置顶文章

• 2026-01-20 文档处理与训练数据生成详解

• 2026-01-11 企业级RAG应用系列(1)：架构总览

• 2025-03-15 机器学习基础系列——前馈神经网络

• 2025-01-20 vLLM 高性能推理系列——入门篇

• 2025-01-16 Python 本地知识库部署（仅 CPU）

• 2025-01-02 Ollama 部署系列——本地安装

• 2024-08-22 LobeChat 部署系列——进阶篇

2026

• 08-24 把 DeepSeek Harness 放到局域网，并给它加上实时语音输入

• 08-23 16. Agent 上线前怎样设计回归测试集

• 08-23 17. 怎样给 Agent 做一次故障演练

• 08-14 DeepSeek Harness 架构全解：从 Web 请求到 Agent Loop、Trajectory 与本地沙箱

• 07-27 00. 导读：从一次抓包进入 Agent 运行时

• 07-27 01. 系统提示词是怎样被组装出来的

• 07-27 02. Prompt 长度、上下文增长与缓存成本

• 07-27 03. Prompt 注入发生在哪一层

• 07-27 04. 工具 Schema 怎样改变 Agent 的行为

• 07-27 05. 模型调用工具之后，运行时发生了什么

• 07-27 06. 工具结果应该怎样回填给模型

• 07-27 07. 并行工具调用真的更快吗

• 07-27 08. Agent 为什么需要状态机

• 07-27 09. Agent 权限不是 allow 和 deny 两个值

• 07-27 10. 如何防止有副作用的操作重复执行

• 07-27 11. Agent 的错误应该在哪一层处理

• 07-27 12. 上下文、摘要和长期记忆不是一回事

• 07-27 13. 多 Agent 的价值不是同时运行多个模型

• 07-27 14. 怎样记录一条可以重放的 Agent 轨迹

• 07-27 15. 怎样评测一个 Agent，而不是评价最终回答

• 07-24 00. 导读：从感觉驱动到原则驱动的 Agent 工程

• 07-24 01. Agent 入门与 Harness：Model 之外才是竞争力

• 07-24 02. 上下文工程：Agent 只能看见你喂给它的东西

• 07-24 03. 记忆与知识库：跨会话之后，Agent 还记得什么

• 07-24 04. 工具设计：手脚的粒度、描述与异步

• 07-24 05. Coding Agent 与代码元能力：通用 Agent 的内核

• 07-24 06. Agent 评估：没有度量就没有改进

• 07-24 07. 模型后训练：SFT 立形，RL 求神

• 07-24 08. 自我进化：不改权重也能越用越熟

• 07-24 09. 多模态与实时交互：语音、屏幕与机器人

• 07-24 10. 多 Agent 协作：何时拆、如何拆、如何不一起崩

• 07-20 20. 模型自身能力对 Agent 表现的影响

• 07-19 19. Agent 框架横向对比：LangGraph、AutoGen、CrewAI、OpenHands

• 07-18 18. 多模态代码 Agent：视觉输入加入代码生成的工作流

• 07-17 17. 代码 Agent 评测方法的设计反思

• 07-16 16. 大代码库的上下文管理：Agent 如何在百万行代码里找路

• 07-15 15. 代码 Agent 的安全边界：沙箱、权限与提示注入

• 07-14 14. 代码 Agent 的设计模式：前 13 篇的横向梳理

• 07-13 13. InterCode：把交互式编程环境变成强化学习的训练场

• 07-12 12. MapCoder：用类比和检索辅助代码生成

• 07-11 11. AgentCoder：拆分角色，让代码生成和测试设计分开

• 07-10 10. AlphaCodium：用测试驱动的迭代流程生成代码

• 07-09 09. LATS：把树搜索和语言反思结合起来

• 07-08 08. Reflexion：用语言反思替代梯度更新

• 07-07 07. SWE-agent：把真实 GitHub Issue 变成 Agent 的任务

• 07-06 06. Self-Debugging：让模型自己读报错、自己改代码

