为 RAG 系统设计自适应置信度评分 —— 不用固定阈值,让数据说话
RAG 系统的回答质量参差不齐,固定阈值无法适应不同知识库。本文设计了 "在线计算原始分 + 离线分位数阈值" 的架构,用近 7 天真实数据分布动态决定置信度分级。
RAG 系统的回答质量参差不齐,固定阈值无法适应不同知识库。本文设计了 "在线计算原始分 + 离线分位数阈值" 的架构,用近 7 天真实数据分布动态决定置信度分级。
开发支付 API 时发现 Bearer Token 字符串直接比对存在时序攻击风险,这篇文章记录了从发现漏洞到用常量时间算法修复的完整过程。
在一个需要长期维护的运维平台中,选择自建 RAG 而非集成 LangChain 等框架。这背后的决策不只是代码量的问题,而是对可控性和长期维护成本的权衡。
阅读代码只能获得静态知识,动手运行并复刻最小版本才是检验理解的唯一标准。
拆解 Claude Code 源码后发现,它放弃了 ReAct 的 Thought-Action-Observation 三步循环,改用更简洁的 Tool-Use Loop。这个选择的背后是对强模型推理能力的信任,以及一套 "把应用层做得尽可能简单" 的设计哲学。
Agent 自动化真正难的不是让模型回答问题,而是让它按流程稳定完成任务。
文档先行不是拖慢开发,而是把需求、技术和执行拆开确认,减少后期返工。
异步生成任务里,轮询和 SSE 不该互相替代。一个管状态,一个管内容流。
统一 AI 网关不能只靠参数透传。真正稳定的做法,是把每个模型的能力和参数边界写清楚。