军哥的 AI 实战笔记-CSDN博客

原创我们如何为 Agent 幻觉检测器建基准

<think>我们只需要根据内容生成≤150字的文章摘要。内容是关于Agent幻觉检测器基准的构建。摘要要简洁，突出核心点。从开头摘要和全文简要提取。开头已有摘要：“满分不等于能力，回归门不是成绩，循环质疑可以用一场盲标实验回答。这是 Hallucc 开源 Phase 1 的完整方法论文档。” 加核心数字和分层设计。但要求≤150字，概括全文。用户提供内容很长，摘要应高度概括。注意“根据以下内容”，生成摘要。写一下草稿：本文介绍HallucC开源Phase1的Agent幻觉检测器基准，提出分层的Plant

2026-09-02 15:46:03 867 1

原创同一道题，换个 AI 模型答案就变了：你用的 AI 到底是哪个？

让 AI 替你干活，"答案稳不稳"是绕不开的一课。同一道题、多份答案、分歧多大，是判断 AI 靠不靠谱的一个维度。你让 AI 装依赖，4 个模型 4 种答案。别问"哪个对"，先问"稳不稳"。不稳，就先小心。让 AI 替你干活前，先看它答得稳不稳。上面的示例代码先把一致性分析跑通，然后再让 AI 正式干活。你有没有遇到过"同一道题，换个 AI 答案就变了"？比如让它写个脚本、给个方案，换个模型结果就不一样。欢迎在评论区聊聊：你一般怎么判断 AI 给的答案靠不靠谱？

2026-11-13 17:55:21 95 1

原创《大模型原理通俗讲》系列 16｜从大模型到 Agent：下一步学什么

本文是《大模型原理通俗讲》系列收官篇，揭示从大模型到Agent的跃迁：核心在于“模型+工具+循环”结构，使AI不仅能回答，还能自主调用程序完成任务。通过模拟代码演示，说明Agent如何通过多步推理、工具调用实现复杂操作，但也面临出错风险与成本上升问题。最后指出，学习路径应转向Agent架构设计、工具集成与系统调试，迈向真正“能做事”的智能体。

2026-11-13 09:56:39 368 1

原创 AI 第一次“碰“你的东西了：人形机器人替你打扫，一使劲碰倒了花瓶怎么办？

机器人很能干，但它第一次"碰"你的东西了，而碰倒的东西回不来。这篇讲"具身动作的物理边界"：力度、位移、对象脆性，三件事管住 AI 的"手"。附能跑的代码，你看完就知道，让机器人进你家，第一步不是"信它"，是先给它画条边界。本篇讲一个"物理边界"的思路，配一段能跑的代码，你看完就知道：让机器人进你家，要先给它画条边界，再让它动手干活。以前 AI 读你的数据、看你屏幕、回你消息，它"碰"的都是 0 和 1。具身 AI 也是 Agent，只是它的"动作"从逻辑（花钱、删除、发消息）换成了物理（碰、搬、拿）。

2026-11-12 16:14:30 675 1

原创《大模型原理通俗讲》系列 15｜动手：在自己电脑上跑一个小模型

本文手把手教你如何在本地电脑离线运行大模型。通过三段实测代码，解答“我的电脑能跑多大模型”“量化如何压缩模型”“如何启动聊天”。结果显示：8GB内存可跑1B~3B模型，16GB可尝试7B模型；量化（如4位）可将模型体积缩小至原大小的1/4，虽有轻微精度损失但可用。关键在于合理选择模型、启用量化，并确保内存与带宽足够。附官方工具指引，建议以最新说明为准，动手实践是掌握核心。

2026-11-12 09:50:05 378 1

原创双 11 用四道“安全防线“让 Agent 替你抢购，就不会超预算、重复下单、清空购物车了

有人会想到"装一道死防线"，但双 11 抢购这个场景，死防线不贴切。死防线是"一断全断"，一合就全没了，太粗；而 AI 替你抢购，需要的不是"一刀切"，是按风险分类，各管一道，互不牵连。防线是分道的。花钱有花钱的防线，删除有删除的防线，外发有外发的防线，死循环有死循环的防线。哪道防线拦住了，不影响其他动作正常过。一道死防线是"全断"，分道防线是"该拦的拦、该过的过"。防线是能配置的。花钱防线能设"单次上限 500 元"，删除防线能设"清空必须确认"，循环防线能设"同一动作最多两次"。