• 07-05 05. CodeAct：把代码执行变成通用 Agent 的动作空间

• 07-04 04. Voyager：用代码探索开放世界的终身学习 Agent

• 07-03 03. 从执行反馈中学习：CodeRL 与迭代自修正

• 07-02 02. 代码还是文字？CodeSteer 与推理模式的动态选择

• 07-01 01. 代码是推理的外包地：Program of Thoughts 与 Chain of Code

• 06-10 23. Agent 失败模式分类学：为什么它总在你不期待的地方崩

• 06-09 22. Agent 安全边界：Prompt Injection、权限最小化、沙箱逃逸

• 06-08 21. Benchmark 全景：SWE-bench、AgentBench、τ-bench 怎么读

• 06-07 20. LlamaIndex 数据侧深度

• 06-06 19. LangGraph 状态机编排

• 06-05 推理服务工程化

• 06-04 开源大模型上线

• 06-03 推理引擎横评

• 06-02 知识蒸馏

• 06-01 LoRA与QLoRA微调

• 05-31 GGUF与llamacpp

• 05-30 模型量化INT8与INT4

• 05-29 推理为什么慢

• 05-28 向量数据库选型与生产实践

• 05-27 项目 21：文明的数字工业化：构建大规模预训练数据管线

• 05-27 项目 22：自我进化的循环：合成数据（Synthetic Data）的生成、过滤与证明

• 05-27 项目 23：预测未来的算力账本：缩放法则（Scaling Laws）与曲线拟合

• 05-27 项目 24：灵魂的对齐：SFT、指令微调与偏好优化（DPO）

• 05-27 项目 25：理性的驯化：从 RLHF、PPO 到 GRPO 的进化史

• 05-27 项目 26：数字的炼金术：模型量化（Quantization）深度解密

• 05-27 项目 27：吞吐量之王：Serving Stack 与推理引擎横评

• 05-27 项目 28：拒绝虚假繁荣：构建严谨的模型评测（Evaluation Harness）

• 05-27 项目 29：检索增强生成的艺术：工业级 RAG 架构拆解

• 05-27 项目 34：终极试炼：构建你的私有化大模型系统（Capstone Project）

• 05-27 Milvus分布式向量库

• 05-26 项目 05：从单头到多头注意力

• 05-26 项目 06：构建完整的 Transformer Decoder Block

• 05-26 项目 07：Mini-former 训练实战：从随机扰动到文本预测

• 05-26 项目 08：训练目标对比：Causal、Masked 与 Prefix LM

• 05-26 项目 09：概率的剪裁：解码策略与采样 Dashboard

• 05-26 项目 10：打破串行咒语：投机解码（Speculative Decoding）

• 05-26 项目 11：显存的吞噬者：KV Cache 机制与显存预算

• 05-26 项目 12：架构的进化：MQA、GQA 与 MLA 深度解析

• 05-26 项目 13：跨越万词鸿沟：长上下文（Long Context）的系统性挑战与解法

• 05-26 项目 14：频率的炼金术：RoPE Scaling 与长度外推（Extrapolation）

• 05-26 项目 15：IO 感知的艺术：FlashAttention 的硬件级优化

• 05-26 项目 16：硬件精算：显存带宽、算力与硬件预算（Hardware Budget）

• 05-26 项目 17：稀疏性的调度艺术：实现双专家 MoE 路由（MoE Router）

• 05-26 项目 18：计算的权衡：稠密（Dense）与稀疏（MoE）模型的全方位对比

• 05-26 项目 19：线性序列的回归：状态空间模型（SSM）与线性注意力

• 05-26 项目 20：文本的扩散：扩散语言模型（Diffusion LM）初探

• 05-26 项目 31：多模态视觉语言桥接器（Vision-Language Adapter）

• 05-26 项目 32：打开黑盒：机械可解释性（Mechanistic Interpretability）

• 05-26 项目 33：防线与红队：构建 LLM 安全评估体系

