[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-949":3,"consumer-news-interaction-949":40,"consumer-news-related-949":43},{"detail":4,"item":35},{"card":5,"schemaVersion":22,"fields":23,"content":29},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":14,"href":15,"sourceName":12,"meta":16,"metrics":19,"tags":20,"resolved":21},"NEWS_ARTICLE:949","news","NEWS_ARTICLE",949,"资讯","AI知识库，是捷径吗？","博客园","从信息化到数字化，再到当下的智能化，技术进步带来的效率提升，如果往好处想应该是：节省更多的时间和成本，用来做更多的事情。但从现实的角度看，节流比开源来得容易。","","\u002Fnews\u002F949",[17,18],"2026","人工智能",{},[18],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":24,"categoryName":18,"summary":13,"description":13,"publishTime":25,"updateTime":26,"sourceUrl":27,"language":28},"三范式","2026-09-10T08:02","2026-09-11T15:22","https:\u002F\u002Fwww.cnblogs.com\u002Fcicada-smile\u002Fp\u002F22914903","中文",{"format":30,"policy":31,"normalized":21,"html":32,"text":33,"wordCount":34,"hasBody":21},"HTML","NEWS_CONTENT_V1","\u003Cp>\u003Cstrong>烂笔头不如大脑里有。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>01\u003C\u002Fh2>\n\u003Cp>在互联网的周期里，许多场景都经历过：多次推倒之后的重建，生活和工作的形式，现在和十年前相比：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>不仅效率飞升，而且成本骤降。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>网络还没有普及前，文字更多留存在纸面上。\u003C\u002Fp>\n\u003Cp>随着信息化的发展，数据开始存在电脑里，后来慢慢向手机迁移，现在普遍是云端存储，在文档里随手敲下空格，都会有清晰的历史记录。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>不过最高效的方法，是记在自己的大脑里。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>人工智能爆火的三年中，知识管理的模式，又又又一次被重建，聪明的AI开始介入。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>大模型几乎背下：所有的知识。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>它知道的可以秒回答，不清楚的可以搜索后回答，完全不知道的还能用逻辑猜猜看，堪称用户的第二个大脑。\u003C\u002Fp>\n\u003Ch2>02\u003C\u002Fh2>\n\u003Cp>互联网企业存在三到五年以上，都非常看重公司的知识库，这不仅可以提升协作效率，也能积累业务管理的经验。\u003C\u002Fp>\n\u003Cp>打工人头疼的是：自己要写文档，还得看别人的文档。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>假设公司有三五个部门，管理三五十号员工，那三五年积累下的文档，新人三五天绝对看不完\u003C\u002Fstrong>，且不论其它部门的文件，是否有权限查阅。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>更魔幻的操作是：看前三年资料，规划后三年。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>每次业务复盘和数据分析，都要从资料库里抽丝剥茧，没有资料和存档太多，看的人都得两眼一码黑，查找一个项目资料，搜出来数据好几页。\u003C\u002Fp>\n\u003Cp>并非只有企业是这样，个人管理专业知识，分门别类的文档也是一堆又一堆。\u003C\u002Fp>\n\u003Cp>初入职场的小白，可能还保留大学的笔记本，后来在电脑的文件夹里，公司是公司的，自己是自己的，工作中还要不断找资料提高专业。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>在有点长进的那段时间，电脑桌面就是杂物间。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>每年的年底，总会顺手删一大把文档，并非这些资料都没用，而是自己认为熟练记住了，或者可能不需要了。\u003C\u002Fp>\n\u003Ch2>03\u003C\u002Fh2>\n\u003Cp>在今年的年初，试用几款AI知识库产品，用一句简单的话来描述：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>把自己手里的资料，上传AI知识库中，基于大模型的智能，帮助你分析整理和扩展信息，还可以根据需求，快速制作成各种类型的资料。