最近文章

• RAGFlow：以深度文档理解为核心的开源 RAG 引擎介绍与部署使用教程 这两年我陆陆续续接触过一些 RAG 小工具，从最早自己用 [[LangChain]] 拼一个 demo，到后来用 [[AnythingLLM]]、[[Dify]] 的知识库功能，有一个体验几乎每次都会重演：拿几篇 Markdown 测试的时候效果惊艳，一旦换成真实的业务材料，比如一份带合并单元格的财报 PDF、一份双栏排版的论文、几页扫描的合同，回答马上就开始胡说八道。追查下去会发现问题根本不在大模型，而在最前面的解析和切块环节，表格被拍平成一串没有表头的数字，左右两栏的文字被交错拼接在一起，模型拿到的上下文本身就是错的。也正是因为这个痛点，我在调查 ESP32 小智 AI 后端的时候发现了 [[RAGFlow]]，一个可以「深度文档理解」的开源 RAG 引擎。
• Git 本地忽略文件：.git/info/exclude 的作用与使用技巧 由于本地 IDE、插件、Agent 的差异，所以经常打开项目之后会出现一些只属于我自己的文件，AI Agent 和一些 MCP，Skill 也喜欢在项目根目录里面添加文件。每次 git status 都能看到这一串红色的 untracked 文件，看着很烦，又不太好意思为了自己的习惯去改项目的 .gitignore。这时候我想起了 .git 目录里一个存在感极低的文件 info/exclude，它刚好就是为这种场景设计的。
• Meta Muse 使用教程：上手设置、提示词技巧与实用案例 上一篇 Meta Muse 介绍与注册指南：一个会替你跑腿的个人 AI Agent 把 [[Muse]] 是什么、怎么注册、额度怎么算都整理了一遍，但是留了一个结尾：注册完之后到底该让它干什么。Muse 上线这几周，我查阅了一些测评体验，整理了 X 和 Threads 上用户晒出来的用法，发现大家的使用路径其实很像：从提醒和文件这类零风险的任务开始，确认它靠谱之后再慢慢接入邮箱、日历，最后才让它碰钱。这篇就按这个顺序来整理，从界面和设置讲起，再到具体的案例和踩过的坑。
• Meta Muse 介绍与注册指南：一个会替你跑腿的个人 AI Agent 2026 年 9 月 8 日，[[Meta]] 发布了个人 AI Agent [[Muse]]，宣传语只有一句：「它去做，而不是告诉你怎么做」。用 [[ChatGPT]] 或 [[Claude]] 时，我们得到的往往是一份说明书，真正动手的部分，打开网页、填表单、下单付款，还得自己来。Muse 想把这一段也接过去：你交给它的不是一个问题，而是一件事，它会自己打开浏览器一步步做完，需要你拍板时再回来问你。这是 Meta 迄今为止在消费级 AI 上下的最大一笔注，两周后的 Connect 2026 大会几乎整场都围绕它展开。
• Jev：不聊天只做判断的 System One 决策模型 过去一两年，大模型的发展方向几乎都是更长的思考链、更大的上下文、更强的 Agent 能力。但在日常写代码和搭建自动化流程的过程中，我发现很多地方用到大模型，其实只是为了让它做一个简单的判断，却要付出几秒钟的等待和解析 JSON 的麻烦。TypeSafe AI 发布的 Jev 走了一条相反的路：不聊天、不写代码，只做快速的判断。