首页
学习
活动
专区
圈层
工具
发布

#系统

86:AI越能干,程序员越累,累在哪里?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
从一线实践看,Agent降低的是启动与执行成本,抬高的是监督、判断、协调和维护成本。研发团队同时运行编码、知识工作和自动化流程时,真正的约束不只是Token,还包括人的注意力预算;任务越多,审核、追问、定责和收尾就越容易堆积。技术场景上,应把任务准入、价值闸门、并发与Token预算、结果验证、人工决策队列、停止条件和退役机制放进同一张控制面,避免Agent无限接单。 产品取舍上,通知聚合和人工决策队列应当作为控制面的核心,而非附属功能。平台应让每个任务带责任人、截止时间、人工审批点和停止条件,把低价值、重复、无明确验收标准的任务挡在入口;自动化吞吐要与人工审核能力匹配,否则只是把执行队列换成监督队列。 商业验证上,应看净价值而非调用量:有效结果对应的人工审核时间、返工率、未决事项数量、活跃任务数、暂停或终止比例、每周维护成本。先小范围试点并记录基线,缺少数据就说明未知,不把个案外推为普遍结论。组织真正的能力,是敢于拒绝无价值工作,让AI多做有效功。... 展开详请

靠人不怕丢面子纠错,系统为何更贵?