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>举个简单的使用案例，给AI知识库一批自己写的内容：\u003C\u002Fp>\n\u003Cp>它可以分析内容的风格，不同专栏下的数据差异，从网络实时查询热点，针对性的提供爆款内容的写作建议，并且把内容制作成各种文档，音频播客或视频内容。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>AI知识库被称为：用户的第二个大脑。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>给AI投喂自己的内容，你再与之有诚意的对话，很容易发现自己的优缺点，面对问题需要客观的态度，解决问题还需要积极的行动。\u003C\u002Fp>\n\u003Cp>在最近几篇的文章分析中，AI认为文笔过于含蓄。\u003C\u002Fp>\n\u003Cp>虽然内容里有问题描述，也存在实际场景支撑，最后也摆明自己的立场观点，但是文字不够犀利，很难引起情绪共鸣和传播。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>成年人的心里很清楚，单纯的把话说明白其实很容易。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Ch2>04\u003C\u002Fh2>\n\u003Cp>AI知识库对个人很有用，对企业来说更是如此。\u003C\u002Fp>\n\u003Cp>把文档投喂给大模型，等于多一个随时替公司分析业务的智能队友，不同员工的问题，用户的各种需求，可以借助大模型给出回复，不充分的地方还能给出相应的建议。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>最常见的就是：新人培训和智能客服。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>人工智能在公司的业务里，可以发挥出多大的价值，取决于企业能提供多少场景数据。\u003C\u002Fp>\n\u003Cp>假设有几百条实时销售线索，给商务人员挨个分析需要几天。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>如果让AI遵循基本判断规则去分析，至少可以先做个优先级排序，筛选成交概率更大的客户跟进，快一步都可能先促成交易。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>但是出于安全考虑，企业会担心数据泄露，带来不必要的损失。\u003C\u002Fp>\n\u003Ch2>05\u003C\u002Fh2>\n\u003Cp>AI对知识管理的助力，无法成为学习的捷径，但绝对是提升效率的捷径。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>个人的专业水平，公司的业务积累，需要从长期实践中获得。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>随着AI知识库产品的成熟，专业叠加独特的经验，可以借助AI充分挖掘和运用，在发展和方向上出谋划策。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>用更高的效率，做更多的事情，验证更多的想法。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>从信息化到数字化，再到当下的智能化，技术进步带来的效率提升，如果往好处想应该是：节省更多的时间和成本，用来做更多的事情。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>但从现实的角度看，节流比开源来得容易。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cpre>\u003Ccode>AI工作流\nhttps:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-flow\n\n内容归档\nhttps:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-weblog\n\u003C\u002Fcode>\u003C\u002Fpre>","烂笔头不如大脑里有。 01 在互联网的周期里，许多场景都经历过：多次推倒之后的重建，生活和工作的形式，现在和十年前相比： 不仅效率飞升，而且成本骤降。 网络还没有普及前，文字更多留存在纸面上。 随着信息化的发展，数据开始存在电脑里，后来慢慢向手机迁移，现在普遍是云端存储，在文档里随手敲下空格，都会有清晰的历史记录。 不过最高效的方法，是记在自己的大脑里。 人工智能爆火的三年中，知识管理的模式，又又又一次被重建，聪明的AI开始介入。 大模型几乎背下：所有的知识。 它知道的可以秒回答，不清楚的可以搜索后回答，完全不知道的还能用逻辑猜猜看，堪称用户的第二个大脑。 02 互联网企业存在三到五年以上，都非常看重公司的知识库，这不仅可以提升协作效率，也能积累业务管理的经验。 打工人头疼的是：自己要写文档，还得看别人的文档。 假设公司有三五个部门，管理三五十号员工，那三五年积累下的文档，新人三五天绝对看不完，且不论其它部门的文件，是否有权限查阅。 更魔幻的操作是：看前三年资料，规划后三年。 每次业务复盘和数据分析，都要从资料库里抽丝剥茧，没有资料和存档太多，看的人都得两眼一码黑，查找一个项目资料，搜出来数据好几页。 并非只有企业是这样，个人管理专业知识，分门别类的文档也是一堆又一堆。 初入职场的小白，可能还保留大学的笔记本，后来在电脑的文件夹里，公司是公司的，自己是自己的，工作中还要不断找资料提高专业。 