- 博客(1320)
- 收藏
- 关注
RSS订阅原创 零基础转型AI产品经理：从月薪8K到30K+，我用这份实战指南实现薪资三连跳！
深夜的写字楼里，你刚整理完本周的产品数据，一条招聘信息闪过屏幕。AI产品经理，月薪30K-60K——这个数字让你的心跳漏了一拍。作为一名拥有三年经验的传统产品经理，你的薪资卡在15K已经一年有余。去年，公司新成立的AI项目组招人，你因“缺乏AI背景”被婉拒。今年，团队里懂大模型的应届生薪资已直逼你的两倍。焦虑，在每个加班的夜晚蔓延。但今天，是时候停止焦虑，开始行动。
2025-12-10 11:11:28
474
原创 AI应用开发工程师岗位解析与学习路线，助你快速入门大模型应用开发！2026年
AI应用开发工程师，也可以叫大模型应用开发工程师，主要负责将大模型的能力落地应用到实际产品和业务中。与AI算法岗不同，应用岗更偏向工程实现。AI应用开发岗不只是简单地调用大模型API，而是基于大模型构建一套可运行的系统。随着近年来大模型的火热发展，大模型应用开发岗逐渐成为了热门岗位。
2025-12-10 11:08:02
281
原创 2025年AI大模型开发技术栈深度解析：框架、训练、部署全攻略！
文章系统介绍了2025年AI大模型开发的四大技术支柱：基础开发框架、训练与微调、推理部署和AI编程工具。详细分析了PyTorch、TensorFlow等深度学习框架及AI Agent框架的发展现状，探讨了分布式训练和PEFT技术如何破解规模与成本困境，阐述了推理优化技术如何降低部署成本，并介绍了AI编程工具如何重构开发流程。文章强调，技术栈选型应基于需求匹配，掌握这套工业化工具链的协同逻辑是AI开发的核心竞争力。
2025-12-10 11:04:49
793
原创 MoE架构：如何让大模型在保持性能的同时大幅降低计算成本？
MoE（混合专家）架构是一种稀疏激活技术，使大模型能拥有万亿级参数，但推理时仅激活部分专家（如Top-2），大幅降低计算成本。通过门控网络为不同token选择最合适的专家，MoE实现了更强的多任务处理能力。尽管面临负载不均衡等挑战，MoE已成为构建高效大模型的重要路线，在保持模型性能的同时显著节省算力。
2025-12-10 11:02:05
637
原创 RAG技术：如何让大模型具备实时、精准的知识检索能力？
RAG（检索增强生成）是一种通过"先检索、后生成"提升大模型生成准确性的技术。它解决了大模型知识盲点、时间滞后和幻觉问题，通过从外部知识库检索相关信息，再与用户问题一起输入大语言模型，生成更加精准、上下文丰富的回答。RAG系统包括数据预处理、检索阶段和生成阶段，是连接大模型"生成能力"与"外部知识"的桥梁，让大模型成为真正的知识型智能体。
2025-12-10 10:58:59
576
原创 国家战略AI赛道起航！掌握三大核心，这份大模型学习路线图助你抢占2026年800万新岗位！
北京市海淀区，中国人工智能产业的核心区，近期发布了一份极具信号意义的报告。《海淀区重点产业（人工智能）领域急需紧缺岗位目录》 中赫然显示，人工智能领域整体平均年薪已达 48.14万元，其中顶级岗位年薪超百万。这不仅是市场需求的写照，更是国家发展 “新质生产力” 战略下的一个缩影。
2025-12-09 11:48:38
985
原创 大模型RAG从入门到实战：详尽教程与实用开源项目，打造你的RAG技术栈！
文章介绍大语言模型(LLM)面临幻觉、时效性和数据安全三大问题，提出检索增强生成(RAG)作为解决方案。RAG通过外部数据检索增强模型回答能力，既能减少幻觉，又能保证知识时效性和数据安全。文章详细展示了基于LangChain的RAG实践流程，包括数据加载、文档分割、向量化、检索和生成等步骤，并对比了RAG与微调技术的适用场景，为程序员提供了从初阶到高级的系统学习路径。
2025-12-09 11:46:15
398
原创 大模型Agent架构设计：上下文压缩全攻略，建议反复阅读收藏!
