向量数据库对比与集成：PGVector / Qdrant / Chroma / Milvus / Weaviate 选型与实战
五大主流向量数据库深度对比：PostgreSQL PGVector、Qdrant、Chroma、Milvus、Weaviate。从延迟、吞吐、扩展性、云托管、Python SDK 等维度提供选型矩阵，附带每种数据库的完整 Python 集成代码与性能基准数据。
posts
LLM / AI 开发专题：从 API 调用到生产级智能应用
大语言模型（LLM）与 AI 应用开发完整专题：API 基础调用、Prompt 工程、RAG 检索增强生成、向量数据库、模型微调（LoRA/PEFT）、Agent 框架（LangChain/LlamaIndex/CrewAI）、推理部署优化（vLLM/量化）与 AI 安全治理。基于 Python 全栈实践。
RAG 架构实战：从零搭建 Embedding、检索与生成的知识问答系统
系统性讲解 RAG（检索增强生成）完整架构：Embedding 模型选型（text-embedding-3/GTE/E5）、文档分块策略（固定/语义/递归重叠）、混合检索（dense+BM25）、重排序（Reranker）、LangChain vs LlamaIndex 实现对比。附带端到端 FastAPI 服务代码，基于 Qdrant + sentence-transformers。
Prompt 工程与 Function Calling：从 Few-shot 到 ReAct 的实战体系
系统性讲解 Prompt Engineering 核心技术：Zero-shot / Few-shot / Chain-of-Thought / Tree of Thoughts / ReAct 模式。OpenAI Function Calling 与 JSON Schema 结构化输出、Pydantic 解析、提示词注入防御策略，以及 LLM-as-Judge 评估框架。
LLM API 基础调用：OpenAI、Anthropic、Google 全面对比与 FastAPI 服务端封装
深度解析主流 LLM API（OpenAI、Anthropic Claude、Google Gemini）的核心差异：认证方式、流式输出、Token 计数与预算管理、多模态输入、错误重试策略。附带完整的 FastAPI + asyncio 服务端封装代码，支持并发流式推理。
大语言模型应用开发框架Eino介绍
随着大语言模型（LLM）技术的快速发展，其在自然语言处理、智能客服、内容生成等领域的应用日益广泛。然而，开发高效、可靠的大语言模型应用仍面临诸多挑战，如复杂的流程编排、高维护成本、弱类型语言带来的调试困难等。
RAG 高级优化实战：查询扩展、重排序与混合检索深度指南
深度剖析 RAG 系统瓶颈，覆盖 HyDE/Query2Doc 查询扩展、Cross-encoder/ColBERT 重排序、Dense+Sparse+图混合检索三大优化方向。提供完整 Python 实现与端到端性能基准对比，含延迟-质量权衡矩阵。
LLM 安全实战：Prompt Injection 攻击分类与防御体系
全面解析 Prompt Injection 攻击原理，覆盖直接注入、间接注入、越狱攻击等类型，提供企业级分层防御策略（输入过滤/提示加固/输出校验/运行时沙箱），含完整 Python 防御代码与 OWASP 合规框架。
AI 安全红队测试：构建企业级 LLM 对抗评估体系
从0到1构建 AI 红队测试体系，覆盖自动化漏洞扫描、对抗样本生成、多智能体红队博弈。提供 PyRIT 和 Garak 框架实战、风险评分矩阵、CI/CD 集成方案，输出可落地的企业级安全基线。