站点里关于知识图谱的实现思路
文章提出知识图谱实现方案，采用4种节点（文章、标签、概念、实体）和6种语义边（链接、归属、相似、引用、构建、矛盾），并引入来源追踪机制（auto/manual/both）支持增量更新。通过LLM提取实体增强语义层，过滤低置信度结果。渲染选用D3.js替代ReactFlow以提升力导向交互流畅性。图谱还作为搜索的结构化扩展通道，与embedding和rerank协同。核心设计哲学包括来源追踪、渐进增强、图谱即检索和交互优先。
LLM
6 篇文章
我终于搞懂了Function Calling和MCP的区别
本文介绍了Function Calling与MCP两种技术。Function Calling是大模型调用预设函数与外部系统交互的能力，用于扩展模型能力、结构化输出和动态决策，适合简单原子化任务。MCP是Anthropic推出的开放通用协议，采用客户端-服务器架构，提供Resources、Tools、Prompts三大能力，支持跨模型跨平台复杂场景。通过门票助手、高德地图MCP、Tavily搜索MCP等案例展示应用。对比显示，Function Calling适合简单低延迟任务，MCP适合复杂多工具联动场景，两者可组合使用。
Agent
本文介绍了两种AI Agent类型：Workflow Agent和ReAct Agent。Workflow Agent通过人工定义规则和工具赋能，解决LLM的幻觉、无执行能力等缺陷，适用于高准确性场景，采用RAG技术、预设工作流和工具调用实现可控性。ReAct Agent则通过“推理→行动→反馈”循环动态完成任务，适用于非固定步骤的任务，如文件查找和故障排查，核心是思维链技术支撑推理过程。文章还通过案例展示了ReAct Agent如何通过多轮工具调用完成复杂任务，并讨论了相关技术架构和产品。
手把手教你用API调教AI，4个实战案例直接复制
本文介绍了AI大模型原理及API使用，涵盖AI分类（分析式与生成式）、大语言模型（LLM）核心能力、ChatGPT训练流程（基于RLHF的SFT、RM、PPO三步）、Token定义、Temperature与Top P参数控制生成多样性，以及AI聊天产品的超能力（联网搜索、读取文件、记忆）。学习目标包括掌握LLM基础、API调用方法及完成四大实战案例。
你的RAG总翻车？问题出在提示词
本文介绍了从提示工程到RAG的核心内容。提示工程是应用层核心技术，通过设计Prompt（包括身份设定、背景、参考资料、样例、指令和限制条件）与大语言模型交互，分为Zero-Shot、One-Shot和Few-Shot三种范式。RAG（检索增强生成）通过构建可检索知识库，解决Prompt字数限制和性能下降问题，执行流程包括知识库构建和检索生成。高级技巧强调“双向奔赴”：优化用户Query（如改写上下文依赖、对比型问题）和适配知识库处理（基于场景和技术理解，构建多维度专属知识库），协同提升检索精度和答案质量。
手把手教你部署Dify，5分钟搞定AI应用
本文介绍了Dify开源LLM应用开发平台的部署与应用。核心内容包括：Dify平台定义及五种应用类型（聊天助手、文本生成、Agent、对话流、工作流）；Docker Compose本地化部署步骤（克隆代码、配置环境变量、启动服务、初始化）；Chatflow与Workflow的核心区别（对话式交互vs批处理）；以及四个实战案例之一——LLM联网搜索工作流的搭建方法（开始→LLM提取关键词→Tavily搜索→LLM总结→结束）。