一只特立独行的兔先生腾讯云+社区TOP100优秀作者/华为云MVP专家/CSDN博客专家/深信服MVP专家/阿里云MVP专家
系统纠错贵,是因为人纠错的成本事后按需付,出事时有人喊停就行;系统要事前为每类失败模式预付费:校验规则、回放集、埋点、回滚演练。这笔钱可以控制,办法是按变更风险分级投入,而不是每次变更跑全套。心理安全让人愿意开口,自动防线保证没人开口时也能拦住,两者互补。 一、技术:配置变更的四道防线 Agent 的配置(工具定义、Prompt、模型路由、权限范围)改坏了通常不报错:服务照常返回 200,只是工具选错、参数填错、多绕几步。所以防线要针对行为,按成本从低到高排。 静态校验,CI 里秒级完成。工具参数 schema 本身要合法;新旧版本做破坏性变更检查:工具被删、参数被删、类型变化、新增必填参数、权限范围扩大,命中任一条就阻断或转人工审批。 from jsonschema import Draft202012Validator def check_tools(old: dict, new: dict) -> list[str]: errs = [] for spec in new.values(): Draft202012Validator.check_schema(spec['parameters']) # 不合法抛 SchemaError for name, o in old.items(): n = new.get(name) if n is None: errs.append(f'{name}: 工具被删除') continue op = o['parameters'].get('properties', {}) np_ = n['parameters'].get('properties', {}) for p, s in op.items(): if p not in np_ or np_[p].get('type') != s.get('type'): errs.append(f'{name}.{p}: 参数被删除或类型变化') added = set(n['parameters'].get('required', [])) - set(o['parameters'].get('required', [])) if added: errs.append(f'{name}: 新增必填参数 {sorted(added)}') return errs 沙箱回放。用脱敏后的历史调用加黄金用例回放,有副作用的工具换成只记录不执行的 mock。断言用确定性的东西:选了哪个工具、参数是否通过 schema、调用序列和终态是否与基线一致;LLM 打分只做参考,不做硬门禁。阈值用基线自身的波动来定(同一版本重复跑多次看方差),不要拍一个数。 灰度加自动回滚。按内部、小租户、全量分批。判断信号不能只看 5xx,要自己埋点:参数校验失败率、工具调用错误率、重试率、单任务平均调用步数、人工接管率。指标连续几个窗口越线,就把配置版本指针切回上一版,回滚只动指针,不重新构建。 运行时护栏,不依赖前三道。执行层再校验一遍参数(不信模型输出);有副作用的操作带幂等键;单任务设调用次数上限;同一工具连续失败就熔断。 语义正确性和合规判断没有确定性断言,自动阻断拦不住,仍保留人工审批。 二、产品:止损开关怎么分层 不是在租户、功能、模型版本里三选一,而是每类故障配对应粒度的开关,最具体的优先: 工具级:把出问题的工具从模型可见的工具列表摘掉,Agent 降级为告知用户。配置变更引发的工具调用异常,最常用的是这一把。 模型 / Prompt 版本级:新版本退化,路由回上一版。 租户级:单个租户的配置或数据异常,只隔离它。 功能级:整个功能退回非 Agent 路径。 全局:只留给安全事件,必须演练过,平时不用。 规则取“任一命中即生效,最具体优先”。开关要和被控制的发布通道分开存放:开关写在同一份配置里,配置坏了开关也跟着坏。配置中心不可用时,失败策略应是保持最近一次已知状态,而不是回到默认全开。 回滚和补偿要分清:配置回滚只能让后续请求恢复;已发出的邮件、已扣的款不会回来,要靠幂等键、去重、补偿事务和审计记录收尾。 三、商业:两个指标怎么定义,成本怎么压 缺陷逃逸率 = 线上才发现的变更缺陷数 ÷(发布前被拦截的缺陷数 + 线上发现的缺陷数)。分母要求把“被拦截的”也登记下来,所以拦截记录(哪道防线拦的、哪类变更)必须入库,否则算不出来。按变更类型分别统计,单次样本太少,按周或月汇总看趋势。 回滚成功率不能只靠真实事故统计,样本太少。每个版本发布前在灰度环境做一次回滚演练,成功定义为“关键行为指标在约定时间内回到基线范围”,而不是“回滚命令返回成功”,同时记录触发到恢复的耗时。 控制成本靠按风险分级:低风险(文案、日志级别)只跑静态校验加自动灰度;中风险(Prompt、工具描述)加回放集;高风险(扩大权限、新增有副作用的工具、切换模型)再加影子流量和人工审批。回放集不必一次建全,每次线上事故沉淀成一条用例,集合会自然长在真正出过问题的地方。值不值,用逃逸率的下降乘以平均每次事故的损失去比,数字用自己的事故单。... 展开详请
