在 Azure AI 搜索中索引多模态内容：文本和图像的向量化
本文介绍如何在 Azure AI 搜索中设置多模态搜索，通过文本和图像的向量化实现跨模态检索。涵盖创建索引、选择模型（如 CLIP）、生成嵌入的方法，以及执行混合查询以提升相关性。
azure-ai-search / vector-search / multimodal-search / clip / openai / hybrid-search
TECHNOLOGY / KNOWLEDGE / PRACTICE
AI、编程、SQL、Web 和 SAP：指南与建议
人工智能、Python、Git、SQL、Web/API、SAP/ERP、统计与时间序列内容：原理说明、示例、实用建议、参考来源及适用范围。
精选主题
最新指南
1-24 / 51 篇内容在 Azure AI 搜索中索引多模态内容：文本和图像的向量化
本文介绍如何在 Azure AI 搜索中设置多模态搜索，通过文本和图像的向量化实现跨模态检索。涵盖创建索引、选择模型（如 CLIP）、生成嵌入的方法，以及执行混合查询以提升相关性。
azure-ai-search / vector-search / multimodal-search / clip / openai / hybrid-search
选择二元分类评估指标以降低假阳性
本指南介绍如何在 scikit-learn 中选择以精确度为导向的指标、进行阈值分析以及分解混淆矩阵，从而在二元分类任务中最大限度地减少假阳性率。
binary-classification / precision / false-positive / scikit-learn / threshold-selection / confusion-matrix / det-curve / model-evaluation
在 PostgreSQL 中使用 LIMIT 和 OFFSET：最佳实践、性能影响及替代方案
本指南详细解释了 PostgreSQL 中 LIMIT 和 OFFSET 的工作原理及其在分页数据检索中的用例。文章深入探讨了为何较大的 OFFSET 值会导致严重的性能问题，并说明了何时应切换到基于游标的分页方法。内容包含语法示例、ORDER BY 子句的强制要求、常见陷阱以及符合 PostgreSQL 和 GitHub REST API 标准的替代方法。通过对比分析，帮助开发者理解不同分页策略的优劣，确保数据库查询的高效性和结果的一致性。
PostgreSQL / database pagination / LIMIT / OFFSET / cursor-based pagination / query performance
SAP S/4HANA 中的分段报表：业务单位平衡
本文介绍如何在 SAP S/4HANA 中配置文档拆分，以启用多个业务单位的平衡表，利用通用日记账。这消除了财务会计和管理会计之间的调整需求，并提供了详细的业务绩效见解。我们详细介绍了关键组织元素 - 会计科目表和台账单位，以及它们如何与分段报表交互。
SAP S/4HANA / Universal Journal / Segment Reporting / Financial Accounting / Controlling / Document Splitting / Balance Sheets / Reporting
理解语义搜索：工作原理及为何相似文本可能无法回答您的问题
探索语义搜索的原理、它对嵌入的依赖性，以及为何看起来相似的文本可能无法提供所需答案的原因。了解向量搜索、混合搜索及其在信息检索中的应用。
semantic search / vector search / embeddings / AI / information retrieval / natural language processing / hybrid search / Azure AI Search
AI 精确率和召回率在小数据集上的评估
了解如何在 AI 模型的小型问题数据集上有效评估精确率和召回率。本指南使用 scikit-learn 涵盖了概念、计算方法和实际注意事项。
ai / precision / recall / evaluation / small dataset / machine learning / scikit-learn / classification
在 Azure AI Search 中配置混合搜索（文本与向量字段）
本指南提供逐步操作，用于创建索引、生成嵌入向量，并执行结合全文搜索与向量搜索的混合查询。通过 Azure AI Search 实现语义相关性与关键词匹配的协同优化。
azure-ai-search / hybrid-search / vector-search / semantic-reranker / index-schema / embeddings
按假阳性和假阴性的成本选择分类阈值
一个关于通过加权假阳性和假阴性成本来选择决策阈值的实用指南，使用保留的验证集和 scikit-learn 混淆矩阵。
threshold‑tuning / cost‑sensitive / confusion‑matrix / scikit‑learn / model‑validation
选择 MAE 还是 RMSE 进行误差预测
了解平均绝对误差 (MAE) 和均方根误差 (RMSE) 之间的区别，如何为您的预测任务选择正确的指标，以及大误差对每个指标的影响。
regression / model evaluation / MAE / RMSE / error metrics / scikit-learn / machine learning
为公共资源和个人响应选择合适的 Cache-Control
区分存储、验证与共享缓存。三种响应策略说明何时使用 public max-age、private no-cache 和 no-store。