本文详细介绍Agent架构设计中的上下文压缩方案，针对大模型上下文窗口有限和长上下文导致注意力涣散问题，提出5种压缩方法：省略一致出入参、延迟展示长文、分段读取、就地压缩以及使用LLM+压缩口令进行有损压缩。强调实践中应优先无损压缩，再考虑有损压缩，确保Agent稳定可靠运行。
2025-12-09 11:28:41
391
原创 【实战指南】大模型RAG技术全解析：从理论到实践，掌握检索增强生成的精髓！
文章全面介绍了RAG（检索增强生成）技术，解释了为何需要RAG来解决LLM的幻觉、时效性和数据安全问题。详细阐述了RAG的技术架构，包括版面分析、知识库构建、大模型微调和基于RAG的知识问答四大模块，并对比了RAG与SFT的优缺点。文章还提供了各模块的具体实现方法和技巧，推荐了多个实用的RAG开源项目，为读者提供了从理论到实践的完整RAG学习路径。
2025-12-09 11:27:13
612
原创 大模型微调神器Unsloth框架详解：让普通GPU变身训练利器，效率提升5倍！
Unsloth是专为解决大模型微调与部署效率问题而设计的轻量级高效框架，通过内存优化、低精度训练和QLoRA等技术，让用户能在消费级GPU上完成原本需要昂贵算力的模型训练。文章详细介绍了其核心功能、分层架构设计、显著优势及实际应用示例，展示了在降低硬件门槛、提高训练速度方面的突出表现，是开发者值得关注的高效工具。
2025-12-09 11:21:20
592
原创 全景拆解：面对400万AI人才缺口，开发者如何将大模型从“热点”变为“专长”？
然而市场的狂热并未填满人才的缺口。一份行业分析指出，到2025年，中国AI人才需求预计达600万人，而缺口将超过400万。这不仅是量的缺口，更是质的短缺——行业前20%的顶尖AI人才在跳槽时薪资涨幅可达30%-50%，掌握着绝对的议价权。
2025-12-08 11:49:37
1070
原创 大模型开发面试通关秘籍：25家大厂真题解析，技术点全覆盖，收藏不亏！
本文分享了作者参加的大模型应用开发岗位面试经验，覆盖阿里、腾讯等25家大厂。面试内容主要围绕LLM基础、RAG、微调、Agent等技术点，八股文较少。作者强调掌握微调原理和动手实践的重要性，分享了面试技巧、offer谈判策略及常见面试题解析。建议做好技术准备、项目复盘和清晰表达，关注落地效果评估。
2025-12-08 11:44:15
567
原创 企业级AI落地新解：混合模型架构设计，助力金融风控与智能制造！
本文探讨面向企业级AI落地的混合模型架构设计，提出向量模型、知识图谱与关系型数据库的融合应用，形成"表征-关联-存储"的多模态数据处理闭环。该架构突破单一模型技术瓶颈，通过智能数据底座构建、混合检索增强和场景化应用开发，在金融风控、智能制造等领域显著提升数据处理精准度与效率，为企业AI落地提供关键支撑。
2025-12-08 11:43:40
829
原创 【干货】大模型多智能体框架实践：从零构建高效协作系统！
本文介绍了能源领域多智能体框架的实践经验，针对单智能体处理复杂任务时的"注意力发散"问题，设计了"规划-调度-执行-汇总"协作系统。详细阐述了规划器、调度执行器、智能体通信、执行智能体等核心组件的设计与实现，分享了减少大模型依赖、执行过程透明化等经验，并提出了工作流编排框架、DAG图调度等优化方向，为构建高效的多智能体系统提供了实用指导。
2025-12-08 11:41:50
891
原创 AI大模型“胡说八道”？给大模型装“外脑“：RAG技术详解与实战，提升AI应用能力！
文章讨论了大模型的局限性（幻觉、知识过时和通用化），介绍RAG技术作为解决方案。详细阐述了构建外部知识库的四个步骤：原始数据准备、数据清洗、数据向量和定期更新，以及如何将RAG集成到大模型中，使其在特定业务场景中表现更准确、更专业。
2025-12-08 11:39:49
585
原创 LangChain框架详解：构建大语言模型应用的终极指南！
LangChain是基于大语言模型的应用开发框架，提供工具和接口构建复杂任务。其核心组件包括模型、提示模板、数据检索、记忆、链和代理，支持多模型集成和任务串联。框架通过模块化设计封装模型I/O、数据检索等功能，简化LLM应用从开发到部署的全生命周期，使开发者能快速构建大语言模型应用。
2025-12-07 09:00:00
956
原创 RL框架怎么选？大模型强化学习框架深度解析：从同步到异步训练的进化之路！
