- 博客(820)
- 收藏
- 关注
RSS订阅原创 LLM基础学习笔记：看懂BLEU、ROUGE、PPL与三大模型架构
ROUGE 跟 BLEU 是亲兄弟，但性格完全不同。BLEU 看的是"你说出来的词，有多少在参考答案里"——这叫精确率，像学霸反复检查自己写得对不对；ROUGE 看的是"参考答案里的重点词，你有没有漏掉"——这叫召回率，像老师划完重点问你背了没。摘要任务最怕什么？最怕你写得倒是通顺，结果重点全丢了。就像你让同学帮你总结一部电影，他给你讲了半小时男女主角是怎么认识的，然后告诉你：结局我忘了。这种摘要，ROUGE 直接给你打低分，一点都不带犹豫的。
2026-10-30 15:14:34
171
原创 草稿模型上GPU：双backend投机解码实测，收益只有11%？
P.S. 无意间发现了一个巨牛的人工智能教程，非常通俗易懂，对AI感兴趣的朋友强烈推荐去看看，
2026-10-30 15:13:22
138
原创 GPT-6.1 Terra实测：能操控电脑建模的AI，到底有多强
贝伦塔那道题最能说明问题：新版没少用 token，账单却比旧版低。意思是，同一笔 API 预算，现在能调用的 token 更多了。这可能会改变人给 AI 提要求的方式。以前因为成本只敢做一版页面，现在可以再看看另外两种做法；过去不值得花钱调模型的小任务，价格降下来以后，也值得写进程序里了。工具没变，预算没变，变的是你手里能打的牌多了。以前不敢试的想法，现在值得试一下；以前不值得写的程序，现在值得写一写。唯一没变的是：写完代码，还是要自己调试。这个坑，AI 暂时还没替我们填上。
2026-10-29 13:59:28
183
原创 企业RAG文档入口管线：92%页面不用OCR，省下巨额模型成本
先聊个扎心的问题：你公司的知识库，喂给模型之前，有没有人管过「入口」？我猜没有，因为我自己也没管，直到被坑了三次才长记性。我上个月搭 RAG，第一步就是抱着一堆 PDF 发呆。人类看 PDF，那叫信息；模型看 PDF，那叫薛定谔的结构——你永远不知道下一页是正文、是表格，还是当年扫描仪开小差扫出来的一团糊。后来我翻到一份报告，花旗、安永、英伟达三家联手写的，主题就一句话：文档怎么变成模型能吃的向量。看完我拍了下大腿——不是疼，是悟了。先甩个最提神的数字：在这套系统里，企业语料。
2026-10-29 13:58:29
176
原创 几十万份老Word文档怎么办？doc2docx开源方案踩坑实录
做这个东西最大的感受是:很多前端技术债,不是没人看见,是没人愿意干。谁不想上来就搞炫酷的动效、搞大模型、搞端到端?但老文件、老格式、老系统,就像公司墙角的蜘蛛网,平时没人理,真要搬家用的时候,全粘你一脸。后面我还在折腾 OFD 的在线编辑器,就是国产那个版式文档格式,信创场景绕不开的那个。等搞出来,老 doc、老 ofd 一整套在线化,基本就齐活了。有踩过类似坑的朋友,评论区聊聊你是怎么处理那些年的老文档的,我赌五毛,大家都是一把辛酸泪。
2026-10-29 13:57:08
131
原创 Claude Code接入DeepSeek与MiniMax实测：谁帮独立开发者省下API账单
我把全年的 AI 工具订阅账单拉出来复盘了一下。1.7 万。人民币。我盯着那个数字看了足足三分钟，怀疑自己是不是订了个私人律师事务所的会员。仔细一拆才发现，高频接口修复这一项，居然吃掉了近四成预算。四成啊朋友们。我一年在修 bug 上花的钱，比我在房租上花的还多。说出来你可能不信，我的 bug 比我的猫还能吃。我自研的那个多平台内容分发工具「字流」，一年提交了 192 次代码。收件箱里还躺着 1300 多条评论和私信等着我处理。别人一人公司是一个人活成一支队伍，我是一个人活成了一支消防队。
2026-10-28 23:37:25
90
原创 Mac本地打造专属读书助手：Qwen2.5 LoRA微调到GGUF部署全流程
