基于php技術(shù)的網(wǎng)站開發(fā),溫州小學(xué)網(wǎng)站建設(shè),做招聘網(wǎng)站排名,有什么外貿(mào)網(wǎng)站2024 年底的時候#xff0c;行業(yè)里有一種很流行的聲音#xff0c;認(rèn)為隨著大模型上下文窗口突破百萬級甚至無限長#xff0c;RAG這種“打補(bǔ)丁”的技術(shù)很快就會被淘汰。 現(xiàn)在站在 2025 年回頭看#xff0c;這個預(yù)測顯然失效了。RAG 并沒有因?yàn)殚L上下文的普及而消失#xf…2024 年底的時候行業(yè)里有一種很流行的聲音認(rèn)為隨著大模型上下文窗口突破百萬級甚至無限長RAG這種“打補(bǔ)丁”的技術(shù)很快就會被淘汰。現(xiàn)在站在 2025 年回頭看這個預(yù)測顯然失效了。RAG 并沒有因?yàn)殚L上下文的普及而消失反而在企業(yè)級應(yīng)用中變得更加厚重和底層。Shopify CEO Tobias Lütke 在今年年中提到一個詞——“Context Engineering上下文工程”精準(zhǔn)概括了這一年的范式轉(zhuǎn)變我們從關(guān)注“怎么提問Prompting”徹底轉(zhuǎn)向了關(guān)注“喂什么信息Context”。如果你仔細(xì)觀察今年中大型企業(yè) AI 落地的架構(gòu)會發(fā)現(xiàn) RAG 已經(jīng)從一個簡單的“外掛知識庫”演進(jìn)成了一套負(fù)責(zé)數(shù)據(jù)治理、索引、編譯和供給的復(fù)雜系統(tǒng)。這背后其實(shí)是行業(yè)對成本、性能和效果三者平衡的重新認(rèn)知。一、 認(rèn)知修正長上下文是 RAG 的下游而非替代品今年上半年很多企業(yè)嘗試直接把整本手冊扔進(jìn)一百萬 token 的窗口里結(jié)果往往不盡如人意。除了顯而易見的推理成本非線性增長和延遲問題外技術(shù)障礙還是“中間迷失Lost in the Middle”效應(yīng)。模型在處理過長且未經(jīng)過濾的信息時注意力會被稀釋推理能力反而下降。所以2025 年的工程實(shí)踐達(dá)成了一個共識檢索前置長文后置。RAG 的任務(wù)不再是給模型喂“一句答案”而是負(fù)責(zé)清洗和篩選出幾千到幾萬 token 的高質(zhì)量“相關(guān)上下文”。長上下文窗口的價值在于它允許 RAG 的召回粒度變粗允許我們把更完整的文檔片段、甚至相關(guān)的前后文邏輯塊一次性塞給模型而不是像以前那樣只能塞幾個支離破碎的切片。這直接催生了“上下文工程”的挑戰(zhàn)如何解決存儲與呈現(xiàn)的矛盾現(xiàn)在的解決方案是將兩者嚴(yán)格分離存儲層Session全量保存所有的交互數(shù)據(jù)、原始文檔和日志這是“數(shù)據(jù)倉庫”。呈現(xiàn)層Working Context這是經(jīng)過計(jì)算后精選呈現(xiàn)給 LLM 的信息追求極高的信噪比。檢索層Memory作為中間件按需從長期存儲中提取信息填充到呈現(xiàn)層。Context 不是靜態(tài)的模板而是運(yùn)行時基于存儲層動態(tài)編譯出的產(chǎn)物。二、 架構(gòu)重構(gòu)搜索與閱讀的解耦傳統(tǒng)的 RAG 系統(tǒng)一直有個死結(jié)切片Chunk切小了語義匹配準(zhǔn)但模型讀不懂切片切大了內(nèi)容完整但噪音大。今年的解決方案非常務(wù)實(shí)即把“找線索”和“讀內(nèi)容”拆開。我們在 RAGFlow 等前沿系統(tǒng)中看到了TreeRAG邏輯的落地寫入時利用 LLM 預(yù)處理生成樹狀摘要結(jié)構(gòu)。檢索時先用最小粒度關(guān)鍵詞/小切片精準(zhǔn)定位一旦定位再順著樹狀結(jié)構(gòu)抓取父節(jié)點(diǎn)和兄弟節(jié)點(diǎn)動態(tài)拼裝成邏輯完整的上下文塊。這意味著重心的前移關(guān)注點(diǎn)從向量數(shù)據(jù)庫轉(zhuǎn)移到了數(shù)據(jù)注入管道Ingestion Pipeline/PTI。這個環(huán)節(jié)不再是簡單的 OCR而是包含語義分析、元數(shù)據(jù)提取的復(fù)雜 ETL 流程。同時在呈現(xiàn)層Context Caching上下文緩存成為了標(biāo)配優(yōu)化。