演进逻辑与学习过程

底层逻辑架构是技术核心，工具和 API 会变，但架构不变，需理解以不变应万变。

AI 模型演进类似人类学习过程：

CNN（看特征）→ RNN（记顺序）→ Transformer（注意力机制）→ BERT/GPT（理解与生成）

一、CNN（卷积神经网络）

核心逻辑

像「特征猎人」，通过卷积核（小窗口）扫描图像提取局部特征（如眼睛、嘴巴），再经池化（压缩，保留最大特征值）处理。

Excalidraw 是一个开源的虚拟白板，用于绘制手绘风格的流程图，支持多人协作编辑。

产品特点

• 开源：MIT 协议，可自由使用和二次开发
• 手绘风格：流程图呈现手绘、草图效果
• 协作编辑：支持多人实时协同编辑

使用方式

本地部署

# 使用 create-excalidraw-app 创建项目
npx create-excalidraw-app my-app

# 启动开发服务器
cd my-app
npm run dev

适用场景对比

向量数据库是 RAG 系统的核心，选型直接影响检索效率和生成质量。本文围绕选型方法论、主流产品分析、实战案例、总结与趋势展开，帮助解决技术选型问题。

一、选型方法论

1. 业务需求

• 数据类型
  • 纯文本（合同库、文档问答）：选择范围广
  • 多模态数据（图片、音频、视频）：对高维向量处理能力要求高，如以图搜图
• 查询模式
  • 关键字搜索：传统倒排索引，如 Elasticsearch
  • 相似度匹配：向量检索
  • 混合检索：向量检索 + 结构化过滤（如「红色裙子 + 价格 < 200 元」），需关注性能

一、微调与 LoRA 的底层逻辑

什么是微调

可以将预训练模型比作刚毕业的全能本科生，具备广泛知识但缺乏行业特定业务能力。微调就是通过行业数据训练，使其从通才转变为懂业务的专才，让模型掌握公司业务或行业黑话。

LoRA 的原理

LoRA（Low-Rank Adaptation）的核心逻辑是：冻结原模型参数，不修改模型「大脑」，而是在模型层间插入可训练的低秩矩阵（Adapter 适配器参数）。如同给教科书贴便利贴，新增知识写在便利贴上，模型推理时同时参考原模型和新增参数。

什么是幻觉

大模型幻觉是指模型在未知或知识不足时，自信地创造虚假信息的现象，与简单错误不同。

• 简单错误：因知识未覆盖导致的无知（如知识库仅更新到 2024 年却被问 2025 年诺贝尔奖得主，回答「不知道」或错误引用 2024 年数据）
• 幻觉：模型主动脑补不存在的内容（如虚构诺贝尔奖得主姓名、获奖感言及论文），其核心特征是「自信的创造」，即使逻辑严密、语言流畅，核心事实完全虚假

幻觉的三大症状

事实捏造

一、统一 API 网关 / 聚合平台

面向多模型接入、统一管理、成本控制的企业级平台。

Reasoning and Acting

ReAct 架构详解与实战应用

ReAct 架构的核心价值

大模型应用落地的关键在于解决「除了陪聊还能做什么」的问题。传统 AI 客服仅能进行情绪安抚，而基于 ReAct 架构的 Agent 可通过调用外部工具（如物流系统查单号、发起退款）实现实际功能，这是玩具与生产力的本质区别，也是行业核心技术壁垒之一。

ReAct 核心原理解析

ReAct 是 reasoning（推理）和 acting（行动）的缩写，核心是让模型具备「思考 → 行动 → 观察」的闭环能力。

JWT

1. 🔑 JWT存储在哪里？

客户端存储：

• JWT 不存储在服务器端（这是JWT的特点之一）
• JWT由客户端（前端）负责存储，常见方式：
  • localStorage - 持久化存储
  • sessionStorage - 会话存储
  • Memory - 内存存储（最安全，但刷新页面会丢失）
  • HttpOnly Cookie - 相对安全的方式