很多人的第一反应是：我写个狠一点的 System Prompt 不就完了？在实验室里，强 Prompt 确实能覆盖 80% 的场景。剩下的 20% 在哪？在生产环境里。小参数模型对长上下文的指令遵从度会显著下降，更别提用户还会来一句灵魂拷问：“别装了，我知道你就是 Qwen。那一刻你会发现，Prompt 就像一层纸糊的墙。预训练权重里固化的身份记忆，稍微一撞就破门而出了。微调干的事，是更新部分模型权重，把业务知识"写进"参数里。身份和技能从此变成它的本能反应，而不是临时贴的标签。
2026-10-28 23:35:56
162
原创 - 用户记忆与RAG知识库：双层架构深度解析
RAPTOR 的思路是自下而上递归抽象。先把长文档切成小文本块当叶子节点，然后把语义相近的叶子聚类，每个聚类生成一个父节点摘要。这个过程不断递归，最后形成一棵从细节到概括的知识树。好处是——检索可以在多个抽象层次上进行。你问一个宏观问题，可以先在高层摘要里定位到概念，再往下钻取到细节。你问一个细节问题，可以直接定位到叶子节点。今天聊了两大块——用户记忆和知识库，其实是同一个问题的两个尺度。
2026-10-28 23:32:53
115
原创 三大AI盛会同日碰撞，算力、大模型、融资重磅消息汇总
我自己这台电脑开机要30秒，人家两年翻30倍，我俩的差距，大概比我和刘翔的差距还大。“解放生产力，释放想象力”——2026科大讯飞全球1024开发者节今天开幕，北京、合肥双城科博展同步开启，发布了讯飞星火X2.6大模型，重点强化智能体与编程能力。AGI的中国道路怎么走不好说，但重庆开这个会确实合适——毕竟"渝见未来"，谐音梗，扣钱。10月14-16日，2026人工智能产业大会在济南举行，300多家AI企业齐聚，信通院发布了"2026人工智能产业十大关键词"和"AI高价值应用场景"图谱。
2026-10-27 13:33:01
196
原创 一次下午揪出两个数据库Bug，软删与状态字段踩坑实录
周五下午，办公室里安静得像考场。同事对着物料管理页面点了两下，然后盯着屏幕发呆——他把一条物料从二级清单里"取消选用"，完事想再加回去。按钮点了，弹窗转了两圈，数据库里啥变化都没有。转两圈，没了。这画面熟不熟悉？跟相亲失败回家，介绍人问"聊得怎么样"，你只能说"人挺好的，就是没下文"一样——系统回你的也是四个字：没有下文。同一波操作还没完。他转头把另一个外购焦粉的状态改成"停用"，保存成功，刷新列表，状态列纹丝不动，还是"启用"。一个下午，两个 bug，看着毫无关系。
2026-10-27 13:30:27
133
原创 springAI2.0
先说一个 2026 年依然扎心的事实：让大模型输出一段正经 JSON，依然是不少后端同学的深夜噩梦。你让它返回{"name":"张三","age":25}，它给你返回一段被三个反引号裹起来的 JSON，前头还附赠一句"好的，以下是您需要的 JSON，请查收"。你让它返回年龄，它给你带引号的"25"；你让它返回技能列表，它给你；你问它今天星期几，它沉吟片刻，说"星期二，不过也可能是星期三，我凭感觉说的"。我刚入行那会儿，也天真过。
2026-10-26 12:45:11
236
原创 一文搞懂大模型Next Token预测、损失与PPL
咱聊大模型预训练，很多人能说出token、分词器，但一问到底模型在训练的时候折腾啥，瞬间集体哑巴。很多小伙伴以为大模型是被人一条条喂标准答案教出来的，真不是，要是靠人工标注喂数据，现在的大模型规模，标注员得加班加到下辈子，工资能把大厂干破产。1.1 自监督学习到底是个啥玩意儿传统监督学习，好比做卷子，每道题都得老师提前写好参考答案。想做个情感分类，得找人一条条给评论打正负标签。想象一下，给3000亿token全部人工打标，多少人干？全中国程序员拉过去都不够填坑。
2026-10-26 12:43:46
1253
原创 agent偏好记忆