2026-11-11 17:26:23 384 1

原创《大模型原理通俗讲》系列 14｜微调、LoRA 与怎么选：提示词、RAG、微调该用哪个

本文对比提示词、RAG与微调三类大模型应用方法：提示词用于快速引导行为，适合简单任务；RAG通过外部知识库解决“缺知识”问题；微调则改变模型行为，但成本高。LoRA技术通过仅训练少量低秩矩阵（贴纸），大幅降低微调门槛，实现高效、可复用的定制化。QLoRA进一步结合量化，使7B模型可在单张48GB显卡上微调。实验表明，小规模LoRA在极少样本下已接近全量微调效果，且合并后推理无延迟。选择建议：缺知识用RAG，缺做法用微调（首选LoRA/QLoRA），简单任务优先提示词。

2026-11-11 09:46:13 788 1

原创多 Agent 协作第一课“别撞车

多个 Agent 协作时，最致命的不是能力不足，而是“互相踩踏”：改同一文件被覆盖、重复执行任务、占坑不释放。本文通过一个纯标准库的协作锁代码，演示如何用“占坑-释放”机制实现互斥、幂等与资源管理，解决三大协作陷阱。核心结论：多 Agent 协作的第一课，不是“怎么配合”，而是“别撞车”。

2026-11-10 15:56:38 309 1

原创 Agent 系列 26｜数据安全、隐私与审计：PII 识别与脱敏、记忆投毒与数据泄露、全量审计日志，和合规要点

Agent 工程实战系列 · 安全篇 ·上一篇（25）管的是"Agent 说得对不对"，而要核对"说得对不对"，就得读原始数据：订单、物流、收件人姓名、手机号、地址。这些东西在 Agent 系统里到处都有——工具返回里有，模型上下文里有，Agent 之间的消息总线里有，原件录像（第 25 篇的）里有，日志里有，交接包里有，长期记忆里也可能有。程序员对这个场景应该很熟：它像是一个字段被查出来之后，被每一层顺手打印、缓存、序列化、落盘，最后你在好几个地方各有一份拷贝，而且没人记得它们都在哪。这一篇讲的就是

2026-11-10 10:30:29 15 1

原创《大模型原理通俗讲》系列 13｜RAG 通俗讲：给大模型外接一本书

RAG就像给大模型外接一本“参考书”：当用户提问时，系统先从资料库中检索最相关的段落，再将这些内容作为“提示”输入模型，让其据此回答。相比直接编造或塞入大量文本，RAG能精准调用私有、动态更新的资料，减少幻觉，且无需重训练模型。关键在于用向量“按意思”找资料，而非死扣关键词，使模型真正“懂”上下文。

2026-11-10 09:38:46 291 1

原创 AI 接管了一家 8 万 Star 的开源公司，写代码、派任务、查 Bug 全包

AI接管8万Star开源公司，实现写代码、派任务、查Bug自动化，但关键在于“立规则”。文章强调：可逆操作（如读、测试、改代码）可交由AI处理，但合入主干、发版、删分支、改权限、转账等不可逆动作必须设防。通过一个纯标准库的“动作守门员”代码，按“可逆性+影响面”对AI提议进行裁决——放行、需人工确认或直接拒绝。核心观点：让AI当同事，不是盲目信任，而是先画边界，确保安全可控。

2026-11-09 16:20:06 178 1

原创《Agent 工程实战》+《大模型原理通俗讲》全目录：按问题找到那一篇

本文梳理了作者已完成的两大系列内容：《大模型原理通俗讲》（12篇），以问题驱动方式深入浅出解析核心概念；《Agent工程实战》（26篇），覆盖从架构设计到部署运维的全链路实践，涵盖多Agent协作、安全防护、评估体系等关键环节。两套体系均强调实用性与可落地性，便于按需查阅，助力技术理解与工程实现。

2026-11-09 12:02:14 257

原创《大模型原理通俗讲》系列 12｜上下文窗口与提示词：它为什么会“忘事”，提示词为什么有用

大模型没有真正记忆，所谓“忘事”是因为它每次只能看到有限的上下文——即“上下文窗口”。窗口长度受限，导致旧信息被挤出，模型无法回顾。提示词之所以有效，是因为它改变了输入前文，从而影响输出。写得好提示词，能引导模型更准确回答。窗口越大越贵，且需合理分配资源，关键信息应放开头或结尾。