系统纠错贵,是因为人纠错的成本事后按需付,出事时有人喊停就行;系统要事前为每类失败模式预付费:校验规则、回放集、埋点、回滚演练。这笔钱可以控制,办法是按变更风险分级投入,而不是每次变更跑全套。心理安全让人愿意开口,自动防线保证没人开口时也能拦住,两者互补。 一、技术:配置变更的四道防线 Agent 的配置(工具定义、Prompt、模型路由、权限范围)改坏了通常不报错:服务照常返回 200,只是工具选错、参数填错、多绕几步。所以防线要针对行为,按成本从低到高排。 静态校验,CI 里秒级完成。工具参数 schema 本身要合法;新旧版本做破坏性变更检查:工具被删、参数被删、类型变化、新增必填参数、权限范围扩大,命中任一条就阻断或转人工审批。 from jsonschema import Draft202012Validator def check_tools(old: dict, new: dict) -> list[str]: errs = [] for spec in new.values(): Draft202012Validator.check_schema(spec['parameters']) # 不合法抛 SchemaError for name, o in old.items(): n = new.get(name) if n is None: errs.append(f'{name}: 工具被删除') continue op = o['parameters'].get('properties', {}) np_ = n['parameters'].get('properties', {}) for p, s in op.items(): if p not in np_ or np_[p].get('type') != s.get('type'): errs.append(f'{name}.{p}: 参数被删除或类型变化') added = set(n['parameters'].get('required', [])) - set(o['parameters'].get('required', [])) if added: errs.append(f'{name}: 新增必填参数 {sorted(added)}') return errs 沙箱回放。用脱敏后的历史调用加黄金用例回放,有副作用的工具换成只记录不执行的 mock。断言用确定性的东西:选了哪个工具、参数是否通过 schema、调用序列和终态是否与基线一致;LLM 打分只做参考,不做硬门禁。阈值用基线自身的波动来定(同一版本重复跑多次看方差),不要拍一个数。 灰度加自动回滚。按内部、小租户、全量分批。判断信号不能只看 5xx,要自己埋点:参数校验失败率、工具调用错误率、重试率、单任务平均调用步数、人工接管率。指标连续几个窗口越线,就把配置版本指针切回上一版,回滚只动指针,不重新构建。 运行时护栏,不依赖前三道。执行层再校验一遍参数(不信模型输出);有副作用的操作带幂等键;单任务设调用次数上限;同一工具连续失败就熔断。 语义正确性和合规判断没有确定性断言,自动阻断拦不住,仍保留人工审批。 二、产品:止损开关怎么分层 不是在租户、功能、模型版本里三选一,而是每类故障配对应粒度的开关,最具体的优先: 工具级:把出问题的工具从模型可见的工具列表摘掉,Agent 降级为告知用户。配置变更引发的工具调用异常,最常用的是这一把。 模型 / Prompt 版本级:新版本退化,路由回上一版。 租户级:单个租户的配置或数据异常,只隔离它。 功能级:整个功能退回非 Agent 路径。 全局:只留给安全事件,必须演练过,平时不用。 规则取“任一命中即生效,最具体优先”。开关要和被控制的发布通道分开存放:开关写在同一份配置里,配置坏了开关也跟着坏。配置中心不可用时,失败策略应是保持最近一次已知状态,而不是回到默认全开。 回滚和补偿要分清:配置回滚只能让后续请求恢复;已发出的邮件、已扣的款不会回来,要靠幂等键、去重、补偿事务和审计记录收尾。 三、商业:两个指标怎么定义,成本怎么压 缺陷逃逸率 = 线上才发现的变更缺陷数 ÷(发布前被拦截的缺陷数 + 线上发现的缺陷数)。分母要求把“被拦截的”也登记下来,所以拦截记录(哪道防线拦的、哪类变更)必须入库,否则算不出来。按变更类型分别统计,单次样本太少,按周或月汇总看趋势。 回滚成功率不能只靠真实事故统计,样本太少。每个版本发布前在灰度环境做一次回滚演练,成功定义为“关键行为指标在约定时间内回到基线范围”,而不是“回滚命令返回成功”,同时记录触发到恢复的耗时。 控制成本靠按风险分级:低风险(文案、日志级别)只跑静态校验加自动灰度;中风险(Prompt、工具描述)加回放集;高风险(扩大权限、新增有副作用的工具、切换模型)再加影子流量和人工审批。回放集不必一次建全,每次线上事故沉淀成一条用例,集合会自然长在真正出过问题的地方。值不值,用逃逸率的下降乘以平均每次事故的损失去比,数字用自己的事故单。

