AI 工程

按问题选择学习方向：数据与标注、神经网络计算、交互决策或系统实践。每条线都先理解信号与目标，再用实验核验；强化学习不是阅读 RAG 的硬性前置条件。

1. 013 篇 · 模型与训练

   模型怎样计算，又怎样学到参数？

   从注意力与生成进入模型计算，再追踪损失、梯度和优化器，比较卷积的局部连接与共享权重。

   • Transformer 入门：从神经网络、自注意力到逐 token 生成
   • 反向传播、自动微分与优化器：神经网络怎样学到参数
   • 卷积神经网络 从局部连接到共享权重的梯度
2. 021 篇 · 数据与标注

   怎样把判断规则变成可复核的学习信号？

   固定标注单位，保留独立判断与缺失覆盖率，用混淆矩阵和 kappa 定位分歧，再单独裁决。

   • 标注一致性 从双人混淆矩阵到 Cohen kappa
3. 035 篇 · 强化学习

   没有标准答案时，怎样从反馈改进行为？

   从 MDP 与 Q-learning 进入 DQN，再沿策略梯度推导 GAE，分清优势、自举与采样边界。

   • 强化学习入门：从 MDP、价值函数到 Q-learning
   • 强化学习中的探索与利用：从 ε-greedy 到 UCB
   • DQN 原理 从神经 Q 网络到经验回放与目标网络
   • 策略梯度入门：从 REINFORCE 到 Actor-Critic
   • GAE 优势估计 从 TD 残差到采样边界
4. 046 篇 · RAG 与知识库

   怎样让回答找到依据，并验证依据有效？

   从向量相似度进入混合召回与重排，再处理权限、上下文预算和引用，连接文档治理、生成与评测。

   • 从 embedding 到语义检索：向量相似度、召回与独立评测
   • 混合检索与重排 从 RRF 候选融合到可复现的离线评测
   • RAG 上下文组装 从权限过滤到预算与引用校验
   • 从文档到可检索知识库：RAGFlow 搭建与调优实战
   • RAG 知识库评测：从检索命中到可信回答
   • RAG 回归评测 从逐题对比到发布门槛
5. 051 篇 · 推理时计算

   多花计算预算，什么时候才真正有用？

   在理解模型与评测之后，再比较额外推理成本和回答可靠性。

   • 大模型推理时计算：多想一会儿，为什么不一定更可靠
6. 062 篇 · 服务可靠性

   请求失败时，怎样在期限内安全恢复？

   分开总预算、重放语义与入口容量，用离线轨迹检查重试、排队、过期和拒绝。

   • AI 服务超时与重试 从总预算到安全重放
   • AI 服务并发与背压 从有界准入到排队预算

显示全部 18 篇文章