知识库
学习资料
春招+实习+社招：docs.qq.com/sheet/DV2dKQ2pyWXRuR21s ai填写简历插件和网申表格：https://www.qiuzhifangzhou.com/campus
简历https://github.com/JOYCEQL/magic-resume/blob/main/README.zh-CN.md
掘金文章https://juejin.cn/post/7649955227478638655
你要学记忆系统的话可以看看github上my akashic这个项目
https://www.yuque.com/yuqueyonghu-ng3vtk/ml40pe?# 《AGI-Core开源版》
新技术https://juejin.cn/post/7625301482213130291
大厂实习秋招内推汇总🔥📢 https://my.feishu.cn/sheets/Ja0YsDMuKhy7Sxt0E9HcuRIinTf?sheet=2d5134
星球二哥编程用那个paicli和github上一个claude code项目改的
前端学习路线https://xcnw6kkm1ldc.feishu.cn/wiki/DyElwiysPiRODLkASykcj6A9nyd
项目推荐文档https://ai.feishu.cn/wiki/NccQw1Bpci7QhIkXq1rcv6o4nmg
优雅学习路线https://my.feishu.cn/wiki/Cm15wvl8JiC8pUknsfVc6TQNnDc
Agent项目https://pcnivlpg6pgy.feishu.cn/wiki/PmoLwlh2DiOE2ykbCOzcvKkjnFd?docs_banner_login=
鱼的笔记https://sealearn.yuque.com/org-wiki-sealearn-syaeae/oi5uvb/huw7hzm50ky91f3y
【VIP学员课程资料链接】 2501期AI大模型基础篇课件资料地址：
链接: https://pan.baidu.com/s/15rL7JgGK2mFrFdCgG1kOpg
提取码: zzr3
2501期AI大模型RAG应用开发篇课件资料地址：
链接: https://pan.baidu.com/s/1c-oe67oIy-1ERmjg9eiQNA
提取码: mhue
2501期AI大模型Agent智能体开发篇课件资料地址：
链接: https://pan.baidu.com/s/19N6mHZRnmhTjdOsWBOnXug
提取码: uh2j
2501期AI大模型私有化微调篇课件资料地址： 链接: https://pan.baidu.com/s/1VTcJeffU5ovx5L1PouXGtA 提取码: jk4c
2502期AI大模型基础篇课件资料地址：
链接: https://pan.baidu.com/s/1HB5z7nfLiIwDvzw74Fa9jQ 提取码: h1g3
2502期AI大模型rag应用开发篇第二期课件资料地址： 链接: https://pan.baidu.com/s/1ls99Ol3di685vq9xal5EOg 提取码: k5gx
RAG 手册
链接：
https://dqej47nflyz.feishu.cn/wiki/Xum4w0ksBiwgRTkFkeec2MYwnOp
密码：5@31U168
- Agent 手册
链接：
https://dqej47nflyz.feishu.cn/wiki/CkzZwmDPbiUvP5kVyilcVQepnEf
密码：22F61422
- Transformer 手册
链接：
https://dqej47nflyz.feishu.cn/wiki/UVG4wY8Jxilgnyka6dsc3xDanid
密码：970a7945
- LangChain 手册
链接：
https://dqej47nflyz.feishu.cn/wiki/R3eXw8aXeiQqXxkYSrOcPHeznK6?from=from_copylink
密码：544N22#3
- LangGraph 手册
链接：
https://dqej47nflyz.feishu.cn/wiki/CIPqwL3XkimM4Qk73ylc2RZMnrg
密码：75@1425Z
- AI/Agent 应用开发面试题
链接：
https://dqej47nflyz.feishu.cn/wiki/ZSBJw2ZqjiNOgVkAAPMc6ShRnYb
密码：bB728394C
二、百度网盘资料
- 图灵学院新-2025年全“薪”AI大模型全栈工程师【2.0】
链接：
https://pan.baidu.com/s/1NBjVKsLJcd2F2L_udYEfIg
提取码：7758
- 大模型应用开发
链接：
https://pan.baidu.com/s/1hJnFX7nNfy0-nOcWboGNyQ
提取码：7758
- 图灵学院新-2025年全“薪”AI大模型全栈工程师【2.0】
链接：
https://pan.baidu.com/s/5Abl6Hoez9G9POLJW2bBfmA
群聊补充信息：
- 百度网盘提取码：
7758 - 另一个文件密码或文件名：
szjm01
相关问题
agi-saber项目为什么不直接用es做向量库还要用milvus