本文调研了多个开源RL训练框架，针对VL多模态模型的多轮交互需求，对比分析了verl、slime、AReaL等框架的特点。文章详细探讨了异步RL训练的优势与挑战，包括GPU编排、数据流向、训推分离架构、模型权重传递等关键技术问题。作者最终选择了AReaL框架，并分享了关于RL算法、奖励设置等方面的思考，为开发者提供了实用的框架选型参考和实施建议。
2025-12-07 08:00:00
1645
原创 NLP算法岗面试揭秘：大模型竞争激烈，如何脱颖而出？
我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂同学、参加社招和校招面试的同学，针对大模型技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。
2025-12-06 12:55:48
1163
原创 上下文工程（Context Engineering）深度解析：一篇文章带你掌握AI智能体的核心秘密！
当Context Engineering（上下文工程）这一术语在技术社区引发热议时，许多开发者最初的反应与笔者一致——这究竟是Prompt Engineering的变体包装，还是对RAG（检索增强生成）的过度解读？事实上，正如Andrej Karpathy所言，其本质是“为LLM任务提供恰到好处的上下文信息”的系统化方法论。
2025-12-06 12:49:35
525
原创 LLM工具调用进化史：从Function Call到Agent Skills，一篇读懂大模型技能扩展全貌！
本文系统梳理了LLM工具调用的发展历程，从OpenAI的Function Call，到Agent自主决策，再到Anthropic的MCP协议统一标准，最后到最新的Agent Skills解决专业领域技能问题。Agent Skills作为模块化能力包，采用三层结构实现轻量化、可组合、可移植的专业技能注入，与MCP形成互补，共同推动LLM能力边界扩展。
2025-12-06 12:46:09
929
原创 2025年AI就业市场揭秘：百万年薪岗位涌现，传统职位面临挑战！
在当下这个“金三银四”的求职黄金季，人工智能领域的就业市场犹如一部现实版的“冰与火之歌”，正轰轰烈烈地上演着。一方面，算法工程师等相关岗位的“抢人大战”打得火热，年薪百万不再是天方夜谭；另一方面，传统岗位却遭受着被AI替代的冲击，一场悄无声息的“隐形失业潮”正悄然袭来。在这场由技术革命强势推动的职场大变局中，我们究竟该如何精准地抓住机遇、巧妙地规避风险呢？接下来，本文将为你深度剖析AI就业市场的最新趋势，并献上实用的实战攻略。
2025-12-05 15:19:25
1383
原创 2026！大模型应用全攻略：企业如何避免误区，实现精准选择与高效落地？
近年来，大模型的热度持续攀升，从ChatGPT到DeepSeek，从通用问答到行业场景，企业纷纷将AI转型提上日程。然而，许多企业在实际落地中陷入误区：要么盲目追求“参数越大越好”，要么迷信某款明星模型能“包治百病”。本文将从价值定位、选型方法、场景适配三大维度，为企业拆解大模型应用的底层逻辑。
2025-12-05 15:11:39
1045
原创 一文讲清最近很火的 MCP 是什么？为什么说程序员必学技能就是MCP？
摘要：MCP（Model Context Protocol）是由Anthropic推出的AI开放协议，旨在标准化大语言模型与外部数据、工具的连接方式。它采用客户端-服务器架构，支持访问本地文件、数据库及远程服务，实现AI能力的扩展。MCP类似于"万能适配器"，通过标准化接口让不同AI模型接入多元化资源，解决数据隔离问题。相比Function Calling和Agent，MCP更专注于建立通用协议层，使AI应用能安全、高效地获取外部数据。该协议支持多种编程语言开发，有望成为AI领域的重要基
2025-12-05 15:08:48
856
原创 OpenAI研究员揭秘：如何用AI以十倍速度学习大模型技术，从辍学生到Sora科学家！
OpenAI研究员Gabriel Petersson从瑞典高中辍学生成长为Sora团队科学家的故事，展现了AI时代全新的学习路径。他提出"递归式查漏补缺"学习法，利用ChatGPT进行自上而下的高效学习，打破传统教育模式。他强调大学不再垄断知识，AI可提供更优的学习路径；认为行动力比学历更重要，通过实际项目证明价值才是关键。即使没有光鲜学历，只要保持好奇心和执行力，任何人都能在AI时代脱颖而出。他的经历验证了"教育祛魅"的可能性，为新一代学习者提供了启发。
2025-12-05 15:07:12
