首先緩存這個詞大家應該都比較清楚了，無論是在應用服務、數據處理等技術中都會用到緩存技術，用于加速數據查詢效率，減少底層額外計算資源的消耗，是一個非常重要且強大的技術。簡單來說：用于將頻繁訪問的數據或計算存儲在更快、更易于訪問的位置。這使得信息檢索更加迅速，減少了重復執行相同操作或獲取相同數據的需要。本質上，緩存充當一種短期記憶，有助于提高系統性能和效率。通常意義上，緩存對服務帶來的好處有幾點：...

對于使用大模型（LLMs）的人來說，可能更熟悉的是MCP多一些，而對于Functioncalling其實更偏于技術層面的東西，但是從應用場景上二者還是有些相似之處。或者簡單來說，在沒有MCP協議之前，想要通過構建一個AI應用需要依賴的就是Functioncalling，簡單來說它就是函數調用，這個函數可以是你所期望讀取信息的任何接口，比如要調用微信公眾號的開放接口，就可以定一個Functioncalling來通過http來調用。Functioncalling的核心能力...

AI智能體（Agent）是目前能夠看到的為企業業務帶來很大價值的AI應用，通過AIAgent可以自主處理很多重復性工作，以及極大地減少代碼開發量，所以很多國內外很多企業都在朝這個方向探索。而要做企業內部的Agent服務的話，永遠繞不過去的事情就是和企業內部數據進行互通，以及和企業內部的系統聯動起來；這個過程在過去AI技術中可以通過MCP協議方式來實現，MCP通過一個標準化的協議，可以對接很多內外部的系統服務，例如Mysql、Red...

1.LargeLanguageModels(LLMs,大語言模型）所有AI應用中的中心樞紐，也就是AI應用的“大心臟”，具備智能化問答、診斷、推理分析能力，目前LLM指參數規模從數億到數千億甚至更多、通常來說，模型參數規模越大說明模型的記憶擬合能力越強，以自監督目標在大規模文本多模態數據上預訓練，從而具有廣泛語言理解與生成能力的神經網絡模型。而對于大模型除了具備智能化追外，也有一些問題存在，例如：幻覺問題：模型編造事實帶有偏見...

這兩年在AI圈子里，真的是新名詞、新概念、新模型層出不窮，貌似隔段時間不出現一個新詞感覺整個行業都退步了一樣，大家都還在學習怎么使用好PromptEngineering（提示詞工程）的時候，這不ContextEngineering（上下文工程）這個新詞就出來了。這篇內容來分享一下關于ContextEngineering（上下文工程）這個新詞的介紹、提示詞工程和上下文工程的區別、以及二者在實際工作中的作用是什么，畢竟，現在AI圈子里面的新東西還是要跟上...

從2024年12月份DeepSeek發布了DeepSeekV3開始，整個AI圈內就掀起了一波技術創新式浪潮，核心的因素在于一家在2023年剛注冊成立的初創企業所發布的第一個正式版本模型就直接對標了OpenAI閉源的GPT4o以及Claude3.5Sonnet，更重要的是其訓練階段的成本只有不到600萬美元，是什么概念？在這之前，普遍的訓練成本都在千萬甚至于上億美元的成本支出，突然出現預訓練大模型在性能上比肩目前最強的GPT4o，成本上比GPT4o要節約十幾倍，關...

本來想寫在AI大模型中對于數據方面的挑戰，但是發現還是要找一個場景來鋪墊一下，正好去年做過一些大模型知識庫的內容，對于RAG方面還算了解一些，所以先來說一下關于大模型應用方面的東西吧，下一篇再來聊聊AI大模型場景中對于數據管理方面的機會。先解釋一下什么是檢索增強生成技術（下文簡稱：RAG），對于日常我們所理解的大模型來說，他們具備的是模型本身能力（億級別參數+通用數據），但是在特定領域內的數據可能是無法獲...

在數據應用場景中，數據源屬于數據管理是非常的一個環節，包括數據源、數據集成、生命周期、數據地圖、數據標注、數據安全、主數據等等等，數據管理也是整個數據治理體系中最核心的部分之一，面向智算領域的數據能力，對于AI數據治理會有一些新的挑戰。在過去數十年的大數據領域發展過程中，結構化數據和半結構化數據處理都是其中絕對的主角，結構化和半結構化數據由業務流程產生，與商業價值高度相關，這些數據與企業的流程業...

最近一直在做數據+AI方向的工作，前兩天無意中看到一個MCP的技術，經過詳細的學習之后，了解到這個可能不僅僅應用在大模型，而更多是數據和模型之間的橋梁，最近就一直在考慮對于多模態數據如何才能實打實的和應用模型結合起來的事情，MCP無疑是提供了某種思路，下面是關于MCP的一些介紹，部分內容是參考的社區文檔。MCP（ModelContextProtocol）是一種開放協議，它標準化了應用向設備提供上下文的方式。可以將MCP想象成AI應用...