Articles › AI

在构建RAG管道或需要语义搜索的应用时，首先需要决定的是将Embedding存储在哪里。Pinecone、Qdrant、Weaviate等专用向量数据库是一种选择，但对于已经运行PostgreSQL的团队而言，pgvector是更快、更经济、运维更简单的方案。

大多数评估企业内部AI应用的组织最终都会面临同样的问题：直接使用ChatGPT，还是在内部自行部署？

每家尝试过用ChatGPT处理内部知识工作的企业都会遇到同一堵墙：模型不了解您的产品、规章制度、合同或业务流程。它会一本正经地给出错误答案。

每个企业的 IT 部门里,都藏着一座项目坟场。 里面埋着 2024 年让指导委员会眼前一亮的演示、用三个精挑细选的问题打败 ChatGPT 的 RAG 原型,以及在沙盒里所向披靡的智能助手。然后有人提了那个真正困难的问题 — 能不能让 4,000 名员工都用?能不能和我们的 ERP 集成?能不能在符合《生成式人工智能服务管理暂行办法》和《个人信息保护法》的前提下,用在真实客户数据上? — 项目随后悄悄进入了"第二阶段"。

如果您正在中国境内的制造企业 (机加工厂、热处理厂、食品加工、回收再制造、代工厂) 运行 ERPNext,或在东南亚 (越南、泰国、柬埔寨) 的制造基地用 ERPNext 替代成本更高的 SAP / Oracle,那么选型理由很可能是合理的。Manufacturing 模块在 BOM、生产工单、委外加工、批次管理上能用。Frappe 框架真的可扩展。没有 Enterprise 授权加价,SME 规模的定制经济性能成立。

如果您的应付账款 (AP) 团队每月需要把 200 张供应商发票录入 Odoo,每张耗时约 4 分钟,那就是月均 13 小时的纯数据录入工作 — 这还不包括月末结账时发现的各种错误、个人劳务报酬代扣代缴的计算、来自日本和欧美供应商的多语种发票处理,以及进口业务的报关单据匹配。这些本应自动化的工作,正在消耗一名全职员工的工作时间。

过去 18 个月里,所有卖安全产品的厂商都在自己的营销页面上贴了「AI」标签。绝大多数只是改头换面的 ML 分类 — 早就存在的异常检测,换上 2024 年的外衣。真正有意思的地方 — 也是大多数团队失败的地方 — 是当你真的把一个会调用工具的 LLM agent 接入告警管道,让它像 Tier-1 分析师那样做研判。

要多少内存、显存、GPU才够用?这是一份给工程师看的本地LLM硬件选型指南——不超买、不踩坑。

你已经调好了top_p、top_k和repeat_penalty。输出不再无限循环，胡言乱语也少了。但模型仍然跑题、忘记之前的代码，或者不在你想要的地方停下来——

AI 编程助手到底在用哪些工具？ Claude Code、Codex CLI、Aider 如何读取文件、搜索代码库、运行测试并提交代码——深入底层

电费，是许多企业预算中最容易被忽视的一项——却也是技术手段能带来最清晰、最可量化回报的领域之一。 对于中国制造企业、商业综合体和数据中心而言，能源成本是直接影响经营利润的关键变量。在工业用电价格持续承压、峰谷电价差扩大、"双碳"目标落地执行的背景下，越来越多的企业开始重新审视"电费是固定成本，无法压缩"这一过时认知。

引言 在许多企业中，关键业务依赖于 没有人完全理解的旧系统（Legacy System）。 原始开发者可能已经离开公司，系统文档可能从未存在，或者早已过时。经过多年的修改、补丁和临时需求迭代，这些系统逐渐变得非常复杂。 然而，这些系统通常承担着关键业务，例如： 财务系统 物流系统 制造系统 ERP 系统 客户管理系统