向量索引频繁增量更新时如何兼顾在线检索质量?

技术方舟

科大讯飞 | 资深架构师 (已认证)

江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验
HNSW 在删除和更新后会衰减,原因是 Milvus 的删除多为软删除,已删节点仍留在图中充当导航节点,更新又等于删除加插入,旧节点不断累积,既浪费遍历又削弱连通性。经验上可以在已删除或失效向量占比超过 10% 到 20% 时安排整理,具体阈值应结合召回和延迟曲线实测。以你每天新增约 0.05% 的增量看,HNSW 配合定期 compaction 通常比 IVF 更合适,因为 IVF 的质心重训成本高。DiskANN 适合数据超出内存的场景,构建时可把 R 设为 32 到 64、L 设为 100 到 200。在线整理可采用影子集合加别名原子切换:新索引后台构建,期间用时间戳回放增量日志追平,用固定黄金集验证召回后再切换别名,旧集合保留一段时间以便回滚。... 展开详请

React 16 迁 Vite 有哪些坑?

React 16 + 旧构建链迁 Vite,坑集中在「隐式依赖假设」的打破上,按迁移顺序列:1. 先排雷(迁移前评估):依赖里有没有 require 上下文的动态引用(svg 雪碧图、markdown 动态加载这些用 require.context 的)——Vite 没有运行时 require,要用 import.meta.glob 重写;有没有依赖 CommonJS 的老库(有些老包的 main 字段指向 CJS)——Vite 开发态走 ESM,CJS 包需要 optimizeDeps 预转换,特殊情况的要加 alias 指向 ESM 版本;环境变量的用法——webpack 的 process.env.XXX 全部要改成 import.meta.env.VITE_XXX,这个是全局替换的最大工作量,建议直接用 define 或者 unplugin-env 兼容层过渡;2. 迁移配置本体:a. 依赖预构建(optimizeDeps.include)——启动后命令行会报「新依赖优化中」反复重启的话,把高频依赖显式列入 include;b. 路径别名(resolve.alias)——@ 映射重写,注意只替换 src 开头的(全量替换容易误伤 node_modules);c. CSS 的全局引入——有些项目在 js 里 import css 且依赖 Less/Sass 的全局变量注入,additionalData 配置;3. 开发态的典型报错分层处理:「Cannot use import statement outside a module」——某个 CJS 依赖没被预转换,optimizeDeps 加 include;「Glob pattern invalid」——import.meta.glob 的路径参数写成了变量(只支持字面量,这是和 require.context 最大的语义差异,动态路径要用对象模式展开);「PostCSS plugin not found」——老项目的 postcss 配置有插件没装依赖;4. 生产构建的坑:vite build 后跑一遍所有页面和交互——Rollup 和 webpack 的 tree-shaking 行为差异,某些副作用导入(polyfill、全局样式注入)可能被摇掉,副作用包要标 sideEffects 或者显式 import;产物的 chunk 划分变了,按需加载的路由如果之前依赖 splitChunks 的特定分组,要检查 manualChunks 配置;5. 实操路径建议:先在分支上起 Vite 配置(react plugin + alias + env),dev 模式跑通所有路由(这阶段处理 90% 的报错),再切 build 验证产物(处理 tree-shaking 和 chunk 问题),最后保 webpack 配置双轨跑一周,稳定后删 webpack。整体工作量:中小项目 2~3 天,大项目(含测试链、SSR)1~2 周,SSR 项目建议直接上 vite-plugin-ssr 或迁 Next 而不是改造。... 展开详请
React 16 + 旧构建链迁 Vite,坑集中在「隐式依赖假设」的打破上,按迁移顺序列:1. 先排雷(迁移前评估):依赖里有没有 require 上下文的动态引用(svg 雪碧图、markdown 动态加载这些用 require.context 的)——Vite 没有运行时 require,要用 import.meta.glob 重写;有没有依赖 CommonJS 的老库(有些老包的 main 字段指向 CJS)——Vite 开发态走 ESM,CJS 包需要 optimizeDeps 预转换,特殊情况的要加 alias 指向 ESM 版本;环境变量的用法——webpack 的 process.env.XXX 全部要改成 import.meta.env.VITE_XXX,这个是全局替换的最大工作量,建议直接用 define 或者 unplugin-env 兼容层过渡;2. 迁移配置本体:a. 依赖预构建(optimizeDeps.include)——启动后命令行会报「新依赖优化中」反复重启的话,把高频依赖显式列入 include;b. 路径别名(resolve.alias)——@ 映射重写,注意只替换 src 开头的(全量替换容易误伤 node_modules);c. CSS 的全局引入——有些项目在 js 里 import css 且依赖 Less/Sass 的全局变量注入,additionalData 配置;3. 开发态的典型报错分层处理:「Cannot use import statement outside a module」——某个 CJS 依赖没被预转换,optimizeDeps 加 include;「Glob pattern invalid」——import.meta.glob 的路径参数写成了变量(只支持字面量,这是和 require.context 最大的语义差异,动态路径要用对象模式展开);「PostCSS plugin not found」——老项目的 postcss 配置有插件没装依赖;4. 生产构建的坑:vite build 后跑一遍所有页面和交互——Rollup 和 webpack 的 tree-shaking 行为差异,某些副作用导入(polyfill、全局样式注入)可能被摇掉,副作用包要标 sideEffects 或者显式 import;产物的 chunk 划分变了,按需加载的路由如果之前依赖 splitChunks 的特定分组,要检查 manualChunks 配置;5. 实操路径建议:先在分支上起 Vite 配置(react plugin + alias + env),dev 模式跑通所有路由(这阶段处理 90% 的报错),再切 build 验证产物(处理 tree-shaking 和 chunk 问题),最后保 webpack 配置双轨跑一周,稳定后删 webpack。整体工作量:中小项目 2~3 天,大项目(含测试链、SSR)1~2 周,SSR 项目建议直接上 vite-plugin-ssr 或迁 Next 而不是改造。