642
原创 2026年LLM推理框架全解析：从vLLM到SGLang，小白到程序员的进阶指南！
本文系统解析了2025年主流LLM推理框架，包括高性能(vLLM, LMDeploy)、轻量化(Ollama, Llama.cpp)和灵活部署(XInference, OpenLLM)等类型，详细对比了各框架的性能、适用场景和部署特点。同时介绍了DeepSeek AI的Open Infra Index优化组件，并探讨了大模型智能体的架构、开发技术和平台。文章为不同需求的开发者提供了框架选型建议和从零基础到进阶的学习路线。
2025-12-05 15:05:27
840
原创 大模型招聘狂潮中，小白程序员如何从零逆袭？揭秘完整大模型入门路线图！
最近和几位资深程序员聊天，总忍不住替他们捏把汗 —— 放在五年前，手里攥着 Java、C++ 的扎实功底，再吃透 Spring Cloud 那套微服务架构，就算在行业里站稳了 “铁饭碗”，不仅跳槽时薪资能稳稳涨一截，岗位邀约更是接不停。可现在再看，单靠这些 “老本行”，别说主动谈涨薪了，就连原本匹配的岗位需求都在肉眼可见地减少，有些传统开发岗甚至出现 “断崖式下滑”，不少人打开招聘软件都忍不住叹气：“怎么突然就不香了？”
2025-12-04 16:15:03
679
原创 2026年薪翻倍秘籍：掌握这张大模型转型路线图，决定你未来五年的职业薪资！
当AI生成的代码在谷歌内部占比超过四分之一，当智能体（Agent）正在重塑工作流，每一个程序员都站在了职业生涯的十字路口。是成为那个被“兼并”的打字员，还是成为驾驭新生产力的“AI架构师”？这不仅关乎薪资，更关乎生存。
2025-12-04 16:01:19
1445
原创 揭秘PPO算法核心，Reward Model与Critic Model如何协同工作！
文章详解PPO算法中Reward Model与Critic Model的本质区别与协作关系。Reward Model提供即时奖励但存在局限，Critic Model预测长期价值解决信用分配与高方差问题。两者缺一不可，共同确保PPO算法高效稳定地训练策略，兼顾即时和长期效果。
2025-12-04 15:54:24
555
原创 【干货】LLM-RL训练崩溃元凶揭秘：训练-推理不匹配问题深度解析与解决方案！
本文深入探讨LLM-RL中的训练-推理不匹配问题，即训练框架注重数值稳定性而推理引擎追求高吞吐量导致的优化差异。这一问题引发KL值升高、模型指标异常波动甚至训练崩溃。文章系统介绍了多种解决方案：TIS截断重要性采样、IcePop梯度裁剪、序列级重要性采样、RSPO路由优化以及FP16精度切换等，为提升LLM-RL训练稳定性提供了实用指导。
2025-12-04 15:52:40
737
原创 一文搞懂AI Agent与大模型的区别，让大模型从“被动回应“到“主动解决问题“！
AI Agent是能让大模型"主动做事"的系统架构，核心区别在于它能自主规划、记忆并调用工具解决问题。文章详解了AI Agent的四大模块（大脑、记忆、规划、工具）和三种价值（复杂任务一键落地、跨工具协同、持续进化），提供了学习路径：选择成熟框架、从简单任务开始实践、关注核心技术细节。掌握AI Agent可让开发者实现从"写代码"到"自动完成项目"的跨越，抢占AI技术新风口。
2025-12-04 15:51:46
530
原创 【值得收藏】多智能体系统开发指南：从单Agent到MAS架构演进
本文系统梳理了Agent核心定义和Agentic System任务执行模式，分析了从单Agent到多智能体系统(MAS)的必然趋势。针对单Agent在复杂任务中的Token爆炸与幻觉问题，展示了多智能体系统在领域专家化、可扩展性和鲁棒性方面的优势。最后通过Java框架LangGraph4j代码实例，演示了Supervisor模式多智能体系统的构建方法，为Agent开发提供了实用指导。
2025-11-29 15:05:56
727
原创 【收藏学习】9大高级RAG技术详解：提升大模型应用性能的关键方法
文章详细介绍了9种提升RAG系统性能的高级技术，包括智能文本分块、重新排序、元数据利用、混合搜索、查询重写、自动裁剪、上下文蒸馏以及微调LLM和嵌入模型。这些技术能有效解决基本RAG系统面临的结果嘈杂、上下文不相关等问题，提高检索准确性和响应质量。文章还介绍了如何使用Meilisearch、LangChain等工具实现这些技术，并提供了评估方法，帮助开发者构建更智能、更高效的RAG应用。
