AI 前沿资讯、人物传记、技术干货
文章发布热力图
一 三 五
少
多

技术干货日报|2026-10-20:RAG 的工程闭环,与技术表达的可复用设计

技术干货日报 今天精选两篇:一篇拆解内部知识助手的后端架构,一篇讨论技术分享素材的复用设计。共同关注点是:把反复发生的工作沉淀为基础设施,同时保留质量检查与人工判断。 重点精读|Uber Genie:不是接上向量库就完成了 RAG ByteByteGo 对 Genie 的介绍指出,Uber 面对的是

暗物质越少,存在证据反而越强?三座“幽灵星系”的推理价值

先看反常:星系为什么轻得不对劲 暗物质研究通常追问:看不见的质量在哪里?Robin George Andrews 这篇报道却从相反方向切入——有些星系似乎缺少暗物质,而这种“缺席”,可能帮助判断暗物质究竟是独立物质,还是引力规律需要修改所产生的假象。报道的关键对象,是距离地球约6500万光年的三个弥

技术干货日报|2026-10-18:RAG 分块的上下文取舍,与 AI 编码后的质量工程

技术干货日报 今天精选两篇:一篇拆解 RAG 分块机制,另一篇从 AI 编码争议中提炼质量工程问题。重点不是追逐更复杂的方案,而是判断成本花在哪里、正确性由谁保证。 1. RAG 分块:差别不只是块有多大 ByteByteGo 汇总了八种分块策略,其中最值得理解的是:边界如何确定,以及生成向量时能看

AI 高分不等于高能力:基准测试为何既推动进步,又制造误判

我们看到一个 AI 测试得分很高,究竟知道了什么:它掌握了某种能力,还是它更适应这场考试?这篇 Quanta 访谈的价值,在于拆开了常被混为一谈的三件事:分数、排名与机制解释。受访者、计算机科学家 Moritz Hardt 认为,基准测试长期存在缺陷,却仍推动了机器学习进步;如今,大语言模型正在破坏

技术干货日报|2026-10-17:LLM 推理优化、SSH 信任链与代码的长期价值

技术干货日报 今日精选两篇候选内容,聚焦三个工程问题:推理资源花在哪里、远程连接信任谁,以及 AI 生成代码后应维护什么。 1. LLM 推理优化:先分清体验、计算与内存 ByteByteGo 的《EP228》列出六种推理优化技术。它们并非同一种“加速”:Streaming 在 token 就绪后立

技术干货日报|2026-10-16:把恢复能力写进架构,把内部工具做成平台

技术干货日报|2026-10-16 今天精选两篇:一篇讨论大规模 IoT 系统如何修正软件工程的默认假设,另一篇观察企业自建 AI 应用平台的动机。重点不在“开发得更快”,而在开发环境、诊断接口和内部数据接入如何成为系统能力。 1. IoT 架构:断连是常态,恢复必须随部署一起设计 Kuldeep