用户说：“这周项目 A 的文档先用英文。模型立刻掏出小本本：“记下了，用户偏好英文，永久生效。等一下，谁批准你永久了？用户可能只是这周赶一个英文汇报，下周就切回中文了。也可能只有项目 A 需要英文，项目 B 照旧写中文。还可能他压根没想"保存"什么，就是随口一说——就像你朋友说"改天请你吃饭"，你当真你就输了。具体要改哪一项。候选怎么变成有效记录？迟到的确认怎么避免覆盖纠正？到期或撤销后怎么停止使用？本文就讲这一个最小例。
2026-10-26 12:42:37
147
原创 7B小模型跑多智能体，层层踩坑实录
跟强模型打交道久了，人会产生一种错觉。你觉得它读任务、用工具、看结果、汇报失败，这些都是"基本操作"，就像你觉得员工接了需求总得问一句"这个数据口径是啥"吧。直到你把一个在本机跑的 7B 量化模型塞到执行者那个位置上，你才发现——哦，原来这些"基本操作"每一项都是要单独花钱买的。强模型是那种你甩一句"帮我做个职业规划"，它自己就去翻资料、自己列大纲、自己写完还知道哪里没查清楚的员工。7B 不是。7B 是你甩一句话过去，它坐在那儿，手放在膝盖上，看着你，等你把饭喂到嘴边。
2026-10-21 16:15:51
82
原创 别盲目上Multi-Agent！多智能体组队架构避坑指南
最近被问得最多的一个问题就是：你看人家都搞什么 multi-agent 了，我是不是也得整个 Agent 团队？每次听到这种问题我都想劝一句：先别急。组团队这事儿，跟现实里招人一样，不是人越多越厉害，搞不好就是从"一个人摸鱼"变成"一群人开会摸鱼"。今天这篇，咱们就把多智能体这事儿掰开了揉碎了聊清楚——什么时候该上，什么时候纯属给自己加戏。多 Agent 这两年被吹得太神了，好像不整个 Agent 团队就落伍了。泼几盆冷水：一个 Agent 配上五个工具就能搞定的事，别拆成三个 Agent。
2026-10-21 16:14:30
484
原创 当AI开始边想边干：ReAct与Agent底层原理拆解
先准备两个最基础的工具：一个搜索（假数据模拟），一个计算器。import re# 工具字典"""模拟搜索工具""""比特币价格": "当前比特币价格约为 650000 人民币/个","上海天气": "上海今天多云，气温 22°C，湿度 65%","北京天气": "北京今天晴，气温 18°C，空气质量良好",return f"没有找到关于「
2026-10-20 13:21:15
188
原创 Spring AI
前面的文章我们把 Spring AI 从里到外扒了一遍，今天聊点实在的——你把它搬进自己系统里，到底会发生什么。说真的，迁移这事儿吧，跟相亲差不多。表面上看条件都还行，真过日子了才发现，对方把牙膏从中间挤，你从尾巴挤，这日子就过不下去了。迁移 Spring AI 2.x 也是一个道理。编译报错那都是小事，编译器大哥比你负责多了。真正要你命的，是那些不声不响就变了的东西——默认值偷偷换了，集合从空的变成 null 了，异常类型给你换了个马甲。这些玩意吧，能编译，能启动，冒烟测试也能过。然后呢？
2026-10-20 13:18:53
210
原创 MoE模型深度拆解：看懂总参数与激活参数的巨大陷阱
第一次看到模型参数写成「总参数 6710 亿，激活参数 370 亿」时，我当场愣住，然后悟了：这不就是健身房套路吗？海报上写着"本店会员 6710 亿"，实际上天天来练的就那 370 亿，剩下的人办卡那天露过一面，从此消失在风里。先别笑，这个类比在接下来的内容里会反复出现。但更关键的是，这里藏着一个能把人坑到倾家荡产的误解——既然只激活 370 亿，那我是不是按 370 亿参数模型的算力准备就够了？答案是：算力上差不多，显存上差远了。而这一字之差，直接决定你那块显卡是"刚好够用"还是"当场爆显存"。
2026-10-20 13:12:20
575
原创 vLLM前缀缓存优化踩坑：原来分词才是TTFT最大瓶颈