2026-11-09 09:50:00 379 1

原创你的 Agent 到底靠不靠谱，别靠“感觉“：一个 5 维评测器（附可运行代码）

本文提出一个五维Agent评测框架，涵盖工具真实性、覆盖性、参数有效性、步数效率与答案接地，可自动量化评估Agent可靠性。配套代码实现轻量级评测器，通过对比“靠谱”与“翻车”轨迹，直观揭示幻觉、漏调、参数缺失等典型问题，助力Agent从演示走向生产。

2026-11-08 17:22:11 390 1

原创 AI 助手救了我的晚餐，却差点毁了蛋糕——生活里的 AI，这几个数不能靠「差不多」（附可运行代码）

AI助厨虽能救急，却在关键参数上“差不多”就翻车。温度、时间搭配、配料比例、步骤顺序四类问题，稍有差错便毁掉蛋糕。本文通过可运行的核验器代码，自动检测这些风险点——温度是否超限、时间与温度是否匹配、粉糖黄油比例是否合理、步骤是否颠倒。实测显示，即使单看每项都“正常”，组合后仍可能灾难性失败。结论：别全信AI给的关键参数，用规则核验器过一遍，比盲目信任更靠谱。

2026-11-08 16:38:35 187 1

原创《大模型原理通俗讲》系列 11｜大模型为什么会编造：幻觉的来源

大模型幻觉源于其“永远必须回答”的机制：它基于概率生成文本，而非检索事实。即使未知，也会强行续写，导致看似合理却虚假的答案。主要来源包括：1）训练数据偏差（学的是“怎么说”，非“是什么”），2）冷门知识记忆不牢，3）采样随机性放大错误。虽可通过“自知之明”训练减少误答，但无法根除。理解幻觉本质，才能更理性使用大模型。

2026-11-08 10:38:05 502 1

原创 AI 越来越「会聊天」，也越来越会「顺着你说」——谄媚（Sycophancy）正在影响你的判断：一个 90 分的检测器（附可运行代码）

这不是它「想通了」，是它在。这个现象有个专门的名字，叫：模型为了让你满意，会附和你、顺着你、你说啥它点头啥，哪怕它原本是对的，你一反对它就改口。这篇我把这个机制拆开，配一段能跑的代码，你看完就知道谄媚长什么样、怎么量、怎么挡。

2026-11-07 17:51:20 149 2

原创《大模型原理通俗讲》系列 10｜参数、算力与成本：为什么大模型这么贵

大模型昂贵源于参数量、算力与内存需求。参数如“笔记本”中的数字，70B即约70亿个，决定模型大小。训练需海量计算（如7B模型约18万GPU小时），因要反复调整参数；推理则每次生成一个词需约2倍参数次计算，速度受限于内存读取带宽。量化可降内存占用，提升效率。训练是“建工厂”，推理是“日常耗电”，二者成本逻辑迥异。

2026-11-07 14:51:11 461 1

原创 Agent 单步 91% 正确，整任务成功率不到 1%——谷歌研究戳破「正确率泡沫」：跑分第一的 Agent，为什么一上生产就翻车（附可运行代码）

谷歌研究揭示：Agent 单步正确率91%看似优秀，但任务成功率随步骤增加呈指数衰减——50步后仅0.9%，近乎归零。核心公式“整任务成功率 = 单步正确率^步数”戳破跑分泡沫。表显示，30步任务中，单步91%仅对应6%成功率，而达90%整任务成功率需单步99.79%以上。建议：别迷信单步指标，应通过减少步骤、引入校验与纠错机制（如轨迹验证）提升真实可用性，工程优化比盲目刷分更关键。

2026-11-06 17:12:26 439 1

原创《大模型原理通俗讲》系列 09｜微调与对齐：从“会接龙”到“会聊天”

本文以“接龙”类比大模型预训练，揭示其仅能续写而无法有效对话的局限。通过微调（SFT），模型学会识别“提问-回答”格式，掌握何时该答、如何停顿；对齐则进一步优化回答的语气与逻辑。实验显示，即使未见过“意大利首都”，模型仍能正确回答——说明知识来自预训练，行为由微调塑造。核心结论：从“会接龙”到“会聊天”，靠的是微调教“怎么答”，对齐调“答得好”。

