本文结合“基于 ERNIE SDK+LangChain 搭建个人知识库”的代码示例，为您讲解 RAG 的相关概念。
结合杭州亚运会热点，信息分发方向打造亚运活动集合，让用户除了观看亚运比赛外，还可以在平台内参与更多好玩有趣的活动，有效牵动端内更多互动时长。项目设计师们通过中台高效赋能首页推荐业务、视频推荐业务，打造「亚运游戏王」「亚运集卡」「亚运发文挑战赛」三种不同玩法的运营活动，鼓励用户深度参与，从「看」到「玩」到「发视频」，增强用户在端内的亚运氛围感知，辅助业务达成时长、互动、发文及分享目标。
近年来AI发展如火如荼，大模型诞生与技术的积累和不断创新，带来了人机交互方式的革新。各大厂也纷纷结合自身业务场景进行模型和应用的开发，AI正以惊人的速度改变着我们的生活和工作方式。面对生成式AI的行业浪潮，百度百科产研团队也在探索如何结合大模型能力，发挥百科在泛知识领域的优势，延展百科场景AI特色体验，强化内容浏览的体验感及效率性，契合用户对百科的期望，带给用户更极致的知识消费体验。
本文介绍了百度数仓融合计算引擎的整体设计原理、优化及实践，阐述了在互联网产品快速迭代的趋势下，基于一层数仓宽表模型的数仓模型如何做到数十秒级查询的技术方案，并从互联网业务变化特性、传统计算引擎存在的问题、融合计算引擎的原理及优缺点、引擎应用场景和效果等角度进行了较为全面的分析，最终通过引擎设计和优化实现了提升查询性能的同时节约数仓存储的目标，降低了用户的数据使用成本。
在实际工作中，我们经常会遇到一堆数据，对数据的有效分析至为关键，而数据的分布就是一种非常重要的数据属性，需要通过合适的可视化手段进行分析。本文参考[1]，基于seaborn库介绍一些常用的数据分布可视化方法。
随着AI技术的发展，越来越多的产品尝试结合AI进行功能升级，作为设计师的你是否也在面临这样的问题：如何将AI技术与场景需求更好的结合，为用户提供顺畅的AI原生设计体验呢？ 本文将以AI装扮项目为例，分两部分介绍我们是如何通过深入分析用户痛点与需求，结合公司内部能力支持，找到AI创新突破口。同时发挥设计优势，在没有行业参考前提下，探寻出一条AI创新实践之路，设计主导创新方案优化落地。
4年前在《AutoDiff理解》 之第一篇“自动求导技术在深度学习中的应用”[1]中打算写一个关于autodiff的系列文章，因为工作和学习上比较忙碌（Lan Duo :P），就一直拖到了现在。刚好最近又在学习OPEN MLSYS[2]，借此机会将静态图中的autodiff笔记也一并写完吧。如有谬误请联系指出。