先说个离谱的事儿。你做推理服务的，vLLM 开了 prefix caching，agent 流量的首字延迟还是压不下去。你排查了 GPU 利用率，调了 KV cache 命中率，翻了调度器配置。然后你发现——罪魁祸首是分词。对，就是那个切字符串的分词。你没听错。H100 一张卡几十万买来的，结果大头时间花在 CPU 上一个字符一个字符地切。这是近期少有的「动机真实、方法闭环、测量诚实、读完就能上手试」的系统工作。尤其当你正被 agent 流量的 P99 折磨的时候。
2026-10-19 15:57:45
337
原创 工程agent
很多人学 Agent，上来就是 LangGraph、CrewAI 一顿乱用，框架用得贼溜，一问"你那个循环到底怎么转的"，瞬间沉默。这就像你天天打车上班，问你发动机几缸的，你答不上来——这不怪你，但如果你想当修车师傅，总不能一辈子只坐副驾吧。所以咱今天就从零写一个。不依赖任何框架，不装任何 npm 包，手写一个能跑的 mini-agent。写完你再回头看那些框架，就跟看透明盒子一样，一眼望穿。
2026-10-19 15:56:40
167
原创 一个句号击穿Copilot安全机制，CVSS8.8高危漏洞深度解析
先问大家一个问题：你见过最离谱的安全漏洞是啥？是那种挖了半天内存破坏、堆喷射的硬核 exploit？还是绕了十八个弯的逻辑漏洞？今天聊的这个，连 exploit 都算不上——就是一个句点，把微软 Copilot 的安全机制给干翻了。Windows 用了几十年的兼容性特性，反而成了 AI 工具安全检查的盲区。这事最值得记录的，不是漏洞本身，而是它背后的教训——当你在一个已经运行了几十年的系统上叠加新的智能层时，你以为的「常识」，在新的上下文里可能就是致命的假设。
2026-10-19 15:54:52
392
原创 Gemini 4实测：中文网络梗翻译成英文，笑点基本全军覆没
Gemini 4 一发布，全网齐刷刷开始测长任务、测写代码、测做 3D，热闹得跟过年庙会似的。翻译？没人碰。翻译里最难啃的谐音梗？更是连个围观的人都没有。那我来了。我拿了一批中文互联网的经典梗，对着模型做了一轮实测。字面能翻对，笑点翻不对。但过程里藏着的几个真问题，比结果本身有意思多了——那种反差，跟"你点了份麻辣烫，最后发现最好吃的是那根香菜"差不多。如果你也想测，我的建议：先从结构梗入手，最容易看到模型的上限；再测纯谐音，最容易看到下限。一个捧，一个摔，体验非常完整。
2026-10-16 22:40:33
241
原创 不用重写Agent，rpi长连接快速搭建飞书智能体机器人
飞书消息通过官方 Rust SDK 的 WebSocket 长连接进到 rpi，rpi 负责把 Agent 叫起来，模型回完话，扩展再把回复塞回原来的会话。Hermes 让人上头的点，不只是"能在聊天软件里问 AI"，而是消息背后站着一个真的会干活的 Agent：能调工具、维持上下文、扛长任务，还能从多个渠道进同一套运行环境。你在飞书里发一句"再测一次"，它真的去跑命令、读文件，工具进度还单独发消息反馈，最后才把结果甩给你——跟看现场直播一样，比某些项目周报都透明。三个会话，三种人格，但都是你。
2026-10-16 22:39:22
298
原创 Kafka流算湖一体化重磅发布，AI实时数据链路迎来大变革
最近技术圈有条大新闻，主角是 Kafka 这位老哥。云消息队列 Kafka 版 · 流算湖一体化实时数据平台。名字挺长，翻译成人话就是——以后你家的实时数据，从进门、加工到入库，Kafka 一个人全包了。以前 Kafka 是个老实巴交的“传话的”，消息从 A 送到 B，使命完成，收工下班。现在这哥们直接从“快递员”干到了“物流公司 CEO”：不仅送货，还顺手帮你分拣、打包、入库一条龙。你敢信？这波升级也不是一天练成的。
2026-10-16 22:38:04
363
原创 让AI当老板，我只做董事长，7天挑战复刻付费软件
