视觉素材组件 · 高频包
13 components · 归藏 DNA · A 数据图表 · B 抽象兜底 · C 大数字 · D 仿真 UI
A1 · LINE-CHART折线图 · 趋势随时间
Weekly · Active Users
9 周增长 +633%
A2 · COL-CHART柱形图 · 离散量 / 峰值
Monthly · API Calls (M)
5 月峰值 84M
38Jan
52Feb
41Mar
67Apr
84May
72Jun
A3 · DONUT-CHART环形图 · 占比 ≤4
Retrieval52%
Generate28%
Rank14%
Other6%
B1 · ANALOGY类比框 · 未知 ≈ 熟悉
未知
RAG
检索增强生成 · 模型 + 外挂资料库
≈就像
熟悉
开卷考试
不用背 · 翻书查 · 临场组织答案
B2 · BLACKBOX黑盒图 · input → ? → output
Input提示词
Black Box
?
175B 参数 · 不可解释
Output回答
B3 · CONCEPT-EQ概念等式 · A + B = C
模型Reasoning
+
资料Context
=
可靠回答Output
B4 · SPECTRUM光谱 · 双极偏向
B5 · ICEBERG冰山 · 看得见 / 看不见
可见 · 10%
对话界面
你看到的输入框和回答
隐藏 · 90%
权重 · 训练数据 · RLHF · 推理基建
真正决定回答质量的部分
B6 · VERSUS对照 · 两方案逐项
A
预训练
数据海量公开语料
时长数月 · 数千卡
产出通用基础模型
VS
B
微调
数据少量任务数据
时长小时 · 单卡
产出专业化变体
C · BIG-STAT大数字 hero · 单个震撼数
87%
Finding · 2024 Q4
的开发者预期 prompt engineering 会被 context engineering 取代
D1 · UI-TERMINAL终端 · CLI 演示
~/projects/rag-demo · zsh
$ claude run
→ Retrieval-Augmented Generation：给模型外接资料库再生成。
↳ tokens 23 · 412ms · $0.0008
D2 · UI-CHAT对话流 · LLM 对话
claude.ai / chat
YouRAG 跟 fine-tuning 啥区别？
ClaudeRAG 是开卷考试——临时查资料。fine-tuning 是背书——把知识焊进模型权重。
D3 · UI-CODE代码 · 片段
rag.py · python 3.12
1from claude import retrieve, ask
2
3docs = retrieve("vector_db", q=question)
4answer = ask(question, context=docs)
5# ← grounded in real sources