WorkBuddy 持續報「帳號存在異常行為,已被限制使用」(11140),所有任務都做不了,如何申訴解封?

技术方舟

科大讯飞 | 资深架构师 (已认证)

江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验
这是服务端对账号实施的使用限制,并非普通网络故障;但仅凭这些信息,无法确定究竟由内容安全、多设备异地登录、高频调用还是客户端渠道校验触发,也不能据此判断停用多久会自动解封。建议通过报错提示或 WorkBuddy 客户端的“提交反馈”入口申诉,附上 User ID、Request ID、Trace ID、报错时间及其时区、客户端版本和截图,明确说明“所有任务均无法执行,停用12小时后仍未恢复”,请求官方复核是否误判,并告知限制原因、期限及解除条件。申诉期间不必持续重试;完整日志应私下提交官方,勿公开密码、验证码或访问令牌。... 展开详请

前端监控系统一般采集哪些指标?

叶一一苍生涂涂,天下缭燎,诸子百家,唯我纵横。
我们落地下来就四类。性能看 FCP 和 LCP,首屏有没有白等;稳定性看 JS 错误率和资源加载失败率,白屏基本都能归到这两类;接口看成功率和耗时分位数,平均值没用,P95 P99 才是用户真实感受;再加一个自定义业务指标,比如关键流程的转化漏斗。采集上有个容易忽略的点:错误信息要带版本号和 release 标记,不然发版后新旧版本的错误混在一起,排查能对到半夜。指标宁少勿多,每条都得能对应到具体动作,不能指导动作的指标挂着就是噪音。... 展开详请

求助:统信系统workbuddy bash通道断开如何解决?

这问题挺烦人,我最近也遇到过。别慌,先试最笨但最有效的一招:直接关掉那个终端面板,再重新建一个。很多时候就是进程卡死了,重启就行。 如果还不行,大概率是远程SSH断了或者超时。你看下右下角网络状态,ping一下服务器通不通。要是连不上,得先恢复网络连接。 还有一种情况,是你 ~/.bashrc 里写了啥奇怪的脚本或者别名,导致启动bash时报错断开。你可以临时把 .bashrc 重命名备份,看看能不能正常打开。要是能开了,说明就是配置文件有坑,慢慢排查哪行代码报错。 最后实在不行,杀了IDE的后台进程重启,或者检查下是不是内存爆了。一般前两步就能解决大部分情况,别一上来就重装系统哈。 官方详细解决方案:https://cloud.tencent.com/product/workbuddy-enterprise?Is=sdk-topnav... 展开详请

workbuddy适合购入企业版不?