昨天我刷手机的时候，突然反应过来一个事儿。现在的AI已经强到什么程度了？我让它帮我想个idea，它三分钟给我出了五个，每个都比我上个月想出来的靠谱。我盯着屏幕看了半天，感觉自己这二十多年的班白上了。那既然这样，我为什么还要自己当老板？干脆让AI当老板，我当董事长得了——就是那种天天坐在沙发上，只负责签字和批钱的那种。说干就干。我搞了个为期七天的实验，目标是七天之内，从零做出一款付费软件的平替，做完直接开源。你没听错，我一行代码都不打算写。
2026-10-15 23:48:30
75
原创 生产级Agentic RAG落地实战，拆解LangGraph自愈RAG架构
先说个残酷的事实：你把那套 Agentic RAG 的 demo 跑通了，离能上生产还差着好几个加班的夜晚。生产环境的 RAG，真不会老老实实照着教程来——它更像一个自带裁判、教练和替补席的剧组，每句话都要过好几道关卡才能见用户。今天就拿一套“多问题、自愈式”的 LangGraph 实现开刀，把生产级 RAG 最常见的升级路线拆开揉碎讲清楚。汇总完先让模型当终审法官，检查三件事：有没有漏题、各题答案有没有互相矛盾、有没有超出子答案的新事实。
2026-10-15 23:46:24
219
原创 REA开源神器：AI帮你逆向一切软件
你有没有过这种体验：刷到一个 App 的某个功能，心里就俩字——“卧槽”，然后开始琢磨它背后到底咋跑的。以前想搞清楚这件事，得先学汇编，再花三个月熟悉 Ghidra，最后对着反编译出来的伪代码看半天，眼睛都快看成斜视了。今天聊的开源项目，就是来把"逆向"这个门槛直接踩碎的——。名字翻译过来很直白：万物皆可逆，啥都能拆。REA 的免责声明写得很清楚：用途限定为合法研究、教育、互操作性、软件保护，以及分析你拥有或已获授权使用的软件。翻译一下：可以拆你自己的玩具，别去拆别人家的门锁。
2026-10-15 23:45:25
712
原创 AgenticOps破局：拆掉AI智能体落地的三道墙
整套链路捋一遍：云监控 2.0 与 AgentLoop 先扩张观测边界，让系统被看懂、Agent 也被看懂；STAROps 基于底座闭合智能运维，从看见迈向理解与受控决策；云效研发智能体把同一套自主闭环带进日常研发；OTel、UModel、BRiSE 的开源底座，把采集、语义、评测交给行业共建。当系统能自己感知、自己决策，并把每次处置沉淀成下次的经验，企业 AI 的竞争力就不再是「谁的模型好」，而是「谁的进化飞轮转得快」。这比赛的观感很像自动驾驶：人类已经上车了，剩下就看谁先到终点。
2026-10-14 15:43:23
113
原创 LangGraph上手实战，从零搭建Agent五大核心场景
做 Agent 开发的兄弟，我猜你肯定有过这种崩溃时刻——你把所有工具说明、业务规则、甚至用户偏好全塞进 System Prompt，结果呢？Token 像坐了火箭一样往上窜，钱像流水一样往外淌。更气人的是，大模型还经常被无关信息带偏，你让它写个函数，它给你写了一首诗。我有个朋友，做了个客服 Agent，System Prompt 写了 8000 字。最后大模型学会的第一件事不是回答问题，是跟用户聊家常。用户问"退款怎么退"，它说"亲，今天天气不错哦"。线性 Chain 也顶不住。业务要循环重试？
2026-10-14 15:42:24
185
原创 LLM预取优化：解决用户感知延迟的四种方案
LLM Prefetching 是感知延迟优化的最后一公里。流式输出解决"响应过程中的等待"，预取解决的是"从点击到第一个 token"的等待——也就是用户真正骂娘的那段。起点永远是上下文预热：改一行代码，加一个，零风险把 TTFT 砍掉一半。这是全篇性价比之王，属于"不做白不做，做了不白做"的优化。至于其它策略，关键不是实现了多少种，而是把命中率监控做好，让数据告诉你哪种策略值得继续投入。别让账单替你回答——账单开口的时候，一般都不是好消息。
2026-10-14 15:41:23
518
原创 AI Agent工具调用避坑：给大模型接上接口一定要戴好安全绳