Cache-Control / HTTP / Caching / Web Development / Privacy / Security / Browser / CDN
用截止时间限制 HTTP 重试并处理未知结果
将请求超时与总重试预算分开，解释 Retry-After，并在服务器结果未知时避免重复写入。
HTTP / Retries / Timeouts / Idempotency
重复 API 提交：在添加键之前设计幂等性契约
定义调用方、载荷、原子声明和重放策略，使重试具有可预测的应用结果。
web
API 分页：偏移量与游标在变更数据中的应用
了解基于偏移量和基于游标的分页之间的区别以及何时使用它们，尤其是在处理频繁变化的数据库时。
api / pagination / rest / offset / cursor / data consistency / web development
选择 PostgreSQL 外键删除策略而不丢失错误的行
使用一个小型隔离示例比较 RESTRICT、CASCADE 和 SET NULL，然后在更改真实数据之前检查实际的约束和依赖行。
PostgreSQL / SQL / Foreign keys / Transactions
PostgreSQL 分组最新行：使 row_number 排序确定性
使用显式 tie-breaker 和针对缺失时间戳的明确策略，为每个账户选择一个完整事件。
data
PostgreSQL INSERT ... ON CONFLICT：精准实现唯一约束下的插入与更新
PostgreSQL 的 INSERT ... ON CONFLICT 语句提供原子化的 upsert 操作，支持根据唯一约束或索引自动处理冲突。通过 DO NOTHING 或 DO UPDATE 选择是忽略冲突或更新现有行，并利用 EXCLUDED 伪表获取待插入值。但单行原子性不保证业务级别的幂等性或并发安全，需手动处理重复键和并发索引维护问题。
postgresql / sql / upsert / insert / on-conflict / unique-constraint / concurrency / database
使用经验覆盖率和宽度评估预测区间
预测区间旨在包含未来单个观测值，而置信区间针对均值或其他参数，两者不可互换。经验覆盖率是保留数据中落在区间内的比例，宽度是分位数界限之间的距离；一个构造的五值示例给出 80% 覆盖率和平均宽度 1.8。
prediction interval / confidence interval / quantile regression / empirical coverage / interval width / scikit-learn / calibration / held-out evaluation
启动应用程序前验证 Python 环境设置
区分缺失和空设置，显式解析端口和布尔值，并在不暴露秘密的情况下报告配置错误。
Python / Configuration / Environment / Validation
使用显式Python合约在JSON中序列化datetime和Decimal
使用ISO时间戳字符串和十进制字符串，然后显式重建字段。一个完整的标准库示例显示了时区检查、精度和可预测的失败。
JSON / Serialization / Deserialization / Datetime / Decimal / Python / Data Contract / Type Handling
Python：从字符串和文件读取 JSON 并处理解码错误
了解如何使用内置的 json 模块在 Python 中从字符串文字和文件解析 JSON 数据，以及如何有效处理潜在的解码错误。
python / json / parsing / decoding / file handling / error handling / pathlib / data serialization
Python 异常日志记录：保留追踪信息和足够的请求上下文
使用命名的日志记录器，在应用程序层面配置一次，并附加安全的上下文，而不用在每个错误上都重复配置。
programming
使用 pathlib 实现 Python 跨平台安全路径处理
本指南介绍如何使用 pathlib 进行文件存在性检查、扩展名修改、目录遍历和路径解析，避免在 Windows 或 Unix 系统上引入特定平台的错误。
pathlib / cross-platform / python / file-system / os.PathLike / PurePath / glob / resolve
选择 RAG 分块边界和重叠以保留节上下文
本文解释了如何在检索增强生成（RAG）系统中选择有效的分块边界和重叠，比较了固定大小和文档感知策略。使用假设的支持说明示例，它演示了跨语义单元分割的风险，并展示了元数据和重叠如何保留上下文。该指南基于 Microsoft Azure 关于向量搜索和 RAG 工作流中分块的文档。
RAG / chunking / Azure AI Search / information retrieval / document processing
验证 RAG 引用：从来源存在到主张支持的深度解析
引用标识符仅证明来源已被检索，而非证明其支持特定主张。本文通过假设的政策示例，详细介绍了如何将答案分解为原子主张、定位支持段落，以及如何将检索检查与 groundedness（基于事实的可靠性）检查区分开来，以确保 RAG 系统的输出真实可靠。
RAG / citation verification / groundedness / retrieval evaluation / prompt engineering / LLM evaluation