• 05-26 Qdrant与Weaviate

• 05-25 LLM 工程路线图：从概念理解到可运行系统

• 05-25 项目 1-2：Tokenizer、词表与 Embedding

• 05-25 项目 3-8：位置、注意力与 Transformer Block

• 05-25 项目 9-16：Decoding、KV Cache、长上下文与推理系统

• 05-25 项目 17-33：MoE、数据、后训练、评测、RAG、Agent 与安全

• 05-25 项目 34：十二周执行计划与 Capstone

• 05-25 34 个 LLM 工程项目验收清单

• 05-25 项目 01：从零实现 tokenizer

• 05-25 项目 02：embedding 与语义几何

• 05-25 项目 03：位置编码（learned / sinusoidal / RoPE / ALiBi）

• 05-25 项目 04：手写 scaled dot-product attention

• 05-25 项目 30：构建 Tool Use 与 Agent Loop

• 05-25 从迷你 GPT 到 ChatGPT：预训练之后还经历了什么

• 05-25 Chroma轻量入门

• 05-24 完整训练：从随机输出到通顺文字

• 05-24 FAISS实战

• 05-23 构建完整的 GPT 结构

• 05-23 IVF与乘积量化PQ

• 05-22 注意力机制：让模型看见上下文

• 05-22 近似最近邻ANN算法

• 05-21 反向传播：模型如何确定参数的调整方向

• 05-21 向量数据库到底是什么

• 05-20 最简单的模型：先让训练循环运转起来

• 05-19 把文字变成数字：分词与编码

• 05-18 模型到底在学什么

• 05-17 MCP：自己动手写一个 Server

• 05-16 番外 16：uvicorn --reload 与本地大模型的相处难题

• 05-16 Agent 不只是套个循环

• 05-15 番外 15：RAG 评估方法，把感觉变成数字

• 05-15 Function Calling 用好了才叫工具调用

• 05-14 番外 14：向量数据库 Qdrant 实战、混合检索与 Reranker

• 05-14 你的 RAG 为什么回答得不好

• 05-13 01. 评判一个 Agent,你到底在评判什么

• 05-13 番外 13：文本切分策略与 chunk_size 选择

• 05-13 Embedding 这水比你想的深

• 05-12 20. 一支笔里藏着五种颜色

• 05-12 番外 12：Embedding 模型选型实战

• 05-12 Prompt 不是玄学，是工程

• 05-11 19. 会大声自言自语的棋手

• 05-11 番外 11：从 One-Hot 到 LLM，自然语言处理三十年的完整演化

• 05-11 API 调用没你想的那么简单

• 05-10 18. 够大的雨终会灌满湖

• 05-10 番外 10：Embedding 演化实战，从 TF-IDF 到 LLM 的 token 表

• 05-09 17. 能把尘土还原成瓷瓶的人

• 05-09 番外 9：Embedding 的来龙去脉

• 05-08 18. 框架世界观对比:Claude Agent SDK、LangGraph、CrewAI、Pydantic AI

• 05-08 16. 天生注定的那张彩票

• 05-08 番外 8：多模态入门，图像、语音与视频

• 05-07 17. 生产化:上下文压缩、成本、延迟、失败恢复、安全边界

• 05-07 15. 守门人和十个专家

• 05-07 番外 7：提示词注入与防御

• 05-06 16. 可观测性与评测:Agent 的 trace、replay 与回归测试

• 05-06 14. 山神的三个承诺

• 05-06 番外 6：异步与并发，批量调用 LLM 的工程模式

• 05-05 15. Human-in-the-Loop:什么时候让 Agent 停下来问人

• 05-05 13. 把老匠人装进一个孩子的梦里

• 05-05 番外 5：幻觉与开源崛起

• 05-04 14. Browser & Computer Use:让 Agent 看屏幕、点鼠标

• 05-04 12. 翻山送信的邮差

