AI技术点总结（1）

Firecracker

是亚马逊开源的一款轻量级虚拟化监视器，专为运行短暂、无状态的微型虚拟机而设计。

1. 它是什么：一种极简的虚拟化技术，用于创建和管理安全的隔离环境。
2. 它能做什么：在毫秒级内启动一个虚拟机，以接近裸机的性能运行工作负载，并提供强于容器的硬件级隔离。
3. 和同类技术对比：比传统VM（如QEMU-KVM）更轻、更快；比容器（如Docker）隔离性更好、安全性更强。是Serverless（如AWS Lambda）和多租户场景的理想底层技术。

CrewAI

是一个用于构建角色化AI团队的框架。它能将复杂任务（如市场分析、内容创作）拆解，让多个AI智能体像专业团队一样分工协作、接力完成。相比AutoGen，它流程更结构化；相比LangGraph，它更强调角色与目标，适合快速搭建多智能体应用。

E2B

是一个安全的云端代码执行环境。它提供一个隔离的沙箱，用于安全运行不受信任的代码，常用于在线IDE、编程挑战或AI代码生成验证。相比传统虚拟机或容器，它启动更快、资源更轻、安全隔离性更强，专为频繁、短暂的代码执行场景优化。

reAct

是一种让大语言模型“边思考边行动”的框架。它在提示中要求模型交替输出推理步骤和具体行动，从而将复杂问题分解，并能调用外部工具获取信息。相比仅要求一步步思考的思维链方法，reAct增加了执行能力，能主动验证和获取新知识，更擅长解决需要事实或计算的问题。

AutoGen

是微软的多智能体协作框架，能让不同AI角色（如程序员、研究员）通过对话自动执行代码、解决复杂任务。相比同类，它更灵活、可控，支持深度自定义与工具集成；而MetaGPT等则提供更固定的角色分工，开箱即用但灵活性较低。适合需要精细设计工作流的场景。

NaiveRAG

是基础的检索增强生成框架。

1. 它通过检索外部知识来增强大模型回答的准确性。

2. 能基于专有文档进行可信的问答与总结。

3. 相比直接提问，答案更可靠；相比微调，更简单经济；但比高级RAG技术能力更基础。

Self RAG

是具备自我评判能力的检索增强生成框架。

1. 它会主动判断何时需检索、检索结果是否相关，并核验生成内容的忠实度。

2. 能智能地混合自身知识与外部检索信息，动态决定生成策略。

3. 比被动检索的Naive RAG更精准、可控，能减少不必要检索，输出质量与可靠性更高。其流程为“提问->判断->（按需）检索->反思->生成”。

Hybrid Search（混合搜索）

1. 是什么
   一种同时使用向量搜索（理解语义）和关键词搜索（精确匹配）的技术，融合两者的结果。

2. 能做什么
   显著提升检索的召回率与准确性。既能通过语义找到相关概念，又能通过关键词锁定具体术语、日期或名称，应对多样化的查询。

3. 和同类技术对比
   比单一向量搜索更全面、抗干扰（避免语义漂移）；比单一关键词搜索更智能、更灵活。是实现高效RAG系统检索层的核心方案。

CRAG

1. 是什么
   CRAG是一种能对检索结果进行“质量检查”的RAG技术。

2. 能做什么
   它能自动评估检索到的信息是否相关可靠。若质量不高，系统会主动修正检索内容或补充搜索，确保为模型提供最优质的参考信息。

3. 和同类技术对比
   比Naive RAG（被动接受检索结果）更稳健可靠；与Self RAG（侧重生成过程控制）不同，它专注于在检索源头进行纠正与质量把关。

Contextual Compression（上下文压缩）

1. 是什么
   一种在RAG流程中，根据当前查询的具体内容，动态筛选和压缩检索文档的技术，只保留最相关的信息片段。

2. 能做什么
   有效减少输入给大模型的无关文本噪音，降低处理成本，并提升生成答案的精准度和效率。

3. 和同类技术对比
   不同于Hybrid Search（优化检索方式），它专注于对已检索到的内容进行“瘦身”提纯，是优化信息利用效率的后处理关键步骤。