es的向量是外挂的性能比milvus差很多，es主要是倒排索引做关键词的
ES + 向量插件=es向量 es主要是搜索场景 ，milvus专门为向量场景
es底层基本上只有一种向量索引HNSW，mlivus底层还有很多IVF，HNSW，DiskANN，都是找最近邻问题的算法
如果金融的问答，要不要用知识图谱。我说要用。 我对这个业务场景还不熟悉。用了知识图谱的话多跳推理会让回答速度变慢，要做特异优化才可以。
本质就是库里面很多向量，你怎么快速找到最相似（也就是距离最短的） 就是关系性和文档关联比较强的得上graph
复杂推理或者多跳推理才用知识图谱有歧义，本质不是因为复杂推理上graph rag 复杂推理应该上agentic rag和传统rag不一样的就是会多次检索
复杂推理情况下，构造了一次query，检索发现召回的文本不足以解决问题然后agent自己构造第二个q，第三个q，直到能推理解决这个问题这就是agentic
优化速度得分段看rag系统一般每个步骤会分别埋点，看你哪个步骤耗时最长然后做权衡，砍速度肯定会影响效果的，加图就是在能容忍速度的情况下极大提升准确率
节省token
-
动态top k
-
小模型路由，根据问题复杂程度，或者召回得到的效果，在rerank之后，动态阶段来控制送给你最后模型的chunk数量
长期记忆有必要设计成这样吗？长期记忆不是相对来说比较少吗？会话记忆弄成这样会不会好点，就像mem0那样。
短期记忆就是会话窗口的固定长度，预先把每个会话窗口的第一个query做保留，一个会话窗口最重要的就是第一句话，然后改写附带着然后再加窗口长度
长期记忆和组装上下文机制也一定解决了不足，记忆存储机制和上下文组装相配合
- 避免上下文污染（最大的收益），2. 恢复 Agent 状态，而不是恢复聊天记录，3. Token 利用率更高，4. 长任务能力更强，5，让不同记忆有不同生命周期
长期记忆是为了跨回话存在，现在存储已经有mem0的味道，比如记忆巩固，冲突消除，去重合并，触发长期记忆是通过预先留好槽位然后填充的方式
会话窗口是不是没加压缩 先根据当前任务构建所需的记忆上下文结构，例如Long-term Profile，Planner State，Task Memory，Tool State。再让 Recall 出来的 Memory 去匹配并填充这些结构化映射
记忆系统的长期记忆和用户偏好，这两个感觉都是在提取用户的喜好信息诶，存的内容具体区别在哪啊？ 长期记忆存的是chunk，用户偏好是具体的key-value映射；长期记忆是为了补全语义组装上下文召回用的，用户偏好可以每轮 prompt 都可直接注入，增加用户画像个性化用的
微服务就是伪命题，你真实开发过程是没什么感知的学学rpc，grpc这种
工业rag最复杂的部分就是chunk多路找回rrf
表格在入库的时候就结构化转成段落，模型没办法理解excel，得数据清洗的时候就处理
，让模型对每个图片生成摘要，最后向量化基于这个摘要的语意向量化 其次是现在都基本上用llm基于语意切片了，复杂的，文档格式转成可以友好切块的，并且保证语义不变
最终落库是需要向量化的，搜图这种可以上这个多模态embedding
给chunk打tag是怎么打的？，是要维护一个标签词典，让llm在这个词典范围内安排tag吗，还是说有什么其他办法
tag就是元数据标签，在入库的时候打上去的
我rag召回的时候，明明是原因类问题，但是由于bm25的top1是现象类(可能是关键词命中较多?)，导致后面rrf之后带歪了，想打个tag如果是原因类问题就给原因加个权什么的，或者说对于这种问题应该怎么解决吗
所有向量存储都应该支持吧，你可以理解成入库的时候你可以自定义的一个字段给这个向量打标签，比如是广告竞价相关的chunk你可以打上“竞价”
在检索的时候，你发现用户的问题的和竞价相关的，你就可以先根据这个tag先筛选一轮
打上tag的动作是人工还是llm？
llm，让llm给打的标签一个置信度分数，如果小于0.5就人工rw
先加个前置给用户的query打tag，户问的是原因相关的才能召回原因相关的
先意图识别打标签，应该能解决这种问题，但是真实场景应该更复杂，一个问题可能涉及多个标签 所以需要你的意图识别模块更好，能同时打多个意图这种
元数据这个东西很好用的各种隔离
做好几个部门的知识库，就是可以通过tag去过滤不同部门对应的知识
为什么项目里用的RAG是向量检索+BM25关键词+知识图谱，但是测评里却只测了向量，BM25和Hybrid，没有知识图谱？
知识图谱是测评后加的，基本测评只需要测的也只是向量检索，关键词对于向量化模型没有影响，我们测的是召回阶段，向量化模型对召回检索的影响程度
测评是为了向量化模型的选择，跟知识图谱和bm25都无关
三路召回，其实bm25和知识图谱都没有对照变量，只有向量召回这一阶段用的向量化模型是变量才可以对照
知识图谱的构建策略和检索策略不影响上下文召回率和精确率？
观察一下所有向量化模型测评中的bm25数据都是相同的，因为bm25测试就没有变量用的环境和配置都是相同的
测评召回检索阶段用python脚本算一下指标，麻烦点是造大量chunk和答案测试集；然后生成阶段直接接ragas框架 找一个变量，召回阶段的变量是不同的向量化模型，生成阶段是不同的对话模型，主要是看各模型是否适合这个场景
评测和沙箱挺重要的
支持与分享
如果这篇文章对你有帮助，欢迎分享给更多人或打赏支持！