大模型工程
-
LangGraph实战:构建高效Agentic工作流,解锁AI应用开发新范式
用 Agentic 框架构建 AI 工作流 随着 GPT-5、Gemini 2.5 Pro 等强大 AI 模型的涌现,旨在高效利用这些模型的 Agentic 框架也日益增多。这类框架通过抽象化诸多复杂环节,极大地简化了与 AI 模型的协作,例如处理工具调用、管理智能体状态以及集成人工反馈循环。 本文将深入探讨其中一个可用的 Agentic AI 框架:Lan…
-
Context Window终极掌控指南:如何避免AI编码代理的“健忘症”与性能下滑
Context Window 终极掌控指南 关于AI编码代理(coding agents)的讨论往往两极分化。一方认为“AI编码糟透了,我试过,没用”,另一方则反驳“不,是你用错了,这是技能问题”。 双方都有一定道理。但对于大多数开发者而言,在使用AI编码代理时最容易“翻车”的技能问题,往往源于对Context Window的理解不足——这是决定编码代理如何…
-
LLM 大模型工程师:AI 时代的弄潮儿
随着 LLM 技术的不断发展和突破,LLM 大模型工程师这一新兴职业应运而生,他们正成为推动 AI 进步的关键力量,对于传统软件工程师来说,了解并迈向这一领域,或许将开启一段充满机遇与挑战的职业新征程。
-
企业推进大模型落地的关键工程与核心指标
企业推进大模型落地,需统筹五大关键工程:算力工程是基础设施,关注规模、效率与服务;应用工程是价值门户,衡量业务覆盖与成效;模型工程是技术核心,驱动算法效能与迭代;知识工程是企业智库,负责知识的沉淀与复用;数据工程是循环血脉,确保数据的贯通与消费。五者协同,方能实现真正的业务智能化。