RAG 翻车的第一责任人，往往是数据清洗
大多数人把 RAG 效果不好归咎于选错向量库或 Embedding 模型，但脏数据一旦进索引，检索精度会断崖式下跌。这篇拆一个四层预处理 Pipeline，以及几个最容易被忽略的坑。
AI 工程
共 10 篇文章
RAG 从检索到答案，中间还隔着三道关
索引只是地基。真正决定 RAG 答得准不准的，是用户提问之后的召回、重排与生成——外加一个常被忽略的反馈闭环。这篇把在线链路拆开讲透。
Spring AI 凭什么能"一套代码换任意大模型"？
用 Java 做 AI 应用的人越来越多，但多数人还在为不同厂商的 API 疲于适配。Spring AI 用一层抽象把 OpenAI、Ollama、Azure 全部统一，业务代码零改动切换模型。这篇拆解它的核心设计。
MCP 和 Function Calling 不是一回事
一个常被混用的概念：Function Calling 是模型本身的能力，MCP 是连接模型和工具的协议。这篇讲清楚它们在工具发现、安全边界、可移植性上的真实差别，以及 Spring AI 是怎么统一这两者的。
用 Java 给 AI 搭一个任务规划器
Agent 接到"帮我做个市场调研报告"这种任务时，真正难的不是执行，是拆任务和管状态。这篇记录我用 langchain4j 实现任务树、依赖检查、重试和推理追踪的过程。
给 AI 写一份项目说明书：CLAUDE.md 该填什么
AI 每次开新会话都要重新理解你的项目。CLAUDE.md 就是解决这件事的项目级记忆。这份模板七个板块，我用下来最有用的是「不要改」。
RAG 切 PDF：全文入库还是抽字段？一个反直觉的结论
做 RAG 时最先要做的决定不是选向量库，是决定 PDF 切完之后存什么。全文入库和结构化提取是两条完全不同的路，医疗场景的数据把这个问题讲得很清楚。
让 AI 执行代码之前，先把沙箱这件事想清楚
Agent 一旦能执行代码，它能做的事就和一个坐在终端前的程序员完全一样。拆解 Docker、gVisor、Firecracker、Wasm 几种沙箱方案的取舍。
零成本搭一个 AI 新闻雷达
用开源项目 Horizon 加 GitHub Actions 的免费额度，每天自动抓 Hacker News、Reddit 和各大官方博客，AI 打分筛选后生成日报推到飞书。全程不花钱。
写一个 MCP 服务，让 AI 调用你的工具
MCP 的核心是把你的能力标准化成 AI 能理解的工具。这篇从写第一个工具，到部署成网络服务、让别人和别的 AI 都能调用，走一遍完整流程。