人工智能与数据 on Jinnchang

Retrieval-Augmented Generation

Wed, 25 Mar 2026 10:20:00 +0800

将外部知识注入大语言模型，解决幻觉与知识过时问题，让模型"先检索，后回答"。

核心概念 Link to heading

RAG 的核心思路很直接：在 LLM 生成回答之前，先从外部知识库中检索相关文档，将检索结果作为上下文一并输入模型。

RAG 系统架构

为什么需要 RAG？

知识更新：模型训练数据有截止日期，无法回答之后的事件
领域知识：企业内部文档、专业资料不在训练数据中
减少幻觉：用检索到的真实信息替代模型"编造"内容
可溯源：每条回答都能追溯到具体文档来源

关键组件

文档加载 → 文本分块 → 向量化(Embedding) → 存储(向量数据库)
 ↓
用户提问 → 向量化 → 相似度检索 → 拼接Prompt → LLM生成回答

搭建最小 RAG 系统 Link to heading

以下使用 LangChain + OpenAI 构建一个可运行的 RAG demo，从本地文本文件开始。

Prompt

Tue, 10 Mar 2026 14:55:00 +0800

向 AI 模型传达意图的指令语言，决定输出质量的核心输入。

核心概念 Link to heading

Prompt 是与大语言模型交互的输入文本，包含任务描述、上下文和约束条件。其质量直接影响模型输出的准确性和可用性。

关键要素：

要素	作用	示例
角色设定	锚定模型的专业视角	“你是一个资深 Go 工程师”
任务描述	明确要做什么	“分析以下代码的性能问题”
上下文	提供必要背景信息	代码片段、业务场景
约束条件	限制输出格式和范围	“只输出 JSON，不要解释”
示例	Few-shot 示范期望输出	输入输出对

核心原理：模型基于 Prompt 在训练分布中找到最匹配的模式，生成概率最高的续写文本。

graph LR A[用户意图] --> B[Prompt 编码] B --> C[LLM 推理] C --> D[输出文本] D --> E{验证} E -->|不满足| F[迭代 Prompt] F --> B E -->|满足| G[最终结果]

Prompt 结构模板 Link to heading

一个高质量的 Prompt 遵循以下结构：

Open Claw

Thu, 05 Mar 2026 09:05:00 +0800

自托管、开源的 AI Agent 网关，让大模型真正执行现实任务。

核心概念 Link to heading

OpenClaw 是一个运行在本地的 AI Agent 框架，由 Peter Steinberger 创建（历经 Clawd → Clawdbot → Moltbot 改名，最终定名 OpenClaw）。与 ChatGPT 等对话式 AI 不同，OpenClaw 不是一个被动回答问题的大模型——它是一个主动执行任务的 Agent 网关。

graph TD WA["WhatsApp"] --> GW TG["Telegram"] --> GW SL["Slack"] --> GW GW["OpenClaw Gateway
本地 :18789"] --> AG["Agent
workspace + model router + tools"] AG --> LLM["Claude / GPT / Gemini"]

三个关键能力让 OpenClaw 区别于普通聊天工具：

持久记忆：Agent 记住历史交互，跨会话保持上下文
真实计算机访问：读写文件、执行命令、调用 API
多通道统一：WhatsApp、Telegram、Slack、Discord、Signal、iMessage、WebChat 全部接入同一个 Gateway

安装配置 Link to heading

OpenClaw 使用交互式引导完成初始设置：

Model Context Protocol

Fri, 20 Feb 2026 10:40:00 +0800

MCP 是大模型与外部系统之间的标准化接口协议，让 AI 应用可以像 USB 设备一样即插即用。

核心概念 Link to heading

你在 Claude Code 中使用 skill、调用外部工具时，底层就是 MCP 在通信。

MCP 定义了三类角色：

Host — 运行大模型的宿主程序，如 Claude Desktop、IDE 插件、自定义 AI 应用
Client — 嵌入 Host 的 MCP 客户端，负责与 Server 建立连接、发送请求、管理生命周期。Host 可以包含多个 Client，每个 Client 连接一个 Server
Server — 暴露能力给大模型的服务端，提供三种核心资源：
- Tools — 可执行操作（API 调用、数据库查询、文件读写）
- Resources — 只读数据源（文件、日志、配置）
- Prompts — 预置模板（快速构造结构化输入）

传输层支持两种协议：

stdio — 本地进程通信，通过标准输入/输出传递 JSON-RPC 消息
SSE（Server-Sent Events） — 远程 HTTP 通信，适合跨网络场景