我們將靜態(tài)的系統(tǒng)指令、工具定義Tool Definitions和長期知識放在 Prompt 的頭部Prefix讓這部分計(jì)算結(jié)果駐留在GPU顯存中。這不僅降低了成本更解決了延遲問題——KV-Cache 命中率已成為衡量 Agent 系統(tǒng)工程質(zhì)量的指標(biāo)。三、 RAG 的形態(tài)演進(jìn)從被動查詢到主動推理在 Agent 時代RAG 本身的定義也在發(fā)生劇變它正在向三個方向深度演進(jìn)1. 從生成到推理Retrieval-Augmented Reasoning (RAR)傳統(tǒng)的 RAG 是線性的檢索 - 生成。而 RAR 是閉環(huán)的檢索 - 推理 - 再檢索 - 再推理。模型不再是被動接收信息而是會主動判斷當(dāng)前信息是否缺失。如果不夠它會發(fā)起新的查詢甚至修正查詢方向。這讓 RAG 從一個“開卷考試的作弊條”變成了一個“研究員的思考過程”。2. 主動化的 Agentic RAGRAG 不再是一個靜態(tài)模塊而是具備了 Agent 的特性Agentic。自主決策Agent 自己決定何時需要檢索而不是每句話都去查庫。策略選擇面對不同問題智能選擇是查向量庫、查關(guān)鍵詞還是調(diào)用外部搜索工具。質(zhì)量評估Agent 會“讀”檢索回來的內(nèi)容評估其是否有用如果質(zhì)量差它會調(diào)整策略重試。3. 有機(jī)融合的 Memory-Augmented RAG記憶Memory不再是獨(dú)立組件而是 RAG 的一種特殊形態(tài)。2025 年的系統(tǒng)強(qiáng)調(diào)三種記憶的協(xié)同短期記憶當(dāng)前的 Working Context。情節(jié)式記憶用戶的歷史交互記錄通過向量檢索召回。語義記憶提煉出的長期知識總結(jié)。RAG 成為了整個記憶系統(tǒng)的有機(jī)組成部分而非孤立的檢索模塊。四、 角色演進(jìn)Agent 的“全能依仗”這時候RAG 的角色發(fā)生了質(zhì)的變化。它不再局限于檢索文檔而是變成了一個通用的上下文引擎Context Engine負(fù)責(zé)管理 Agent 運(yùn)行所需的數(shù)據(jù)。除了知識和記憶今年最大的痛點(diǎn)是工具檢索Tool Retrieval。當(dāng)企業(yè)內(nèi)部通過 MCP 協(xié)議封裝了上千個 API 時 Prompt 塞不下所有工具定義。系統(tǒng)必須先“檢索”出當(dāng)前任務(wù)可能需要用到的 Top-3 工具。在這里工具定義Tool Definition本身也成為了上下文工程的一部分。它被視為 Agent 與操作空間的一份“契約”不僅要描述功能更要優(yōu)化 Token 效率。好的工具定義能通過精煉的描述鼓勵 Agent 產(chǎn)生高效的行為而這正是 Context Engine 需要管理的資產(chǎn)。五、 總結(jié)2025 年的 RAG 技術(shù)其實(shí)變得更“無聊”了但這恰恰是技術(shù)成熟的標(biāo)志。它不再追求花哨的概念而是專注于解決數(shù)據(jù)清洗ETL、索引結(jié)構(gòu)Tree/Graph、KV-Cache 優(yōu)化和多源數(shù)據(jù)混合檢索的工程難題。對于企業(yè)來說構(gòu)建一個強(qiáng)大的 Context Engine把私有數(shù)據(jù)治理好、索引好并能以標(biāo)準(zhǔn)化的接口提供給上層的各種 Agent這才是 AI 時代最穩(wěn)固的基礎(chǔ)設(shè)施。如何學(xué)習(xí)大模型 AI 由于新崗位的生產(chǎn)效率要優(yōu)于被取代崗位的生產(chǎn)效率所以實(shí)際上整個社會的生產(chǎn)效率是提升的。但是具體到個人只能說是“最先掌握AI的人將會比較晚掌握AI的人有競爭優(yōu)勢”。這句話放在計(jì)算機(jī)、互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的開局時期都是一樣的道理。我在一線互聯(lián)網(wǎng)企業(yè)工作十余年里指導(dǎo)過不少同行后輩。幫助很多人得到了學(xué)習(xí)和成長。我意識到有很多經(jīng)驗(yàn)和知識值得分享給大家也可以通過我們的能力和經(jīng)驗(yàn)解答大家在人工智能學(xué)習(xí)中的很多困惑所以在工作繁忙的情況下還是堅(jiān)持各種整理和分享。