重读"知行合一"——王阳明对我这些年的影响
重读”知行合一”——王阳明对我这些年的影响 2018 年第一次读《传习录》，觉得”知行合一”是心灵鸡汤。2025 年重读，突然发现——这不就是我活过这些年的真实写照吗。 二十几岁的我：把”知”和”行”分开刚毕业那几年，我有一种很常见的心态：“理论上懂”和”实际上能做到”是两回事。 比如： 看了理财书觉得自己懂投资了 看了健康博主觉得自己懂养生了 看了沟通课程觉得自己懂社交了 但真到面对生活时： 投资亏了才发现自己”不懂” 体检报告异常才发现自己”不懂” 关系出问题才发现自己”不懂” 那时候我才意识到：很多”知”是假的”知”——是”听说过”的”知”，不是”真懂”的”知”。 王阳明说的”知行合一”到底是什么意思王阳明在《传习录》里讲得很直接： 知而不行，只是未知。 翻译成大白话：你没有真做过的”懂”，不是真懂。 他举了个例子：一个人说”知道孝顺父母”，但他对父母不好——那他就不是真知道孝顺。”知道”和”做到”是同一件事，不是两件事。 听起来很鸡汤对吧？但放到生活上特别对。 我活过这些年验证过的”知行合一”1. “知道要健康”和”真的健康”我之前看过无数篇”养生”文章：早...
Cursor vs Claude Code vs Copilot——AI 编程助手横评
Cursor vs Claude Code vs Copilot——AI 编程助手横评 AI 编程助手横评:Cursor、Claude Code、GitHub Copilot 谁更强?我从真实项目出发对比。 三款工具的定位CursorAI-first IDE(基于 VSCode)—— 内嵌 AI 到编辑器的每个角落 Cmd+K 重构、Cmd+L 对话、Tab 补全 适合:重度 AI 用户 Claude Code(Anthropic CLI)命令行 AI 编程助手—— 在终端用自然语言操作代码 支持 Agent 模式(自动改多文件) 适合:CLI 党、自动化场景 GitHub Copilot老牌 AI 编程助手—— VSCode/JetBrains 插件 主要做代码补全 + Chat 适合:补全为主,偶尔对话 详细对比1. 代码补全最基础也最重要的能力——写代码时自动补全。 Copilot 最强: 行内补全最自然 反应速度 < 100ms 准确率高(单行 70%+ 接受率) Cursor 次之: 补全速度也不错 但”全行替换”太多,有时打断思路 ...
向量数据库横评——Chroma、Milvus、Qdrant、Weaviate 怎么选
向量数据库横评——Chroma、Milvus、Qdrant、Weaviate 怎么选 向量数据库是 RAG 的核心组件。Chroma、Milvus、Qdrant、Weaviate 4 个主流选哪个? 我的实测对比告诉你答案。 四个产品的定位Chroma轻量级、嵌入式—— 0 部署(直接 pip install) 适合:原型开发、小规模数据 定位:”Python 库的向量数据库” Milvus大规模、生产级—— 分布式架构 适合:百万到百亿向量 定位:”企业级向量数据库” QdrantRust 实现、高性能—— 单节点性能强 适合:中等规模、需要性能 定位:”性能优先的向量数据库” Weaviate全功能、内置模块—— 内置向量化、hybrid 检索 适合:需要开箱即用 定位:”all-in-one 向量平台” 详细对比1. 部署难度Chroma:⭐⭐⭐⭐⭐ 123pip install chromadbimport chromadbclient = chromadb.PersistentClient(path="./data") 0 部署,像...
GraphRAG 实战——用知识图谱增强 RAG 检索
GraphRAG 实战——用知识图谱增强 RAG 检索 基础 RAG 是”找相似文档”,GraphRAG 是”理解实体关系”。跨文档推理场景下,效果提升 40%。 为什么需要 GraphRAG传统 RAG 的局限基础 RAG 用向量检索——找”语义相似”的文档片段。 但有些问题需要多跳推理: 12345678910111213141516用户问题:"我们公司的供应链中,哪些供应商受加州法规影响?"传统 RAG: 1. embedding("供应链 加州法规") → 检索 2. 找到"加州法规"、"供应链总览"等文档 3. 但这些文档**没有直接关联**! 4. LLM 答不全 GraphRAG: 1. 知识图谱里有: 公司 → 供应商A、B、C 供应商A → 在加州 供应商B → 在德州 供应商C → 在加州 2. 通过图查询直接得到:A 和 C 受影响 3. LLM 基于结构化结果回答 GraphRAG 的核心优势:跨实体、跨文档的推理。 Grap...