• 05-04 番外 4：上下文窗口进化史与 KV Cache

• 05-03 13. Code Execution Agent:让 Agent 真的能写代码、跑代码

• 05-03 11. 一张照片骗过所有人的眼睛

• 05-03 番外 3：Token 的秘密，BPE、中文为什么更贵

• 05-02 12. 多 Agent 协作:Orchestrator、Debate、Handoff 与它们的陷阱

• 05-02 10. 画赝品的人和他的宿敌

• 05-02 番外 2：API 参数全解，temperature 到 logprobs

• 05-01 11. 开源 Agent 全家桶:Hermes 3 + 向量库的离线 RAG-Agent

• 05-01 09. 学新手艺就忘旧的画师

• 05-01 番外 1：LLM 简史，从 Transformer 到 2026

• 04-30 10. Hermes 3 实战:在 Ollama 上跑一个本地工具调用 Agent

• 04-30 08. 同一双眼睛走遍全村

• 04-30 进阶方向：评测、监控、成本与微调

• 04-29 09. 工具调用协议的分裂:OpenAI、Anthropic、Hermes

• 04-29 07. 十口井的旅人

• 04-29 用 Streamlit 构建 AI 聊天应用

• 04-28 08. 上下文工程:Agent 最难的不是推理,是喂什么进去

• 04-28 06. 在雾中看潮水的渔夫

• 04-28 本地模型：用 Ollama 跑开源 LLM

• 04-27 07. 记忆系统:短期对话、长期事实、过程记忆

• 04-27 05. 学了三年突然顿悟的少年

• 04-27 番外 5：幻觉与开源崛起——LLM 的两个关键议题

• 04-27 MCP 协议：Agent 的通用接口

• 04-27 第一次发牌：从一句话到模拟器亮屏

• 04-26 06. Tree of Thoughts:从线性循环到搜索式推理

• 04-26 04. 把世界搬上书架的图书管理员

• 04-26 番外 3：Token 的秘密——BPE、中文更贵、怎么省

• 04-26 番外 4：上下文窗口进化史——KV Cache 与长上下文

• 04-26 Agent 入门：从工具调用到自主循环

• 04-26 搭场子：装 Xcode、注册账号、写一份 CLAUDE.md

• 04-25 05. Reflection:让 Agent 自己挑毛病、自己改

• 04-25 03. 完美的临摹学徒

• 04-25 番外 1：LLM 简史——从 Transformer 到今天

• 04-25 番外 2：API 参数全解——从 temperature 到 logprobs

• 04-25 Function Calling：让 LLM 调用你的 Python 函数

• 04-25 我不会 Swift，但还是想做个 iPhone app

• 04-24 04. Plan-and-Execute:先规划,再执行,失败时重规划

• 04-24 02. 雪夜下山的瞎子

• 04-24 RAG 实战：搭建一个能回答你文档的本地知识库

• 04-24 进阶武器：Slash Commands、Hooks、Subagents、MCP

• 04-24 避坑与省钱：上下文管理与常见问题

• 04-23 03. 工具设计的艺术:粒度、命名、错误反馈与工具爆炸

• 04-23 01. 图书馆里的低语

• 04-23 Embedding 与向量：把文字变成数字

• 04-23 高效沟通：跳出 Copilot 式补全思维

• 04-23 日常工作流：Bug 修复、新功能、重构、测试

• 04-22 02. ReAct:把 Agent 的思考显式化

• 04-22 结构化输出：用 Pydantic 把 LLM 变成稳定的函数

• 04-22 初次见面：项目初始化与 CLAUDE.md

• 04-22 核心心智模型：上下文、权限与计划模式

• 04-21 01. Agent 是什么:从一次性 Function Call 到自主循环

• 04-21 调用大模型 API：从 requests 到流式响应

• 04-21 Prompt 工程：让模型稳定输出你要的结果

• 04-21 WSL 开发环境搭建：Node、Git、zsh、VS Code

• 04-21 安装 Claude Code 并完成首次登录