在有点长进的那段时间，电脑桌面就是杂物间。 每年的年底，总会顺手删一大把文档，并非这些资料都没用，而是自己认为熟练记住了，或者可能不需要了。 03 在今年的年初，试用几款AI知识库产品，用一句简单的话来描述： 把自己手里的资料，上传AI知识库中，基于大模型的智能，帮助你分析整理和扩展信息，还可以根据需求，快速制作成各种类型的资料。 举个简单的使用案例，给AI知识库一批自己写的内容： 它可以分析内容的风格，不同专栏下的数据差异，从网络实时查询热点，针对性的提供爆款内容的写作建议，并且把内容制作成各种文档，音频播客或视频内容。 AI知识库被称为：用户的第二个大脑。 给AI投喂自己的内容，你再与之有诚意的对话，很容易发现自己的优缺点，面对问题需要客观的态度，解决问题还需要积极的行动。 在最近几篇的文章分析中，AI认为文笔过于含蓄。 虽然内容里有问题描述，也存在实际场景支撑，最后也摆明自己的立场观点，但是文字不够犀利，很难引起情绪共鸣和传播。 成年人的心里很清楚，单纯的把话说明白其实很容易。 04 AI知识库对个人很有用，对企业来说更是如此。 把文档投喂给大模型，等于多一个随时替公司分析业务的智能队友，不同员工的问题，用户的各种需求，可以借助大模型给出回复，不充分的地方还能给出相应的建议。 最常见的就是：新人培训和智能客服。 人工智能在公司的业务里，可以发挥出多大的价值，取决于企业能提供多少场景数据。 假设有几百条实时销售线索，给商务人员挨个分析需要几天。 如果让AI遵循基本判断规则去分析，至少可以先做个优先级排序，筛选成交概率更大的客户跟进，快一步都可能先促成交易。 但是出于安全考虑，企业会担心数据泄露，带来不必要的损失。 05 AI对知识管理的助力，无法成为学习的捷径，但绝对是提升效率的捷径。 个人的专业水平，公司的业务积累，需要从长期实践中获得。 随着AI知识库产品的成熟，专业叠加独特的经验，可以借助AI充分挖掘和运用，在发展和方向上出谋划策。 用更高的效率，做更多的事情，验证更多的想法。 从信息化到数字化，再到当下的智能化，技术进步带来的效率提升，如果往好处想应该是：节省更多的时间和成本，用来做更多的事情。 但从现实的角度看，节流比开源来得容易。 AI工作流 https:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-flow 内容归档 https:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-weblog",1589,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":15,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":39},"2026 · 人工智能","#2563eb","16 \u002F 10",[18],{"targetType":8,"targetId":9,"likedByMe":41,"likeCount":42,"commentCount":42,"contentLikeCount":42,"contentCommentCount":42,"sourceLikeCount":42,"sourceCommentCount":42},false,0,[44,51,58,65,72,79,86,93],{"id":45,"kind":7,"title":46,"summary":47,"image":48,"href":49,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":50},"NEWS_ARTICLE:930","基于 vLLM+Nginx 构建负载均衡推理集群","企业内部私有环境部署大模型推理集群时，很容易遇到流量调度混乱、节点负载失衡、会话上下文丢失、接口缺少鉴权防护等一系列问题，单 vLLM 推理节点难以支撑并发请求。本文基于 Ubuntu 22.04 系统环境，搭建 Nginx + vLLM-Semantic-Router + vLLM-Router","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F1379525\u002F202609\u002F1379525-20260910165534385-2022408098.png","\u002Fnews\u002F930",[18],{"id":52,"kind":7,"title":53,"summary":54,"image":55,"href":56,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":57},"NEWS_ARTICLE:932","2026年AI编程工具大全，33个主流工具一次看懂","事情是这样的，前两天看到一张图，是某个社区官网的「支持的工具」清单，我数了数，整整31个AI编程工具。 两年前这份清单撑死5个，现在直接31个，而且我居然每一个都认识。。。 干脆整理成一篇，顺手把最近字节的TraeWork和豆包工作也补了进来，凑成33个。 今天给大家推荐一遍，每个工具说说它是干什么","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260909210838518.png","\u002Fnews\u002F932",[18],{"id":59,"kind":7,"title":60,"summary":61,"image":62,"href":63,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":64},"NEWS_ARTICLE:935","[Agent Memory \u002F 强化学习] MemPO源码学习笔记 ---（1）--- 总体","[Agent Memory \u002F 强化学习] MemPO源码学习笔记 （1） 总体 目录[Agent Memory \u002F 