RAG 进阶——HyDE、Self-RAG、CRAG 三种增强检索实战
RAG 进阶——HyDE、Self-RAG、CRAG 三种增强检索实战 基础 RAG 准确率 70% 出头。HyDE、Self-RAG、CRAG 三种增强检索,能把准确率推到 90%+。 基础 RAG 的局限经典 RAG 流程: 用户问题 → 向量化 向量数据库检索 Top-K 拼接 Prompt(检索内容 + 问题) LLM 生成回答 问题: 用户问题简短(“年假几天?”) 检索时语义匹配不准——问题太短,embedding 信息不够 容易召回不相关文档 实测:基础 RAG 在企业知识库上,准确率 65-75%。 进阶方案 1:HyDE(Hypothetical Document Embeddings)核心思想先让 LLM 生成”假想答案”,再用假想答案去检索。 12345678问题: "年假几天?"传统 RAG: embedding("年假几天?") → 检索HyDE: LLM("假设你是 HR,请回答:年假几天?") → "员工每年享有 7 天年假..." embedding(&...
Dify vs Coze vs FastGPT——AI 应用编排平台横评
Dify vs Coze vs FastGPT——AI 应用编排平台横评 Dify、Coze、FastGPT 是国内最火的三个 AI 应用编排平台。但它们的定位完全不同——选错了浪费 6 个月。 三个平台的定位Dify企业级 LLMOps 平台—— 开源(可私有部署) 定位”AI 应用的操作系统” 适合:企业级应用、需要私有化 Coze字节出品的 C 端 AI Bot 平台—— 闭源,字节生态 定位”AI Bot 工厂” 适合:C 端用户、Bot 创作、抖音生态 FastGPT专注知识库 RAG 的开源平台—— 开源 定位”开箱即用的 RAG 系统” 适合:知识库问答、内部文档系统 详细对比1. 上手难度Coze:⭐⭐⭐⭐⭐ 最简单 0 代码,纯拖拽 5 分钟搭一个 Bot 完全不懂代码也能用 FastGPT:⭐⭐⭐⭐ 较简单 知识库流程清晰 模板丰富 需要懂基本概念 Dify:⭐⭐⭐ 中等 工作流比 Coze 复杂 需要理解 LLM 概念 上手 1-2 天 2. 功能完整性 功能 Dify Coze FastGPT 基础对话 ✅ ✅ ✅ ...
LlamaIndex vs LangChain——两个框架的真正区别
LlamaIndex vs LangChain——两个框架的真正区别 LangChain 和 LlamaIndex 是 AI 应用最常用的两个框架。但它们的定位完全不同——用错了南辕北辙。 核心定位差异LangChain 的定位通用 LLM 应用框架—— 不只是 RAG,还有 Agent、Chain、Memory、Tools 目标是”LLM 时代的 Spring 框架” 适合:任何 LLM 应用 LlamaIndex 的定位专注文档问答和 RAG—— 核心是 “把私有数据接入 LLM” 数据连接器、索引、检索是核心 适合:RAG 应用、知识库 一句话总结 LangChain = “LLM 应用的全家桶“ LlamaIndex = “RAG 应用的瑞士军刀“ 详细对比1. 数据接入LangChain: 123from langchain.document_loaders import PyPDFLoaderloader = PyPDFLoader("file.pdf")docs = loader.load() 支持 100+ 数...
Agent 记忆系统——短期、长期、向量、图四种记忆怎么选
Agent 记忆系统——短期、长期、向量、图四种记忆怎么选 Agent 没有记忆就是个”金鱼”——聊 5 轮就忘。短期、长期、向量、图四种记忆,各适合什么场景? 为什么 Agent 需要记忆LLM 本身没有状态——每次调用都是全新的。 1234567# 调用 1r1 = llm("我叫张三")# 返回:"你好,张三"# 调用 2(完全独立的调用,模型不记得调用 1)r2 = llm("我叫什么?")# 返回:"抱歉,我不知道你的名字" Agent 必须自己管理”记忆”——把对话历史存下来,需要时检索。 四种记忆的核心区别1. 短期记忆(Short-term Memory)当前对话的所有消息——存在内存或 Redis。 12345678910111213class ShortTermMemory: def __init__(self, max_messages=20): self.messages = [] self.max = max_messages ...