2025-11-29 10:43:01
995
原创 为什么你的大模型总是“忘记“？【珍藏】GraphRAG上下文工程解决方案
文章探讨了大模型缺乏可靠上下文理解和记忆的缺陷，提出从"提示工程"转向"上下文工程"，重点介绍GraphRAG技术，通过知识图谱增强RAG能力，解决注意力迷失和记忆问题。GraphRAG能提升AI的相关性、可解释性和动态演进能力，为AI Agent提供理想记忆框架，是构建可靠AI系统的关键技术。
2025-11-29 10:20:59
662
原创 【收藏必备】2025年程序员破局指南：从AI小白到高薪应用开发工程师的全栈成长路径
近几年程序员市场越来越卷，传统开发已经过饱和了，不少人职业发展停滞，所以利用 AI 的这波风口破局是难得的好机会。2025年，AI 技术的风口时期，作为传统开发的你是不是也感觉：
2025-11-28 15:42:51
865
原创 值得收藏：大模型思维模式深度解析：COT/TOT/GOT/AOT，让AI推理更精准
文章介绍大模型四种高级思维模式：COT链式线性思维适合顺序任务；TOT树状探索通过多路径评估选择最优解；GOT图状关联实现并行处理和灵活合并；AOT算法模仿DFS/BFS进行系统性搜索。这些模式克服了传统"刚性分类"的局限性，充分利用大模型推理能力，使提示词设计更结构化高效，提升AI应用效果。
2025-11-28 15:16:08
962
原创 别让 AI “滥用” 资源！一文读懂 Agent 资源感知优化：分类路由、模型切换与成本控制全解析
资源感知优化对于智能 Agent 的开发至关重要，使其能够在现实世界约束内高效运行。通过管理计算、时间和资源预算，Agent 可以实现最佳性能和成本效益。动态模型切换、自适应工具使用和上下文修剪等技术对于实现这些效率至关重要。高级策略，包括学习型资源分配策略和优雅降级，增强了 Agent 在不同条件下的适应性和弹性。将这些优化原则集成到 Agent 设计中对于构建可扩展、强大和可持续的 AI 系统至关重要。
2025-11-28 14:53:36
756
原创 学习必备 | 大模型Transformer新视角：TouchFormer多模态材料感知框架原理与实现
TouchFormer是一种基于Transformer的鲁棒多模态融合框架，通过模态自适应门控机制动态过滤噪声，利用双重注意力机制解决时间未对齐问题，并引入跨实例嵌入正则化提升细粒度分类能力。实验表明，该框架在SSMC和USMC任务上分别提升2.48%和6.83%的准确率，即使在模态缺失和高噪声环境下仍保持鲁棒性，为应急响应、工业自动化等安全关键场景提供技术支撑。
2025-11-28 14:26:42
963
原创 收藏！揭开大模型Agent开发的“简单“假象：框架、复杂性与工程化实践
本文揭示了AI Agent开发看似简单实则复杂的真相，指出框架仅转移而非消除复杂性。Agent系统面临可运行、可复现、可进化的三层挑战，需从"能跑"走向"能用"。文章详细分析了Agent开发的四个阶段及认知演化，强调需采用系统工程思维，通过可观测性、版本控制、状态管理等手段实现Agent的稳定性与可靠性。真正的Agent智能化之路需要先稳定后聪明，在复杂性与实用性间找到平衡。
2025-11-28 14:11:23
735
原创 程序员必看：大模型幻觉问题全面解析与缓解策略(RAG、推理与智能体)【建议收藏】
文章系统综述了缓解大模型幻觉的应用导向方法，提出将幻觉分为知识型和逻辑型，并分别采用RAG和推理增强技术解决。RAG通过引入外部知识缓解知识型幻觉，其流程包括查询重写、检索器选择、检索粒度控制、重排序和文档预处理等关键技术。文章以能力增强为导向，建立了连接方法、系统与应用的统一框架，为开发更可靠的大模型提供指导。
2025-11-28 13:52:01
956
原创 【收藏必备】多模态大模型(LMMs)入门到精通：解锁AI处理文本、图像、视频的全能力
多模态大模型(LMMs)是能同时处理文本、图像、音频等多种数据类型的AI模型，突破了传统LLMs仅限文本的局限。LMMs通过统一的编码空间和跨模态对齐技术实现多模态融合，Transformer是其主流架构。GPT-4o和Qwen-VL是典型代表，它们能接收和处理多种模态输入并生成相应输出。多模态大模型更贴近人类认知世界的方式，在医疗等领域有广泛应用前景。
2025-11-28 11:29:56
894
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人