"AI能生成代码。但它无法生成信任、语境或责任。" AI编程助手的兴起引发了一个熟悉的焦虑：开发者会被淘汰吗？ 坦率地说——某些任务会。样板代码生成、单元测试框架搭建、基础CRUD API开发，这些都可以交给AI。 但软件开发远不止于代码生成。它是建立在判断力、人际关系、责任感和深度情境理解之上的专业学科。在这些维度上，人类工程师依然不可替代——不是因为AI还不够成熟，而是因为这些服务从本质上就是人类性质的工作。

将AI集成到遗留系统是企业数字化转型中最关键、也最容易被低估的工程挑战之一。大多数AI项目的失败并非源于模型本身，而是因为数据存放在运行了15年的SAP实例中、使用专有协议的SCADA历史数据库中，或是无人敢碰的本地Oracle数据库中。 AI层本身的构建并不困难。真正让项目陷入停滞的，是从根深蒂固的遗留系统中提取干净、一致、实时的数据，并将处理结果回写到业务运营工作流中。

你构建了一个 RAG 应用。演示效果令人印象深刻。管理层非常满意。然后你上线了。 现实随之而来。 用户收到错误的答案。聊天机器人自信地给出错误信息。真实流量涌入时延迟飙升。向量搜索返回不相关的 Chunk。支持工单不断堆积。 你并不孤单。这是当前企业 AI 项目中最常见的轨迹。"在演示中可以运行"和"在生产环境中可以运行"之间的差距——正是大多数 RAG 项目走向失败的地方。 本文将拆解 RAG 最常见的 7 种失败模式，并提供每种模式的具体解决方案。

引言：写作指南如何影响 AI 编程？ 在 AI Copilot、自动生成代码模型以及 AI Agent 大量涌现的时代，许多开发者关注的是“速度”。 但速度，已经不再是核心优势。 真正的优势，是清晰。 令人意外的是，AI 辅助编程最重要的思维框架之一，并非来自软件工程教材，而是来自一本关于写作的经典小书——《The Elements of Style》。 虽然它讲的是英文写作，但其中的原则，与 AI 时代的软件开发高度契合。

人工智能正在进入一个全新的阶段——AI智能体（AI Agents）时代。它们能够自主规划、决策、调用API、执行工作流，甚至生成代码。 在这样的背景下，越来越多的企业开始思考： 如果AI智能体几乎可以完成所有任务，我们是否还需要人类和传统软件系统？ 答案非常明确： 不仅需要，而且比以往任何时候都更重要。 原因在于系统架构的稳定性、责任机制的明确性，以及企业级运行环境的可控性。

从被动日志监控到自适应智能SOC 当今网络威胁日益复杂与隐蔽，攻击者常利用“Living off the Land”等合法工具实施攻击以规避检测。传统的Network Security Monitoring（NSM）能够生成大量日志，但日志本身并不等于“安全智能”。 NSM + AI = 自适应、高精度、低噪音的安全监控体系 本文将解析人工智能（AI）如何升级传统NSM，使其演进为主动式、智能化的安全运营体系。

面向中国企业的实践蓝图（2026 Edition） 企业级软件正在经历结构性变革。过去，许多企业依赖高昂的专有系统（Proprietary Systems），不仅实施周期长、许可费用高，还面临严重的供应商锁定问题。 如今，通过结合 Open‑Source Infrastructure + AI‑Assisted Development（开源基础设施 + AI辅助开发），企业可以同时实现高扩展性、安全性与成本优化。 本文将系统性讲解，中国企业如何以更低风险、更高效率构建现代化企业系统。

Executive Summary（CEO / CTO 参考） 人工智能（AI）正在快速重塑软件开发行业。如今，AI已经可以生成代码、自动创建测试用例，甚至辅助DevOps流程。 越来越多的企业管理者开始提出一个关键问题： “如果AI可以写代码，我们是否还需要软件开发公司？” 但必须明确的是，企业级软件开发（Enterprise Software Development）并不仅仅是编写代码。 它还包括： 系统架构设计（Architecture Design） 网络安全集成（Cybersecurity Integration） 可扩展性规划（Scalability Planning） 长期风险管理 对生产环境的责任承担（Production Responsibility） AI正在取代低价值、重复性的编码工作。 但它无法取代以“架构与战略”为核心的专业开发公司。