技术方舟

科大讯飞 | 资深架构师 (已认证)

江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验
如果你们的目标是“在既有业务系统里快速加上 AI 能力”,且对数据安全/权限合规、企业级集成(账号体系、权限、API/SDK、流程引擎)、可观测与审计、稳定的运维与售后有要求,那么通常WorkBuddy 企业版更值得购入;但如果你们只是做轻量试点、对内不需要复杂权限与审计、集成点较少、预算更敏感,可能先用更轻量的版本验证效果更划算。我的建议是用三条硬指标决策:第一,你们是否必须满足企业合规与数据隔离;第二,是否需要对接你们的核心系统与工作流(而不是仅“聊天式”能力);第三,是否需要可持续运营的治理能力(权限/日志/成本/质量评估)。思考过程:把“企业版值不值”拆成“能否解决集成与治理”,而不是只看功能演示;满足越多,越适合直接上企业版。... 展开详请

推理成本治理:先上量化还是先上前缀缓存?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
这俩不是二选一,而是解决不同瓶颈。前缀缓存(Prefix Caching)降低的是重复计算的浪费,适合长上下文、多轮对话、批量相似请求的场景,收益立竿见影且几乎无损精度。量化(INT8/INT4/FP8)降的是单次推理的显存和算力占用,但可能带来精度损失和推理异常。 建议顺序:先上前缀缓存。它不改模型、不碰训练 pipeline,部署层就能做,ROI 最高。等缓存红利吃完,再按业务敏感度做分级量化——对精度容忍度高的链路用低比特,核心链路保持 FP16。别一上来就全量量化,出了问题不好定位是模型本身还是量化造成的。... 展开详请

基于腾讯云搭建gitlab cicd 流水线,基于 cls 搭建日志监控系统,搭建企业运维系统?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
自建 GitLab 用云主机部署即可,CI Runner 装在另一台 CVM 上配 docker executor,构建产物推 COS 再触发部署。CLS 不用自己接 agent,K8s 场景直接装 CLS 容器采集组件,stdout 日志自动入 CLS,配好索引和仪表盘就能查错误率。关键是把流水线分三段:构建(Maven/npm 加单测门禁)、部署(TKE 发布,大项目加人工审批卡点)、验证(发布后自动探测核心接口)。GitLab webhook 想直接触发云函数或 TCR 镜像构建也行,但维护成本比原生 Runner 高,除非有特殊集成需求。建议先跑通一条最简流水线覆盖主服务,再逐步加多环境、审批和告警,别一上来就堆平台工程。... 展开详请

系统级小程序有哪些?

「系统级小程序」通常指嵌入操作系统能力的小程序平台:1. 微信小程序(生态最大):不是「系统级」——运行在微信 App 内,但生态最成熟,包含支付/社交/推送等全套能力;2. 支付宝小程序:同样是 App 内运行,但深度绑定支付宝的信用/支付/芝麻分;3. 华为快应用(Quick App):真正的「系统级」——运行在华为手机的系统层,无需安装,可以调用系统通知/传感器/后台服务;目前主要在华为/荣耀设备上可用;4. 小米快应用:类似华为快应用,运行在 MIUI 系统层;5. 百度智能小程序:运行在百度 App 内,搜索流量入口是核心优势;6. 抖音小程序:运行在抖音 App 内,短视频+直播场景优势。如果你说的「系统级」是指能调用系统能力(通知推送/传感器/蓝牙/NFC),那快应用是最符合的——它们由手机厂商联盟推动,运行在系统层而非某个 App 内。如果你想做全平台覆盖,通常策略是微信小程序为主(用户量最大),然后按目标用户群体选快应用/支付宝。具体哪个取决于你要做什么类型的应用。... 展开详请

老旧系统技术升级有哪些现实困境?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
难的不是技术。一是没人敢动:文档缺失,懂历史包袱的人走光了,改一处不知道会炸哪里。二是业务不停机:没有停机窗口,只能边开飞机边换引擎。三是没收益:升级在业务方眼里不产生收入,永远排不进优先级。现实可行的路子是绞杀者模式:新需求用新栈写,按模块逐步切流量,老系统转只读维护,别指望一次大重构翻盘。动手前先把监控、日志、回归测试补上,这三样没有,任何升级都是赌博。还有一条经验:先把读写分离和数据口径理清楚,很多老系统升级最后死在数据上,不是死在代码上。... 展开详请

EdgeOne Makers KV 存储申请待审批,请协助跟进?

