<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[forest_09的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/forest_09</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; forest_09]]></copyright><item><title><![CDATA[《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）》]]></title><link>https://blog.csdn.net/forest_09/article/details/169465880</link><guid>https://blog.csdn.net/forest_09/article/details/169465880</guid><author>forest_09</author><pubDate>Thu, 29 Oct 2026 22:38:06 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[《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]]></title><link>https://blog.csdn.net/forest_09/article/details/169440143</link><guid>https://blog.csdn.net/forest_09/article/details/169440143</guid><author>forest_09</author><pubDate>Thu, 29 Oct 2026 10:12:21 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[《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]]></title><link>https://blog.csdn.net/forest_09/article/details/169438448</link><guid>https://blog.csdn.net/forest_09/article/details/169438448</guid><author>forest_09</author><pubDate>Thu, 29 Oct 2026 09:54:21 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.csdn.net/forest_09/article/details/169367669</link><guid>https://blog.csdn.net/forest_09/article/details/169367669</guid><author>forest_09</author><pubDate>Wed, 28 Oct 2026 22:46:25 +0800</pubDate><description><![CDATA[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”。]]></description><category></category></item><item><title><![CDATA[《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]]></title><link>https://blog.csdn.net/forest_09/article/details/169339424</link><guid>https://blog.csdn.net/forest_09/article/details/169339424</guid><author>forest_09</author><pubDate>Wed, 28 Oct 2026 09:46:43 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[《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]]></title><link>https://blog.csdn.net/forest_09/article/details/169338023</link><guid>https://blog.csdn.net/forest_09/article/details/169338023</guid><author>forest_09</author><pubDate>Wed, 28 Oct 2026 09:28:53 +0800</pubDate><description><![CDATA[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”。]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.csdn.net/forest_09/article/details/169268141</link><guid>https://blog.csdn.net/forest_09/article/details/169268141</guid><author>forest_09</author><pubDate>Tue, 27 Oct 2026 21:49:27 +0800</pubDate><description><![CDATA[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”。]]></description><category></category></item><item><title><![CDATA[《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”]]></title><link>https://blog.csdn.net/forest_09/article/details/169260350</link><guid>https://blog.csdn.net/forest_09/article/details/169260350</guid><author>forest_09</author><pubDate>Tue, 27 Oct 2026 14:50:13 +0800</pubDate><description><![CDATA[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”。]]