• 04-20 AI 入门：Python 新手的第一课

• 04-20 从 Copilot 到 Claude Code：为什么值得换

• 04-20 安装 WSL2：Windows 下的 Linux 开发环境

• 04-19 构建你的第一个 AI 聊天应用

• 04-19 进阶方向：多模态、本地部署与成本优化

• 04-18 Agent 入门：从对话到自主行动

• 04-18 MCP 协议：Agent 的通用接口

• 04-17 RAG：让 AI 回答你的专属数据

• 04-17 Function Calling：让 AI 调用你的 API

• 04-16 Prompt 工程：让 AI 听懂你的话

• 04-16 Embedding 与向量：把文字变成数字

• 04-15 AI 入门：前端开发者的第一课

• 04-15 调用大模型 API：从 fetch 到流式响应

• 01-11 企业级RAG应用系列(2)：环境搭建与基础设施

• 01-11 企业级RAG应用系列(3)：数据库与向量存储

• 01-11 企业级RAG应用系列(4)：模型服务与推理

2025

• 11-25 机器学习基础系列——模型量化与剪枝

• 11-24 LLM应用开发——安全防护

• 11-22 LLM应用开发——部署与优化

• 11-20 Docker 系列——测试数据库部署

• 11-20 LLM应用开发——Function Calling

• 11-20 机器学习基础系列——LoRA与参数高效微调

• 11-19 Docker 系列——Golang 项目容器化

• 11-18 Docker 系列——基础入门

• 11-18 LLM应用开发——Agent智能体

• 11-16 LLM应用开发——LangChain框架

• 11-15 机器学习基础系列——知识蒸馏

• 11-14 LLM应用开发——Prompt Engineering

• 11-10 LLM应用开发——RAG检索增强生成

• 11-10 机器学习基础系列——自监督学习

• 11-05 LLM应用开发——向量数据库

• 11-01 LLM应用开发——Embedding嵌入向量

• 11-01 机器学习基础系列——强化学习基础

• 10-29 LLM应用开发——监控与可观测性

• 10-28 LLM应用开发——成本优化指南

• 10-27 LLM应用开发——缓存策略详解

• 10-26 LLM应用开发——多模型路由与协作

• 10-25 LLM应用开发——LLM评估与测试

• 10-24 LLM应用开发——多模态LLM应用

• 10-23 LLM应用开发——结构化输出

• 10-22 LLM应用开发——LlamaIndex框架

• 10-21 LLM应用开发——Streaming流式输出

• 10-20 LLM应用开发——对话记忆管理

• 10-20 机器学习基础系列——图神经网络

• 10-15 机器学习基础系列——生成对抗网络

• 10-01 机器学习基础系列——自编码器

• 09-29 LLM应用开发——语音交互系统实战

• 09-28 LLM应用开发——文档智能处理实战

• 09-27 LLM应用开发——代码生成与沙箱执行

• 09-26 LLM应用开发——AI搜索引擎实战

• 09-25 LLM应用开发——MCP协议开发

• 09-24 LLM应用开发——本地模型部署

• 09-23 LLM应用开发——微调实战指南

• 09-22 LLM应用开发——长上下文处理策略

• 09-21 LLM应用开发——GraphRAG与知识图谱

• 09-20 LLM应用开发——高级RAG技术详解

• 09-19 LLM应用开发——边缘计算与端侧部署

• 09-18 LLM应用开发——实时协作与流式交互

• 09-17 LLM应用开发——AI写作助手实战

• 09-16 LLM应用开发——高质量知识库构建指南

• 09-15 LLM应用开发——AI个性化推荐系统

• 09-15 机器学习基础系列——混合专家模型

• 09-14 LLM应用开发——内容审核与安全过滤

• 09-13 LLM应用开发——对话系统设计模式

• 09-12 LLM应用开发——混合检索策略深度解析

• 09-11 LLM应用开发——Prompt版本管理与工程化

• 09-10 LLM应用开发——多租户架构设计

• 09-01 机器学习基础系列——实战项目

