AI应用学习

第 1 篇

我终于看懂了个人网站里的 AI 调用链路

接入大模型不难，真正重要的是能不能把一次模型调用拆成可配置、可失败、可定位、可继续改造的工程链路。

第 2 篇

合法 JSON 之后：我如何用四层校验逼近可交付的结构化输出

合法 JSON 只能证明模型输出可以被程序读取；要让内容接近可交付，还必须继续验证字段结构、业务质量和事实依据。

第 3 篇

AI 流式输出不是逐字显示：一套可恢复、可追踪、可验证的任务协议

AI 流式输出不是把回答切成小段逐字显示，而是让一次生成在任务状态、业务事件、数据库约束、恢复游标和可信上下文的共同约束下，能够被持续交付、重新连接和确定性验证。

第 4 篇

Tool Calling：让模型提出请求，而不是获得执行权

Tool Calling 的重点不是让模型生成一段可解析的 JSON，而是把模型的调用意图放进一条由服务端校验、授权、执行、审计和降级的受控协议。

第 5 篇

Embedding 与向量检索不是 RAG：从公开内容到可验证候选

Embedding 与向量检索是 RAG 的检索前置层：它负责在可信范围内找候选证据，但不负责生成答案，也不自动证明内容正确。

第 6 篇

从候选检索到带引用回答：我在个人网站里补上的 RAG 问答边界

RAG 的关键变化，是让模型回答受到检索证据约束，并让用户看到可追溯的公开来源。 no_evidence 不是普通回答，也不是系统故障；它表示当前索引、过滤条件和阈值下没有足够证据。 相似度分数只能表示语义相关性，不能直接当成事实置信度。 来源展示应与答案引用分开设计，并且只投影公开字段。 专项协议测试和类型检查通过，不等于真实 Provider、数据库和浏览器端到端已经完成。