></description><category></category></item><item><title><![CDATA[《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]]></title><link>https://blog.csdn.net/forest_09/article/details/169238742</link><guid>https://blog.csdn.net/forest_09/article/details/169238742</guid><author>forest_09</author><pubDate>Tue, 27 Oct 2026 09:29:06 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[《大模型原理通俗讲》系列 00|开篇 大模型到底是怎么回事]]></title><link>https://blog.csdn.net/forest_09/article/details/169170599</link><guid>https://blog.csdn.net/forest_09/article/details/169170599</guid><author>forest_09</author><pubDate>Mon, 26 Oct 2026 22:37:38 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[ChatGPT 攻克 26 年数学猜想，但你周报里的「环比增长 801%」它照样算错——数字型幻觉核验器保姆级实现（Python 附可运行代码）]]></title><link>https://blog.csdn.net/forest_09/article/details/169170531</link><guid>https://blog.csdn.net/forest_09/article/details/169170531</guid><author>forest_09</author><pubDate>Mon, 26 Oct 2026 22:29:53 +0800</pubDate><description><![CDATA[AI在数学与数据报告中频现“数字型幻觉”，如误算环比增长率、倍数、日均值等，误导决策。本文提出核心解法：大模型生成内容，Python负责确定性复算。通过四类声明提取（环比、倍数、日均、日期）与四色判定（绿/黄/红/灰），结合容差机制与真值核验，实现精准纠错。关键在于：数字问题必须用代码而非另一轮AI验证，避免循环错误。]]></description><category></category></item><item><title><![CDATA[Agent 系列24｜权限、身份与工具安全：最小权限、凭证、沙箱、第三方工具，和“哪些事必须有人点头“]]></title><link>https://blog.csdn.net/forest_09/article/details/169148033</link><guid>https://blog.csdn.net/forest_09/article/details/169148033</guid><author>forest_09</author><pubDate>Mon, 26 Oct 2026 11:13:36 +0800</pubDate><description><![CDATA[本文聚焦Agent安全中的权限与身份控制，提出“最小权限、凭证隔离、沙箱限制、第三方工具可信验证、高危操作人工审批”五大核心机制。通过实测38个攻击场景，验证在引入统一授权检查后，所有攻击均被拦截。强调“防后果”优于“防欺骗”，以数据驱动的权限矩阵、短时效令牌、进程级沙箱、工具清单校验等手段，实现对误用和越权的强约束，为Agent系统提供可落地的安全基线。]]></description><category></category></item><item><title><![CDATA[Kimi K3.1 Pro 额度 10 分钟烧光后我想通了：Agent 可以有降级，但不能有「静默降级」（Python 保姆级，附可运行代码）]]></title><link>https://blog.csdn.net/forest_09/article/details/169069120</link><guid>https://blog.csdn.net/forest_09/article/details/169069120</guid><author>forest_09</author><pubDate>Sun, 25 Oct 2026 21:13:29 +0800</pubDate><description><![CDATA[额度不够的时候，工程上有两条路。一条是砍需求——少跑几次，少生成一些。这条路的代价是明确可见的：你砍多少，就少多少。另一条是静默降级——该核验的不核验，该告诉你的不告诉你。这条路的代价是隐形的，而且往往在最不该出错的那天集中爆发：晨报发到群里没人知道它没核验，巡检报了「一切正常」而实际上根本没查。降级要有，但要降级得明明白白。账本关闸、状态显式、理由必填、未核验转人工、水位线提前喊——这五件事加起来不到 100 行代码，换来的是：额度烧光的那天，你依然知道自己在跑一个什么样的系统。]]></description><category></category></item><item><title><![CDATA[【AI 操作电脑时代来了：给桌面 Agent 装上 5 道防线——IM 验签、路径白名单、危险命令拦截（保姆级，附可运行代码）]]></title><link>https://blog.csdn.net/forest_09/article/details/168979116</link><guid>https://blog.csdn.net/forest_09/article/details/168979116</guid><author>forest_09</author><pubDate>Sat, 24 Oct 2026 23:35:31 +0800</pubDate><description><![CDATA[过去48小时，AI Agent正式获得“手”——可操作桌面应用、执行文件与终端命令。为应对安全风险，构建五道防线：1）IM指令验签（HMAC+时间戳+nonce防重放）；2）指令分级授权（用户等级≥指令权限）；3）路径白名单（resolve后校验真实路径）；4）危险命令闸门（正则匹配rm/sudo/curl|sh等）；5）执行链路审计（全程可追溯）。代码零依赖，全用标准库实现，确保安全可控。]]></description><category></category></item><item><title><![CDATA[用Python复刻ClaudeDuet：主动式Agent四件套，定时晨报、后台巡检、危险动作审批（附完整可运行代码）]]></title><link>https://blog.csdn.net/forest_09/article/details/168881619</link><guid>https://blog.csdn.net/forest_09/article/details/168881619</guid><author>forest_09</author><pubDate>Fri, 23 Oct 2026 18:48:28 +0800</pubDate><description><![CDATA[摘要（148字）： Anthropic发布主动智能体Claude Duet，强调“不可逆操作需用户批准”，推动AI从被动响应转向主动执行。