但苦于知識傳播途徑有限很多互聯(lián)網(wǎng)行業(yè)朋友無法獲得正確的資料得到學(xué)習(xí)提升故此將并將重要的AI大模型資料包括AI大模型入門學(xué)習(xí)思維導(dǎo)圖、精品AI大模型學(xué)習(xí)書籍手冊、視頻教程、實(shí)戰(zhàn)學(xué)習(xí)等錄播視頻免費(fèi)分享出來。第一階段10天初階應(yīng)用該階段讓大家對大模型 AI有一個最前沿的認(rèn)識對大模型 AI 的理解超過 95% 的人可以在相關(guān)討論時發(fā)表高級、不跟風(fēng)、又接地氣的見解別人只會和 AI 聊天而你能調(diào)教 AI并能用代碼將大模型和業(yè)務(wù)銜接。大模型 AI 能干什么大模型是怎樣獲得「智能」的用好 AI 的核心心法大模型應(yīng)用業(yè)務(wù)架構(gòu)大模型應(yīng)用技術(shù)架構(gòu)代碼示例向 GPT-3.5 灌入新知識提示工程的意義和核心思想Prompt 典型構(gòu)成指令調(diào)優(yōu)方法論思維鏈和思維樹Prompt 攻擊和防范…第二階段30天高階應(yīng)用該階段我們正式進(jìn)入大模型 AI 進(jìn)階實(shí)戰(zhàn)學(xué)習(xí)學(xué)會構(gòu)造私有知識庫擴(kuò)展 AI 的能力?？焖匍_發(fā)一個完整的基于 agent 對話機(jī)器人。掌握功能最強(qiáng)的大模型開發(fā)框架抓住最新的技術(shù)進(jìn)展適合 Python 和 JavaScript 程序員。為什么要做 RAG搭建一個簡單的 ChatPDF檢索的基礎(chǔ)概念什么是向量表示Embeddings向量數(shù)據(jù)庫與向量檢索基于向量檢索的 RAG搭建 RAG 系統(tǒng)的擴(kuò)展知識混合檢索與 RAG-Fusion 簡介向量模型本地部署…第三階段30天模型訓(xùn)練恭喜你如果學(xué)到這里你基本可以找到一份大模型 AI相關(guān)的工作自己也能訓(xùn)練 GPT 了通過微調(diào)訓(xùn)練自己的垂直大模型能獨(dú)立訓(xùn)練開源多模態(tài)大模型掌握更多技術(shù)方案。到此為止大概2個月的時間。你已經(jīng)成為了一名“AI小子”。那么你還想往下探索嗎為什么要做 RAG什么是模型什么是模型訓(xùn)練求解器 損失函數(shù)簡介小實(shí)驗(yàn)2手寫一個簡單的神經(jīng)網(wǎng)絡(luò)并訓(xùn)練它什么是訓(xùn)練/預(yù)訓(xùn)練/微調(diào)/輕量化微調(diào)Transformer結(jié)構(gòu)簡介輕量化微調(diào)實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)建…第四階段20天商業(yè)閉環(huán)對全球大模型從性能、吞吐量、成本等方面有一定的認(rèn)知可以在云端和本地等多種環(huán)境下部署大模型找到適合自己的項(xiàng)目/創(chuàng)業(yè)方向做一名被 AI 武裝的產(chǎn)品經(jīng)理。硬件選型帶你了解全球大模型使用國產(chǎn)大模型服務(wù)搭建 OpenAI 代理熱身基于阿里云 PAI 部署 Stable Diffusion在本地計(jì)算機(jī)運(yùn)行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何優(yōu)雅地在阿里云私有部署開源大模型部署一套開源 LLM 項(xiàng)目內(nèi)容安全互聯(lián)網(wǎng)信息服務(wù)算法備案…學(xué)習(xí)是一個過程只要學(xué)習(xí)就會有挑戰(zhàn)。天道酬勤你越努力就會成為越優(yōu)秀的自己。如果你能在15天內(nèi)完成所有的任務(wù)那你堪稱天才。然而如果你能完成 60-70% 的內(nèi)容你就已經(jīng)開始具備成為一名大模型 AI 的正確特征了。這份完整版的大模型 AI 學(xué)習(xí)資料已經(jīng)上傳CSDN朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認(rèn)證二維碼免費(fèi)領(lǐng)取【保證100%免費(fèi)】