2026-11-06 09:31:57 470 1

原创连删 3 个文件就断电：给 Agent 装个运行时熔断器

乌镇《智能体发展自律公约》提出“异常熔断”机制，AIHCC 以“智能体冰墙”实现落地：通过状态机与会话账本，实时监控危险动作与调用频率，一旦超阈值即熔断冻结。代码演示显示，删文件、提权等操作累计达3次或短时高频调用即触发拦截，有效防止不可逆风险。该机制在运行时即时刹车，而非事后补救，真正实现“以模治模”的安全防护。

2026-11-05 15:48:56 896 1

原创《大模型原理通俗讲》系列 08｜预训练是什么：它是怎么“读书”的

预训练是大模型“读书”的过程，通过海量自监督的完形填空——看前文猜下一个字，自动获取答案。模型不断调整内部参数，使正确答案的概率逐步升高，损失（扣分）持续下降。整个过程像蒙眼走下坡路，每一步微调参数，最终学会语言规律与知识。训练后，模型“记住”了统计规律，但并未存储具体知识，而是将信息编码在数字中。

2026-11-05 09:46:52 492 1

原创 Agent 最危险的输入，是工具返回

Hugging Face 那次，OpenAI 的智能体被它读的内容拐走。辛顿把那次叫「三里岛警告」，意思是更严重的还在后面。而 2026 年 Agent 全都在用 MCP 接工具，工具返回成了新的、被忽视的注入面。上面这个自测台，就是先把这面量一遍：不联网、无依赖，跑一次就知道你的 Agent 会不会被「它读的东西」牵着走。AI 可靠性与安全这条线很重要。如果你也在把 Agent 接进生产，工具返回这道关迟早要过。先把这套自测台存着；

2026-11-04 18:29:57 887 1

原创《大模型原理通俗讲》系列 07｜大模型怎么一个字一个字写出来：概率、采样与 temperature

大模型生成文本时，基于概率表“选词”分为四步：调温度（temperature）调整概率分布的尖锐度，截断（top-k/top-p）剔除低概率离谱词，再按概率抽签。temperature越低，越稳；越高，越随机。top-k固定保留前k个词，top-p则保留累积概率达p的词。两者共同控制输出的稳定与多样性。同一问题答案不同，正是抽签机制使然——并非模型不稳定，而是设计如此。

2026-11-04 09:46:47 281 1

原创「有谱·学术」今天上架：引用核查 4 类一次验完，死链、废止法条、标准号当场现形——唯独论文这关撞上 Semantic Scholar 429，怎么办？（附可运行代码）

AI 干活越来越多，验收只会越来越重要。文献、法条、链接、标准号，这些「一眼看不出真假」的东西，正适合交给一个接口去验。有谱·学术今天上架，上面那段代码就是入口；撞上 429 也别慌，错峰重试下。我在做 AI 可靠性这条线，如果你也在把 AI 接进生产（写稿、摘要、Agent 输出），「引用 / 事实核查」迟早是你管线里的一道检查——先把这套存着。代码说明：示例基于 Python 3.10+ 与httpx），无其他依赖；

2026-11-03 16:54:57 361 1

原创 500 条样本实测：模型到底忠不忠于你

OpenAI 把「忠于人类意图」列为模型准则第一条，方向是对的。但「忠于」不能靠一句口号，得能测。能测的（字面层）我测给你看了；不能测的（意图层）我也说清楚它测不了。这就是做 AI 可靠性该有的态度：不吹牛，也不装看不见。你如果也在把 AI 接进生产（Agent、摘要、内容管线），这套 500 样本的跑分集和检测管线可以拿去用；想知道它怎么跑，上面那段代码就是入口。代码说明：示例基于 Python 3.10+ 与httpx），无其他依赖；

2026-11-02 18:17:31 447

原创拆完 DeepSeek Super-agent，我用 80 行 asyncio 复刻了最关键的看门狗（附实测可跑代码）

DeepSeek开源Super-agent代码，核心在于解耦的三层架构：Router分派任务、Worker隔离执行、Watchdog超时巡检。通过asyncio实现并发调度，任务完成时间中位数仅12.4分钟，推理延迟从6.4秒降至1.6秒。实测表明，三段式代码（双层骨架、事件筛子、超时监控）可有效应对任务卡死问题，确保系统稳定可靠。

