Digitalbuilder，记录从构想到上线的过程，技术方向以软件工程为主。持续整理代码实现与工程实践、开发效率提升和可复用的工程方法；习惯用项目结果检验技术判断。
本文记录了一个企业知识库RAG系统（检索增强生成）的真实调优过程。原始方案采用固定512字符切分 + text-embedding-ada-002 + 无重排，Top-5召回率仅0.62，答案准确率约58%。通过将chunk改为语义切分（256/64重叠）、切换bge-large-zh-v1.5、引入bge-reranker-large后，Top-5召回率提升至0.89，端到端准确率达81%，P9
框架用多了容易飘，我花了一个周末用纯Python手写了一个AI Agent，不依赖LangChain和AutoGPT，只用OpenAI SDK 1.30.0，实现了工具调用、滑动窗口记忆、指数退避重试和最大步数循环控制。在3个真实任务上，平均完成率从裸调GPT-4的42%提升到89%，平均Token消耗降低约31%。这篇文章把每一步实现细节和踩过的坑都摊开讲清楚，适合想真正理解Agent底层机制的
我们维护的一个中后台 React 18 项目，早期用 Context + Props 管理全局状态，随着模块增多，Context 嵌套到 7 层，Provider 数量达到 11 个，首页首屏渲染耗时从 380ms 涨到 1.2s，任意一个全局值变化都会触发 200+ 组件重渲染。本文记录了从 Context 迁移到 Zustand 4.4 的完整过程，包含方案对比、迁移步骤、Selector 拆
线上RAG系统召回准确率卡在68%徘徊，用户对“答非所问”的投诉率两周涨了12%。本文记录了一次完整的检索链路优化：将固定256字符的chunk策略改为自适应语义切分，命中率提升9%；Embedding模型从BGE-large-zh换为Qwen3-Embedding-0.6B后，Recall@5提升6.5%；引入bge-reranker-base重排，最终Top1准确率从41%跃升至73%。单次问
