什么时候该用 GraphRAG:用 LightRAG 对比五种检索模式
从问题类型、构建成本和五种查询模式出发,判断知识图谱检索是否真的比普通向量 RAG 更合适。
AI TRAINER × ENGINEERING PRACTITIONER
企业 AI 培训讲师 · AI 工程实践者
我是西城。曾在联想、阿里从事大数据与 AI 开发, 现在专注企业 AI 培训与工程落地,把 Agent、RAG、AIOps 和工作流变成可理解、可复现、可交付的实践。
LATEST UPDATES
从问题类型、构建成本和五种查询模式出发,判断知识图谱检索是否真的比普通向量 RAG 更合适。
从模型分工、服务连通到知识库验收,搭建一条数据不出本机的检索增强生成链路。
用一个可审计的配置检查服务,理解 MCP 的工具边界、HTTP 传输、Dify 接入和上线前验证。
用 MinerU 4.0 解析图文、表格与公式混排文档,并建立一套面向 RAG 的清洗和验收流程。
用最小可用、结构化规范和外部知识库三个版本,把一次性提示词变成可测试、可共享的 Agent 能力。
从零理解 CNN、卷积核和特征图,再亲手写一个 0–9,看浏览器如何一步步识别它。
真正好用的 AI 协作,不是把任务扔给模型等待奇迹,而是设计一条双方都知道何时算完成的路径。
用小明的周末决策解释感知器、正向传播、损失函数、反向传播和梯度下降。
这个筛选条件下还没有内容,先看看别的吧。
BLOG / TUTORIALS
不把内容锁进层层分类。大节点是文章,小节点是标签,连线就是它们之间的关系。
WORK IN PROGRESS
这里不是“作品集”,而是正在发生的工作:把培训经验、重复任务和新技术,逐步做成真正可用的工具。
从大纲、Markdown 教材到演示文稿,把课程研发拆成可复用的多阶段流程。
LESSONS PREPARE · MD → PPT读取 PDF/PPT 的视觉与内容,为技术课件生成逐页、可讲、可复核的演讲稿。
SPEECH DRAFT · LOCAL AI面向 OpenClaw 多 Agent 协作的控制中心,探索任务、状态与能力的统一管理。
AGENT CONTROL CENTER · NEXT.JS用 Skills 串起素材提取、研究、写作与分发,让内容生产有流程,也保留人的判断。
CONTENT PIPELINE · SKILLS