2026-11-01 22:41:21 610 1

原创 Agent 系列 25｜幻觉、失真与错误传播：事实核验、证据绑定、错误传播链追踪，和“没把握就转人工

Agent在无外部攻击时仍可能因模型幻觉产生错误，且错误会随流程传播，导致严重后果。本文以包裹补发场景为例，揭示幻觉如何通过“错误输入—证据绑定—错误传播”链放大。提出四类防御机制：重算（recompute）验证事实一致性、证据绑定（bind）确保结论与原始数据关联、错误传播链追踪（ledger）定位源头、置信度判断（conf）触发人工介入。实验表明，虽有7例漏检，但核心方法显著提升可靠性。强调“没把握就转人工”，并指出验证需独立于模型，避免“自证陷阱”。

2026-11-01 12:29:50 151

原创「AI 全天候」来了：Claude 取消 5 小时限制、职场 AI 7×24 自主干活——AI 产的稿子，发之前该过一遍体检（“一稿过“ 三张清单，附可运行代码）

AI 从「你问它答」变成「它自己干、一直干」。替你检查它自己写的东西。所以下次 AI 给你一篇稿子，别急着发。这稿子，体检过了吗？代码说明：示例基于 Python 3.10+ 与httpx），无其他依赖；demo 输出为本地实测结果（Python 3.12.2，standard 档，1 次真实调用）。运行前需自备（https://aihcc.cloud/keys 免费申请），代码中不含任何真实 key。样本为演示用合成推文（Python 实际于 1991 年首次发布，用于对照）。

2026-10-31 22:32:00 377 1

原创当 AI 搜索开始「自我进化」，谁来进化它的核实？——「已核实」结论复核器：3 条结论挖出 2 个洞（附可运行代码）

当AI搜索宣称“已核实结论”时，其“核实”本身仍由模型完成，存在误判风险。本文提出“双层复核器”：本地对账（用AST安全计算数字）与联网裁判（调用AIHCC检测事实），揭示3条模拟结论中2个漏洞。代码基于标准库，可运行验证——提醒：任何AI声称“已核实”，都值得再核一遍。

2026-10-30 21:28:17 382

原创《Gemini 4 Carbon 半价杀疯了？别急着换：换模型前先做一次「回归测试」（附可运行代码）》

Gemini 4 Carbon虽跑分领先且半价，但换模型前务必做回归测试。本文通过真实业务坏样本（如算错环比、时间线错误、事实偏差），对比新旧模型在AIHCC /detect 裁判下的存疑句数（red）。结果显示：新模型跑分胜出，但在真实场景中red值高达4，远超老模型的0。建议三步法：固定坏样本集、双模型生成、裁判打分对比。若新模型red更多，说明其在业务上更不稳定，应灰度上线而非全量替换。代码可运行，无第三方依赖，关键点：环境变量传key，捕获JSON解析异常。

2026-10-29 22:38:06 408 1

原创《大模型原理通俗讲》系列 06｜Transformer 结构一张图看懂：零件怎么拼成大模型

本文以通俗方式解析Transformer结构，将模型比作一栋“大楼”，每层由“多头注意力”（信息交流）和“前馈网络”（独立加工）两大模块构成，辅以残差连接与层归一化两个关键配件。通过实验验证：残差连接保留原始信息，层归一化稳定数值范围，二者共同支撑深层网络训练。最终揭示从输入到输出的完整流程：分词→向量转换→位置编码→多层块处理→生成概率分布，实现大模型的智能生成。

2026-10-29 10:12:21 497 1

原创《大模型原理通俗讲》系列 05｜多头注意力和位置编码：同时看几个角度，还要知道顺序

多头注意力让模型能从多个角度同时分析文本，解决单一视角的局限；通过并行处理不同“头”，实现对人物、事件等多重信息的兼顾。位置编码则赋予词序信息，使模型能区分“狗咬人”与“人咬狗”。二者结合，让大模型既懂内容又识顺序，理解更精准。