协议层统一使用 JSON-RPC 2.0 格式，确保不同语言、不同平台的实现可以互操作。

Large Language Model

Sun, 15 Feb 2026 15:25:00 +0800

OpenAI Link to heading

模型	更新
GPT-5.4	2026-03-05
GPT‑5.3 Instant	2026-03-03
GPT‑5.3‑Codex‑Spark	2026-02-12
GPT‑5.3-Codex	2026-02-05
GPT Image 1.5	2025-12-16
Sora 2	2025-09-30
OpenAI o3	2025-04-16
OpenAI o4-mini	2025-04-16

https://openai.com/research/index/release/

Google Link to heading

模型	更新
Gemini 3.1 Flash-Lite	2026-03-03
Gemini 3.1 Flash Image	2026-02-26
Gemini 3.1 Pro	2026-02-19
Lyria 3	2026-02-18
Veo 3	2025-02-18
Imagen 4	2025-05-20
Gemma 3	2025-08-14

https://deepmind.google/models/model-cards/

LangChain

Tue, 10 Feb 2026 20:10:00 +0800

基于大语言模型的应用开发框架，用声明式链式编排将 Prompt、模型、工具和数据源组装成可用的 AI 应用。

核心概念 Link to heading

LangChain 的核心思想是把构建 LLM 应用的常见环节抽象成可组合的模块。2025 年官方发布 1.0 alpha 后，API 进入稳定期，2026 年已全面进入 1.x 时代。

关键概念：

概念	说明
LCEL（LangChain Expression Language）	声明式语法组合链，所有组件都是 Runnable，可通过 `\|` 串联
Prompt Templates	参数化模板，解耦提示词内容与代码逻辑
Chat Models	统一的模型接口，OpenAI、Anthropic、本地模型均适配
Tools & Tool Calling	模型可主动调用的外部函数，实现搜索、数据库查询等操作
Structured Output	强制模型按指定 JSON Schema 输出，2026 重点方向
LangGraph	基于状态图的 Agent 编排框架，支持持久化、流式、人在回路

架构关系：

langchain-core → 抽象基类（Runnables, Messages, Prompts）
langchain → 集成层（各厂商模型、向量库、工具）
langgraph → Agent 编排（图结构、状态机）

安装配置 Link to heading

pip install "langchain>=1.3" langchain-openai

核心库与集成包分离安装。使用 OpenAI 模型需额外安装 langchain-openai，使用其他提供商安装对应包即可。

Function Calling

Sun, 01 Feb 2026 13:30:00 +0800

Function Calling 是大语言模型从"对话"走向"行动"的关键桥梁——让模型能调用外部工具，而非仅生成文本。

核心概念 Link to heading

Function Calling（函数调用）是一种机制：模型不再只返回文本回复，而是返回结构化的工具调用请求，由客户端程序执行后将结果回传给模型，最终由模型生成面向用户的自然语言回复。

三个关键术语：

术语	含义
Tool Definition	工具定义，描述函数名、参数类型和用途
Tool Call	模型返回的工具调用请求，包含函数名和参数值
Tool Result	客户端执行函数后返回的结果

核心要点：模型不执行代码，只决定调用哪个工具、传入什么参数。 真正的函数调用发生在你的代码中。

为什么需要 Function Calling Link to heading

传统聊天 API 的本质是"基于训练数据的文本生成"。这意味着它有三个天然局限：

无法获取实时数据 —— 模型不知道今天的天气
无法操作外部系统 —— 模型无法帮你发邮件、查数据库
无法保证输出格式 —— 即使要求 JSON，模型也可能输出错误格式

对比：Prompt 硬编码 vs Function Calling Link to heading

以"用户问明天北京天气"为例。

Prompt 硬编码方式：在 prompt 中让模型输出 JSON，然后你解析。

Agent Skills

Sat, 10 Jan 2026 10:30:00 +0800

Anthropic 推出的开放标准，让 AI Agent 以模块化方式扩展能力——一次编写，随处部署。

核心概念 Link to heading

为什么需要 Agent Skills Link to heading

MCP（Model Context Protocol）解决了 Agent 如何接入外部工具的问题，但它不负责定义"Agent 本身应该具备什么能力"。Agent Skills 填补了这一空白：它将特定领域的知识、工作流和最佳实践打包成可复用的模块，使通用 Agent 能够快速转变为专业角色。

打个比方：MCP 是 Agent 的 USB 接口，Agent Skills 是 Agent 的职业资格证书。

SKILL.md：技能的核心载体 Link to heading

一个 Skill 本质上是一个包含 SKILL.md 文件的目录。SKILL.md 由 YAML frontmatter 和 Markdown 正文组成：

Agent-to-Agent Protocol

Mon, 05 Jan 2026 09:00:00 +0800

Google 推出的开放协议，让不同框架、不同厂商的 AI Agent 能够互相通信与协作，堪称 AI Agent 世界的 HTTP。

核心概念 Link to heading

2025 是单 Agent 之年，2026 是多 Agent 之年。当多个 Agent 需要协同工作时，一个标准化的通信协议必不可少。A2A（Agent-to-Agent Protocol）应运而生。

A2A vs MCP Link to heading

理解 A2A 最快的方式是把它和已经普及的 MCP 对照：

维度	MCP	A2A
连接对象	Agent ↔ 工具/数据源	Agent ↔ Agent
通信模型	同步请求-响应	同步 + 异步流式
典型场景	Agent 调用搜索、数据库、API	旅行 Agent 向酒店 Agent 发起预订
协议基础	JSON-RPC	JSON-RPC 2.0 over HTTP

一句话：MCP 让 Agent 使用工具，A2A 让 Agent 之间对话。