG作为AI架构的一部分，值得深入研究和探索，以便在未来的实践中获得更理想的成果。<br /><br /><i><b>🏷️</b></i> <a href="/search/%23RAG%E6%8A%80%E6%9C%AF">#RAG技术</a> <a href="/search/%23%E4%BC%98%E5%8C%96%E7%AD%96%E7%95%A5">#优化策略</a> <a href="/search/%23%E6%96%87%E6%A1%A3%E5%88%86%E5%9D%97">#文档分块</a> <a href="/search/%23%E6%B7%B7%E5%90%88%E6%A3%80%E7%B4%A2">#混合检索</a> <a href="/search/%23AI%E5%BA%94%E7%94%A8">#AI应用</a><br /><br /><i><b>🔗</b></i> <a href="https://www.53ai.com/news/RAG/2025082587940.html" target="_blank">原文链接</a>