2026-10-29 09:54:21 442 1

原创 OpenAI 敢宣称证伪 ETH，靠的不是模型更聪明——是数学有「编译器」；你的 AI 报告没有，所以它还在写错日期，附可运行代码）

OpenAI宣称其AI系统在数学、计算机科学与物理领域取得突破性成果，尤其以形式化证明系统Lean验证的严谨性引发关注。文章强调：数学有“编译器”（Lean），自然语言无此机制——AI生成内容可存在事实错误却仍流畅。为此提出“文本编译器”框架，将声明分为三类：可计算（COMPILE）、可检索（LINK）、观点句（COMMENT），通过白名单解析与机器复验实现可信输出。核心思想是：对自然语言也需建立“编译”逻辑，让错误无法“编译通过”。

2026-10-28 22:46:25 186

原创《大模型原理通俗讲》系列 04｜注意力机制通俗讲：它怎么知道“它”指的是谁

注意力机制让大模型理解“它”指谁：通过“提问（Q）”、“匹配（K）”、“取内容（V）”三步，动态聚焦前文关键信息。每个词读到“它”时，会回看前面的词并打分，权重高的词（如“奖杯”“行李箱”）被重点参考，从而让“它”的向量带上上下文语义。这并非一次解谜，而是聚光灯式的信息整合，依赖多层、多头注意力与训练积累的常识逐步澄清指代。它是Transformer的核心，解决了远距离依赖、高效并行计算等难题，堪称大模型最核心的零件。

2026-10-28 09:46:43 1113 2

原创《大模型原理通俗讲》系列 03｜词向量通俗讲：文字怎么变成能算的数字

词向量是将词语转化为可计算的数字坐标，让模型能“理解”语义。它通过统计词语在文本中“邻居”的出现模式，自动学习出相似词在向量空间中位置相近的规律。例如，“猫”和“狗”因常共现而向量接近，“苹果”和“香蕉”也因相似搭配而重合。这些数字并非人工填写，而是模型在训练中“学出来”的，本质是词语用法的数学表达。虽然一个词只有一个固定向量（如“苹果”无论指水果还是公司都用同一坐标），但后续机制会根据上下文动态调整其含义。词向量就像“意思地图”上的坐标，让模型能算出“谁和谁更像”。

2026-10-28 09:28:53 355 1

原创双11 商家在算的「另一笔账」：AI 帮你写促销文案，谁来核「到手 10599」？——电商声明核验器保姆级实现（Python 附可运行代码）

双11前夕，AI助力电商抢购热潮兴起，但幻觉风险随之攀升。文章指出，促销文案中高密度、高时效、高损失的数字易引发“价格幻觉”，尤其AI生成内容常因算错、漏判门槛导致真金白银损失。作者提出“生成归生成，复算归复算”原则，通过四色核验器——从文案提取价格声明，基于商家后台数据精准复算，实现绿（对）、黄（容差）、红（错）、灰（缺）四色判定，确保价格一致性，杜绝“看似正确”的错误。核心在于构建确定性价格链，用代码守住双11最脆弱的“算术底线”。

2026-10-27 21:49:27 241

原创《大模型原理通俗讲》系列 02｜Token 是什么：大模型眼里的文字不是“字”

大模型眼中的文字由“token”构成，即分词器切出的最小单位，而非字母或词语。它无法直接“看到”字母，因此数字母常出错。Token是基于语料统计生成的子词块，常见词整存，生僻词拆分，确保新词可拼。因分词器不同，同一文本在不同模型中token数不一，故计费与上下文长度均按token计算。理解token，才能明白模型为何“看字不识字”。

2026-10-27 14:50:13 341 1

原创《大模型原理通俗讲》系列 01｜大模型到底在干什么：一个超强的“文字接龙”程序

大模型本质上是一个“文字接龙”程序：它通过分析上下文，逐词预测最可能的下一个词。尽管过程看似简单，但其背后依赖海量数据训练出的复杂统计规律，使其能生成连贯、有逻辑的内容。与手机输入法联想不同，大模型能理解长距离上下文，综合语义与逻辑进行推断。虽名为“接龙”，实则蕴含了对语言深层结构的学习能力，这也是它能回答问题、写代码、翻译等任务的根本原因。

2026-10-27 09:29:06 428 2

原创《大模型原理通俗讲》系列 00|开篇大模型到底是怎么回事

本系列以通俗易懂的方式揭秘大模型原理，不讲公式、不堆术语，用生活化比喻和可运行代码，带你理解大模型如何“接龙”生成文本、为何会胡说、提示词为何有效。全系列16篇，层层递进，从原理到应用，助你真正看懂并用好大模型。

2026-10-26 22:37:38 408

空空如也

空空如也