<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"><channel><title>渐近线 · ASYMPTOTE</title><description>一个前端工程师的长期写作存档。写前端架构、性能优化与踩坑复盘，也写 Python 实践、AI Agent 落地和前端面试题；读书笔记只留自己的结论，不做原文摘抄。</description><link>https://muzibz.top</link><language>zh-cn</language><copyright>© 2026 muzi</copyright><item><title>内容仓库结构与写作约定</title><link>https://muzibz.top/posts/content-repo-conventions</link><guid isPermaLink="true">https://muzibz.top/posts/content-repo-conventions</guid><description>这个仓库里只装文章本身：正文、frontmatter、每篇自己的图片。它不装代码、不装构建产物，也不依赖任何数据库。这篇说明目录该怎么摆、frontmatter 每一项是什么意思、以及图片为什么必须用相对路径。</description><pubDate>Thu, 24 Sep 2026 01:00:00 GMT</pubDate><category>工程实践</category><category>内容管理</category><category>写作规范</category><author>muzi</author></item><item><title>RAG 为什么能“找到”正确答案？搞懂 Embedding 与向量数据库</title><link>https://muzibz.top/posts/embedding</link><guid isPermaLink="true">https://muzibz.top/posts/embedding</guid><description>文字怎么变成向量、两个向量凭什么判断语义相似、上百万条数据怎么毫秒级捞出最相关的——这三个问题构成了 RAG 向量检索的全部关键。这篇从嵌入模型、三种相似度算法的实际分歧，讲到向量库的索引与度量配置，把链路上最容易配错的那几处逐一点出来。</description><pubDate>Thu, 24 Sep 2026 01:00:00 GMT</pubDate><category>工程实践</category><category>RAG</category><category>Embedding</category><category>向量检索</category><author>muzi</author></item></channel></rss>