Erishen

做本地 RAG 的开发者，大概都经历过这样的折腾：想跑一个纯本地的文档检索服务，结果发现内存态索引重启就丢，得接持久化向量库；向量检索搞定了，又得配 Ollama 做重排；再后来发现检索质量不稳定，还得上 pgvector……最后部署的时候，容器镜像大得离谱。阅读全文 →

用 React Three Fiber 打造会对话的 3D 数字人：架构与部署的真实踩坑记录 把一个 LLM 接进 3D 场景，让一个 VRM 虚拟角色能听懂你说话、开口回应、眼神还跟着你转——这个想法挺酷，但真做起来会撞上一连串工程问题：Key 不能进前端、Serverless 函数有 10 秒硬上限、R3F 的 Canvas 不穿透 …阅读全文 →

本地优先的 AI 通讯录助手：把大模型请进地址簿，数据却不离家 痛点：通讯录里最缺的不是存储，是"上下文" 每个人的手机里都有一份通讯录：几百个名字、号码、归属地。它能帮你拨号、发短信，却帮不了你一件更日常的事——知道该怎么跟某个人开口。 久未联系的老同事，过节该用什么样的语气？ 一个只存了名字的客户，邀约时该怎么称呼才不尴尬？ 脑子里闪…阅读全文 →

ai-workbench 的工作流引擎把任务生命周期拆成三个角色，每个角色有独立的 system prompt，甚至可以用不同的模型配置： 三个角色的职责在 中严格界定： Planner：只做拆解，输出带验收标准的 JSON 计划，不执行任何命令 Specialist：只执行当前这一步，产出交付物，可以运行 shell 命令…阅读全文 →

直觉做法：状态图 + 条件边 如果你熟悉多智能体编排框架，可能会想到 LangGraph 的 StateGraph。它用显式的条件边来控制流程分支： 每次流程分支都需要手动编写判断逻辑——Evaluator 通过后走哪条边、有问题时走哪条边，代码里到处是条件判断。 实际做法：事件驱动 + @step 装饰器 llamaindex-pse …阅读全文 →

为什么需要显式的状态机？ 多 Agent 框架有两种哲学：隐式流程和显式状态机。 CrewAI 的 流程属于前者——Agent 按顺序执行，但你无法在运行时查看中间状态、无法在某个节点插入自定义逻辑、更无法精确控制重试路径。当任务变复杂，黑…阅读全文 →

多 Agent 系统的信任危机 你有没有遇到过这种情况：让一个 LLM 审核另一个 LLM 的输出？ 假设你搭建了一个三角色文章生成管道：Planner 负责规划结构，Specialist 负责撰写内容，Evaluator 负责审核质量。听起来很完美，对吧？但当你仔细审视 Evaluator 的工作时，会发现一个根本性的矛盾——Evalu…阅读全文 →

从单一检索到混合策略 在传统 RAG 系统中，检索环节通常依赖向量相似度搜索。这种方式擅长捕捉语义相似性，但当用户查询包含精确术语、专有名词或特定格式时，纯语义检索往往会失效。 你有没有遇到过这样的场景：查询"IRR 计算公式"，系统却返回了大量讨论"投资回报率概念"的文档，而真正包含公式细节的文档反而被排在后面？这是因为向量嵌入在编码时…阅读全文 →