SL Blog 技术探索 · 工程实践 · AI 时代思考

AI 工程

AI Engineering：大模型应用、Agent 与 RAG 实践

两天、60 美元、第一课仍未交付：一次 Codex 教学任务失控复盘

2026-08-28

我原本只想让 Codex 根据当前进度，用 teach Skill 带我系统学习 RAG；两天后额度消耗接近 60 美元，第一节课却仍未按时交付。复盘发现根因不是 high reasoning 的过度思考，而是一套曾经很好用、如今却与强模型发生错配的重型流程：teach → brainstorming → writing-plans → subagent-driven-development，层层升级最终拖垮了交付。文章附完整时间线、Skill 触发记录、21 次子代理派发和 159 次 wait 的四组证据。
RAG 系列（九）：从代码到完整评测实验

2026-08-24

前五篇建立了指标和设计。本篇把它们映射到真实代码、命令和产物，并用`stage2-20260824-final`解释一次完整实验应该怎样复现、审计和转化为优化任务。
RAG 系列（八）：系统约束与 RAG 发布门槛

2026-08-24

检索和回答质量再高，也不能抵消一次权限泄漏、旧版本误召回或不可接受的长尾延迟。本篇把这些不能被平均分掩盖的问题纳入统一Gate。
RAG 系列（七）：回答质量、幻觉与引用评测

2026-08-24

检索命中只是“模型有机会答对”。本篇继续验证最终回答是否覆盖标准事实、是否只使用Context、是否回应问题，以及引用是否真正支持结论。
RAG 系列（六）：无答案判断与 Context 评测

2026-08-24

Retriever总会返回“最相似”的内容，但最相似不等于足以回答。本篇先建立无答案决策，再检查TopK进入LLM之前是否丢失、重复或污染了证据。
RAG 系列（五）：可信评测数据与检索指标

2026-08-24

本篇解决两个问题：怎样保证评测试卷可信，以及Hit、Recall、Precision、MRR、nDCG、Pairwise和置信区间分别验证什么场景。
RAG 系列（四）：为什么 RAG 必须建立完整评测体系

2026-08-24

本篇先不讲指标公式，也不急着打开代码。我们先回答一个更根本的问题：一个RAG系统已经能返回答案，为什么还要花力气建立评测体系？
RAG 系列（三）：Embedding 检索评测与 Benchmark

2026-08-24

本篇回答一个工程问题：两个Embedding模型都能运行，怎样判断谁更适合当前真实知识库？重点评测Retriever，不把LLM的语言风格和随机性混进实验。
RAG 系列（二）：源码导读与动手实验

2026-08-24

本篇把第一篇的名词映射到真实代码。阅读目标不是背Python，而是能够沿数据流解释：“这一行接收什么、产生什么、为什么下一步需要它”。
RAG 系列（一）：核心原理与完整链路

2026-08-24

面向第一次接触RAG的读者。本篇先建立“它为什么存在、每个名词是什么意思、数据到底怎样流动”的整体概念，不要求你预先了解向量数据库或大模型框架。
RAG 系列 (2)-把 RAG 接入博客：鉴权 Web UI + Nginx 挂载

2026-08-23

把上一篇的最小 RAG 变成一个带鉴权的网页服务并挂到博客上：FastAPI + 用户名密码白名单 + HMAC 签名会话 Cookie + systemd 常驻 + Nginx 反向代理到 https://slblog.online/rag/，同时分析静态博客为什么不能直接跑 RAG、子路径部署的坑（相对 URL、Secure Cookie、HTTP 重定向到 HTTPS）。
私人执行助理：一套运行在 Hermes 之上、以飞书为真相的自组织 Agent 系统

更新于: 2026-08-20

从 13 个子 skill 收敛为 4 核心 skill、以飞书 Base 为唯一真相源、hermes cron 为唯一调度器的私人执行助理完整设计：四层架构、数据模型、三层记忆、技能路由、执行约束与数据流转。
让 AI 读自己的日志、改自己的技能：一次带评测闭环的自迭代实操

2026-08-19

让大模型读取自己和助手在某次真实会话里留下的日志与思维链，照着暴露的问题改掉自己的技能定义，再用带基线的评测闭环量化提升。这是一篇关于 AI 工具在上下文管理过程中自我迭代的实操记录与思考。
私人执行助理的两轮迭代：从 13 个细粒度技能收敛到 4 个核心技能

2026-08-19

用两轮迭代打磨一个高自主的『私人执行助理』Agent Skill：从 V0.1 的 13 个细粒度技能，收敛到 V1 的 4 个核心技能 + 渐进披露 + 评测闭环。记录产品目标、架构取舍、代码落点与评测数据。