强化学习] MemPO源码学习笔记 （1） 总体0x00 概要0x01 基础 & 背景1.1 用RL训练记忆系统的要点1.2 主要难点1.3 主要思路1.4 RL训练方案1.","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F1850883\u002F202609\u002F1850883-20260906190854637-986949885.jpg","\u002Fnews\u002F935",[18],{"id":66,"kind":7,"title":67,"summary":68,"image":69,"href":70,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":71},"NEWS_ARTICLE:940","LLama-Factory 实现大模型LoRA-SFT微调指南","LLaMA Factory 是一款开源、低代码、一站式大语言与多模态模型微调框架，用于降低大模型的微调落地门槛。框架兼容 Qwen、LLaMA、ChatGLM、LLaVA 等上百款主流开源模型，支持增量预训练、SFT 监督微调、DPO、KTO、ORPO 等多种训练对齐方案，原生集成 LoRA、QLo","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F1379525\u002F202609\u002F1379525-20260909140111199-832484524.png","\u002Fnews\u002F940",[18],{"id":73,"kind":7,"title":74,"summary":75,"image":76,"href":77,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":78},"NEWS_ARTICLE:950","每天白嫖 WorkBuddy 100 积分，我让WorkBuddy自己领","有没有小伙伴跟我一样，每天都去白嫖 WorkBuddy 的 100 积分，每天都怕忘记领。 其实我早就开了会员，但还是会有积分焦虑，天天惦记着今天的积分领没领。后来我发现 WorkBuddy 可以自己领积分，今天把这个技能分享给小伙伴们。 Buddy 加油站每天签到领 100 积分，连续签满 7 天","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2381533\u002F202609\u002F2381533-20260910080820041-1607850292.png","\u002Fnews\u002F950",[18],{"id":80,"kind":7,"title":81,"summary":82,"image":83,"href":84,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":85},"NEWS_ARTICLE:977","【OpenClaw具身硬件】ZeroClaw 源码阅读笔记（4）--- 代码执行","【OpenClaw具身硬件】ZeroClaw 源码阅读笔记（4） 代码执行 目录【OpenClaw具身硬件】ZeroClaw 源码阅读笔记（4） 代码执行0x00 概要0x01 代码合成1.1 核心思想1.2 业务逻辑具体应用场景能力体现1.3 实现细节生成种类Rust 代码Arduino CLI的","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F1850883\u002F202608\u002F1850883-20260823212850242-1723558087.png","\u002Fnews\u002F977",[18],{"id":87,"kind":7,"title":88,"summary":89,"image":90,"href":91,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":92},"NEWS_ARTICLE:985","机器学习项目：客户分群——K-Means 聚类从选参到业务画像的完整实战","商场用户分群： 一、前言 在商场运营中，面对成千上万的顾客，如果用同一套营销策略对待所有人，效果往往事倍功半。高收入的中年人和月光族的年轻人等等群体，消费习惯和偏好截然不同——这就需要用户分群（Customer Segmentation）：根据用户的年龄、收入、消费行为等特征，将相似的用户归为一类，","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3775135\u002F202609\u002F3775135-20260908154332888-1132576367.png","\u002Fnews\u002F985",[18],{"id":94,"kind":7,"title":95,"summary":96,"image":97,"href":98,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":99},"NEWS_ARTICLE:986","千问大模型完整RLHF全参数微调指南","大模型微调是实现模型领域定制的核心方案，本文承接《千问大模型二次 LoRA‑SFT 指令微调指南》部分内容，聚焦 Qwen3.5‑Base 纯文本基座全参数微调，完整复现 ChatGPT 风格 RLHF 对齐工程链路，覆盖数据预处理、SFT 监督微调、RM 奖励模型训练、PPO 强化学习、DPO 直","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F1379525\u002F202609\u002F1379525-20260908150528296-1541712777.png","\u002Fnews\u002F986",[18]]