• 08-31 VS Code Copilot 系统提示词解析

• 08-15 机器学习基础系列——迁移学习

• 08-01 机器学习基础系列——Transformer

• 07-15 机器学习基础系列——注意力机制

• 07-01 机器学习基础系列——循环神经网络

• 06-29 MCP：模型上下文协议详解

• 06-15 机器学习基础系列——卷积神经网络

• 06-01 机器学习基础系列——Dropout详解

• 05-15 机器学习基础系列——批归一化

• 05-01 机器学习基础系列——优化算法详解

• 04-15 机器学习基础系列——反向传播

• 04-09 LobeChat 部署系列——Docker 镜像构建

• 04-01 机器学习基础系列——激活函数

• 03-01 机器学习基础系列——神经网络基础

• 02-17 如何保护你部署的服务

• 02-15 机器学习基础系列——超参数调优

• 02-01 DeepRAG 论文解读：检索不应每一步都发生

• 02-01 机器学习基础系列——过拟合与欠拟合

• 01-23 vLLM 高性能推理系列——多模态模型部署

• 01-22 vLLM 高性能推理系列——投机解码加速

• 01-21 vLLM 高性能推理系列——LoRA 动态加载

• 01-19 DeepSeek 微调实战（Unsloth）

• 01-17 Ray 分布式训练实践

• 01-15 机器学习基础系列——交叉验证

• 01-15 Python 数据科学系列——特征工程

• 01-04 Ollama 部署系列——离线安装

• 01-02 Linux 服务器压测

• 01-02 XFS系统快照挂载问题

• 01-01 机器学习基础系列——模型评估指标

2024

• 12-28 Linux LVM 系列 1

• 12-28 Linux LVM 系列 2

• 12-24 CPU 环境下的模型微调

• 12-20 机器学习基础系列——降维技术

• 12-15 机器学习基础系列——聚类算法

• 12-02 PolarDB-X

• 12-02 DDoS攻击

• 12-02 对象存储的域名详解

• 12-01 机器学习基础系列——支持向量机

• 11-25 机器学习基础系列——XGBoost与LightGBM

• 11-20 机器学习基础系列——集成学习

• 11-15 机器学习基础系列——梯度提升

• 11-01 机器学习基础系列——随机森林

• 10-15 机器学习基础系列——决策树

• 10-01 机器学习基础系列——朴素贝叶斯

• 09-21 Python 依赖包安装方式概述

• 09-21 Python分析微信数据库

• 09-21 Python&PIP安装问题总结

• 09-15 机器学习基础系列——K近邻算法

• 09-01 机器学习基础系列——逻辑回归

• 08-26 Mac和Windows之间实现键鼠自由

• 08-24 MinIO 本地安装配置

• 08-23 Windows将命令封装为后台服务

• 08-15 机器学习基础系列——多项式回归与正则化

• 08-01 机器学习基础系列——线性回归

• 07-20 机器学习基础系列——损失函数与优化

• 07-10 机器学习基础系列——数学基础：微积分

• 07-06 ncdu

• 07-01 机器学习基础系列——数学基础：概率统计

• 06-20 机器学习基础系列——数学基础：线性代数

• 06-10 机器学习基础系列——核心概念

• 06-10 iSCSI target 系列1

• 06-08 Protect your VPS from being hijacked.

• 06-01 机器学习基础系列——学习资源

• 05-02 人工智能术语中英文对照表

• 05-02 川西之四姑娘山

• 05-02 川西之墨石公园

• 05-01 川西之甲居藏寨

2023

• 12-02 Python 数据科学系列——数据分析库

• 12-01 Python 数据科学系列——概述篇

• 11-03 Python 数据科学系列——探索性数据分析

• 11-02 Python 数据科学系列——数据清洗与预处理

2022

• 04-29 Test en

2021

• 12-22 H2O-ac theme for Jekyll

• 01-21 vscode配置远程ssh开发环境