科大讯飞同步推出星火X2.6，实现“云+端”协同，保障数据安全。开发者可基于Python自建主动式Agent，核心为四件套：调度（时区显式指定）、幂等（SQLite原子锁）、审批（人工确认）、核验（真实接口验证）。实测26项断言与6次接口调用全部通过，支持本地部署与国产化适配。]]></description><category></category></item><item><title><![CDATA[Agent 系列23｜提示注入与间接注入防御：别指望“提示词里写不许“，让代码把后果兜住]]></title><link>https://blog.csdn.net/forest_09/article/details/168877755</link><guid>https://blog.csdn.net/forest_09/article/details/168877755</guid><author>forest_09</author><pubDate>Fri, 23 Oct 2026 16:08:26 +0800</pubDate><description><![CDATA[本文聚焦Agent系统中的提示注入与间接注入攻击，以SupportPilot为例，揭示“他人输入的内容”被误当指令的高危场景。提出四层防御体系（拦截、隔离、验证、兜底），通过模拟模型与181条攻击测试数据验证，强调不能依赖模型自我识别，而应由代码在模型外主动防护。虽为简化演示，但构建了可复用的安全架构，核心思想：别指望“提示词里写不许”，要让代码把后果兜住。]]></description><category></category></item><item><title><![CDATA[Agent 系列22｜Agent 威胁建模：先弄清楚系统可能被怎么攻击，再决定怎么防]]></title><link>https://blog.csdn.net/forest_09/article/details/168860192</link><guid>https://blog.csdn.net/forest_09/article/details/168860192</guid><author>forest_09</author><pubDate>Fri, 23 Oct 2026 11:37:51 +0800</pubDate><description><![CDATA[本文聚焦Agent系统安全威胁建模，以SupportPilot为例，揭示其相较于传统服务的新增攻击面：不可信输入（如备注、知识库）、模型输出的不可信性、工具调用权限及行为不确定性。通过绘制数据流图明确信任边界——模型输入与输出均不可信，强调“代码验证一切”。基于STRIDE框架识别27项威胁，结合测试脚本验证12条，实现风险可量化、缓解措施可追溯。核心主张：先厘清攻击面，再设计防御，确保威胁模型与代码同步更新，真正落地“防御可验证”。]]></description><category></category></item><item><title><![CDATA[1024 把 Agent 推进长任务时代，你上手的长任务跑一半崩了？上下文超限、死循环、进度全丢——5 个高频坑保姆级修复]]></title><link>https://blog.csdn.net/forest_09/article/details/168770167</link><guid>https://blog.csdn.net/forest_09/article/details/168770167</guid><author>forest_09</author><pubDate>Thu, 22 Oct 2026 17:36:25 +0800</pubDate><description><![CDATA[2026科大讯飞开发者节发布讯飞星火X2.6与星帆WinWork平台，标志着Agent竞赛进入长任务“马拉松”时代。文章剖析长任务开发五大高频坑：上下文超限、输出截断、状态丢失、死循环与进程崩溃，并提供滑动窗口压缩、续写补全、检查点持久化、签名熔断等可复用解决方案，助力构建稳定高效的长程AI Agent系统。]]></description><category></category></item><item><title><![CDATA[Agent 系列 21｜部署、发布与运维：把 Agent 变成一个能上线、能放量、能撤回的服务]]></title><link>https://blog.csdn.net/forest_09/article/details/168767593</link><guid>https://blog.csdn.net/forest_09/article/details/168767593</guid><author>forest_09</author><pubDate>Thu, 22 Oct 2026 16:29:40 +0800</pubDate><description><![CDATA[本文将 SupportPilot 从本地脚本升级为可上线、可放量、可回滚的生产级服务，解决部署与运维核心问题：通过同步/流式/异步三种接口封装实现服务化；利用环境隔离保障开发、预发、线上互不干扰；引入灰度放量与快速回滚机制降低发布风险；建立提示词与工具的变更管理流程；并通过监控告警体系实现上线后可观测性。基于真实流量仿真，验证了版本控制、幂等性、优雅下线、影子对比等关键能力，确保系统稳定、可追溯、可治理。]]></description><category></category></item><item><title><![CDATA[Agent 系列20｜性能、成本与稳定性优化：同样的活，怎么更省、更快、更不容易挂]]></title><link>https://blog.csdn.net/forest_09/article/details/168743936</link><guid>https://blog.csdn.net/forest_09/article/details/168743936</guid><author>forest_09</author><pubDate>Thu, 22 Oct 2026 10:02:26 +0800</pubDate><description><![CDATA[本文针对 SupportPilot 系统在性能、成本与稳定性上的痛点，提出一套完整的优化方案：通过提示缓存减少重复调用，模型路由实现“小活小模、大活大模”，工具结果缓存避免上游过载；结合并发限流、熔断降级与重试预算，防止系统雪崩；并借助可观测体系（trace、指标、告警）验证优化效果。所有机制均基于模拟环境实现，强调可复用的工程范式，确保在不牺牲质量的前提下，让系统更省、更快、更稳。]]></description><category></category></item></channel></rss>