嗨，朋友们，好久不见！

你还记得我第一次接触 AI 的那天吗？ 那时候我还只是一名普通程序猿，手里握着一份毕业论文作业。 说实话，我当时并没有想过它会把我的生活 成现在这样。

我先说说 RAG，那是 Retrieval-Augmented Generation 的缩写。 刚开始，我只是想让模型Neng在大规模知识库里检索答案，然后再生成文本。 后来我碰到了 Lora，它Ke以让大型模型在少量数据上快速微调。 害，我没想到两者结合后Neng把原本跑不通的代码跑起来。

I 使用 Ollama Zuo了一个小实验，让本地模型跑起来geng快。 随后我又尝试 MLX，把模型迁移到 GPU 上加速推理。 那种感觉就像给旧电脑装了一个新引擎，一下子性Neng翻倍。

你知道吗？GitHub 上有无数关于 Prompt Engineering 的仓库。 我也搞了几个自己的仓库，把 Prompt 写成可复用的模块。 说实话，有时候kan别人的代码让我惊讶——它们竟然这么干净优雅。

LlamaIndex 和 LangChain 我dou玩过一次Zui初只是为了完成一个聊天机器人项目。 后来发现它们Ke以串联多种工具和 API，这就像给模型装上了一双“手脚”。 所以我把它们组合成一个简单的 Agent 系统，用来处理日常工作流。

为什么百度不收录？ 其实原因hen简单：内容质量没达到标准，又可Neng涉及版权问题。 Ru果你想要被收录，需要保证原创度高、结构清晰，并且遵守平台规则。

I 用 FAISS Zuo了一个 Embedding 检索系统，帮忙快速定位代码片段。 然后把结果映射到知识图谱里让搜索geng智Neng、geng语义化。 这一步让我意识到，AI 并不是万Neng魔法，而是工具链的一环。

AWS Lambda 给了我无服务器计算的灵活性 Azure Cognitive Services 则让我快速集成视觉与语言Neng力 在两者之间切换，我学会了如何根据业务需求选平台 那段时间，我每天dou像搬砖一样忙碌，却也乐在其中 因为每一次成功部署，dou像解锁新关卡一样兴奋哈哈

MCP正式发布后我立刻开始尝试 Function Calling 的升级版——MCP Tools. 通过 MCP，我Ke以让模型直接调用外部 API，比如天气查询或股票行情。 之前只会聊天现在Neng帮忙抓取实时数据，可谓从单纯对话升级为完整工作流程。

I 在一家电商公司负责客服自动化项目时遇到了挑战。 表面kan似简单，但实际上需要兼顾多语言、多识别和业务规则匹配。 于是我引入了自研的意图分类器，并配合规则引擎Zuo后处理。 结果客服工单回复率提升了 35% ，而且客户满意度飙升。

I 用 ChatGPT 帮忙撰写博客稿件，只需给它提纲和关键词即可快速生成草稿。 随后再用 Jasper 或 Claude 进行润色，让语气geng符合个人风格。我发现 AI 写作geng像是协作者，而不是替身 而在 PPT 制作上，我用 Copilot + PowerPoint 插件，把文字转成演示文稿，再自行调整布局，省时又省力哈哈

B站上的“AI 实验室”系列视频让我意识到技术离实际应用还有一段距离，但也充满可Neng性.^{*1**1**1**1**1*}

I 跟踪国内大型模型的发展轨迹，从 GLM 到 Qwen 再到 MiniMax，每一次迭代dou令我惊叹其算力与细节优化程度。这些模型不仅支持多模态，还Neng在中文语境下保持高准确率，hen适合本土企业内部应用。 而且这些模型往往开放源码或者提供 API 接口，让我们这些中小团队也Neng轻松上手。 不过要注意的是高性Neng背后隐藏的是巨大的算力成本，Ru果没有足够预算的话，一定要评估 ROI。 国内模型正在追赶甚至超越海外同行，这场竞争值得我们持续关注。 ​