如何平衡技术创新与系统稳定性?

asdtiang技术爱好者,坚持不加班主义者,一直在创业公司,坚持小而美,坚持编码一辈子。
我个人认为,新的一些项目可以适当采用一些新的技术,老的系统在非必要下,不要去做技术创新,除非明确采用技术创新能带来收益 ,没收益就不要动,要克制,比如Rust确实好,但国内也是新项目会采用,真正更改老系统为Rust的相当少,其实Go语言也是这样的,刚出来的时候很多人用,也是新项目采用,老系统还是JAVA。 这里只是以语言为列简单类比一下。 系统稳定性永远第一位,除非你的系统确定没有人用,那随便造。... 展开详请

为什么很多系统重构最后都以失败收场?

不能笼统的说系统重构,要对重构进行分类,比如:是对整体技术架构重构、系统运行流程重构、用户使用流程重构等等。不同重构采用的方法,涉及的范围,产生的影响,重构涉及思路等等均不相同。 另外,原系统规模、既有用户群体使用习惯也是非常重要的因素。 所以不能以偏概全,说很多系统重构最后都以失败收场。这个判断是不严谨的。... 展开详请

GPT驱动本体论商业化是伪命题吗?

技术方舟

科大讯飞 | 资深架构师 (已认证)

江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验
已采纳
如果产品只是把“行业术语/实体关系/规则”做成一份知识包,再让 GPT 去回答交互,那么商业化失败概率很高(客户很快会把它当成普通知识库+大模型问答)。但如果你把 本体论真正变成可执行的结构化能力(约束校验、推理/路由、影响面分析、可审计的生成、与业务流程闭环),并且用 KPI 证明 ROI,那它是可以单独收费的。... 展开详请

登录网页后台管理提示“系统错误:登录成功”?

RAG 接上知识库后,谁来负责持续更新?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
RAG 上线只是开始,知识库持续更新才是真正的运维难题。这事必须业务方 + 工程方共同背,靠任何一方都会烂尾。 业务方责任是源数据治理:文档版本号统一、过期内容标记、权限分级、谁有权发布。多数 RAG 检索质量下降,根本原因是源文档没人维护,旧版本新版本过期策略混在一起。 工程方责任是管道 + 监控:定时拉取、增量更新、向量重建、版本回滚都要自动化。最容易翻车的是 chunk 切分:业务方新增文档类型,旧 chunk 直接漏内容。 建议建 Owner 机制:每个知识库分区指定一个业务负责人,变更必须他确认。同时建数据新鲜度看板:最后更新时间、向量覆盖率、检索命中率 Top10 的更新频率。 RAG 本质是文档治理工程,技术只解决 30%,剩下 70% 是组织流程。... 展开详请

鸿蒙系统虚拟机中的VS studio 2022 怎么安装不了codebuddy?

智能工厂如何搭建自己的AI基础底座,包含哪些技术?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
别一上来就想着大模型,工厂AI的地基是数据。实际要分几层:最底下是设备接入层,OPC UA、Modbus这些协议网关把PLC、传感器数据收上来,用TDengine或InfluxDB这类时序库存;中间是数据治理,设备主数据、工艺参数标准化,这步最苦但决定上层能不能用;再往上是AI能力层,质量检测用视觉模型,预测性维护用时序异常检测,排产优化用运筹求解器,大模型排最后,用在知识问答、工单摘要、辅助排故这些场景。建议先挑一个ROI明确的场景跑通,比如视觉质检,别一上来铺大摊子。数据不动,AI白搭。... 展开详请
领券