朋友们，先汇报一个心路历程。给模型接上库存接口之前，它就是一张嘴，你说东它不往西，服务态度好得能拿微笑服务奖。接上库存接口之后，它突然从"嘴替"变成了打工人，会干活了。但过来人都懂，打工人会干活，和打工人会捅娄子，往往是同一件事的两面。我给自己定了个规矩：给模型开权限之前，先问一句——这玩意儿要是被坏人拿捏了，第一个倒霉的是不是我？答案十有八九是"是"。所以今天不聊玄学，就聊聊怎么给模型戴好安全绳：让它干活，但别把公司干没了。
2026-10-13 22:34:51
361
原创 为什么 LLM 调用对连接池这么敏感
先声明：这不是事故复盘，这是鬼故事。某团队，AI 写作助手，日活五万，本来岁月静好。直到某一天，监控大屏上出现了一个让全场沉默的数字：平均延迟 1.2 秒，P99 却飙到了 18 秒。你们感受一下这个反差——相当于全班平均分 80，你同桌考了 18，班主任还拍着桌子说"我们班整体还不错"。你的服务，就是那个同桌。1. 超时全家桶都要设：connect、read、write、pool 四个维度，pool 最容易被漏——它漏了，你的 P99 就漏了。2. 流式和非流式分开配置。
2026-10-13 22:32:52
253
原创 LingBot-Video踩坑实录：别被MoE、DMD的参数骗了
打开 LingBot-Video 仓库的那一刻，你的直觉大概率会骗你。Dense 1.3B、MoE 30B-A3B、新出的 8 步 DMD——三个名字并排摆在那儿，脑子自动给你排了个序：小的、大的、快的省的。然后你就按照这个直觉开始选路径了。从第一条命令开始，你就已经在错的路上越走越远。Dense、普通 MoE、DMD，不是"低配、中配、高配"三个档位。它们是三个不同的工具，各有各的用法，各有各的前提条件。Dense 是用来做入口验证的，小，简单，不容易出岔子。
2026-10-12 16:21:56
72
原创 vLLM本地高并发推理实战，从安装到原理一次性吃透
先说个扎心场景：你辛辛苦苦把模型部署好，同事凑过来："帮我跑一下这个。"你按下回车，他心满意足地走了，后面排队的三个人开始用眼神谴责你。单请求再快，架不住人多——这就像食堂最好吃的窗口，一次也只能打一个饭。今天聊 vLLM。一句话定位：它是把"一个人用本地模型"升级成"一群人用模型服务"的高吞吐推理引擎。Ollama 是私家车，vLLM 是网约车平台——车还是那辆车，但一个接一个拉客，不空驶。
2026-10-12 16:20:27
592
原创 rtk拆解：git log输出压掉98%，但token账单根本没省多少
我跟你说，最近有个叫 rtk 的开源项目，火得有点不讲道理。8.27 万 star，什么概念？就是你随便打开一个仓库页面，那星标数量比我妈微信群里转发的养生文章还多。这玩意儿是干嘛的？一句话说清楚：帮 AI 编程助手省 token。Rust 写的，单文件二进制，2026 年 1 月出生，10 月 2 号刚发 v0.51.0。它管自己叫 Token Killer，杀起 token 来，比我妈在菜市场杀价还狠。但是重点来了。仓库简介上写着：“LLM token 消耗减少 60-90%”。
2026-10-12 16:16:40
210
原创 ESP32-S3 Mini与C3 Mini选型避坑，别被Mini名字误导
事情是这样的：你想给一台桌面语音终端买开发板——接麦克风、怼扬声器、用 Wi-Fi 传音频，再顺手挂一块 320×240 的彩屏。打开购物网站，页面同时蹦出三个名字：“C3 SuperMini”“S3 Mini 8 MB”“S3 N4R2”。乍一看，都有 USB 口，都叫 Mini，价格也有高有低——像极了奶茶店的三档杯型，你以为只是容量不同，其实是两种完全不同的配方。先记住一个能改变购买决定的冷知识：乐鑫官方 ESP32-S3-MINI-1 有两种配置——
2026-10-10 18:54:10
253
原创 车险理赔VIN识别接口：AES加密+Python落地实战
一台车撞过来，照片甩你脸上，你得盯着那堆铁皮判断这到底是啥车、值多少钱、该赔多少。关键是，照片上的车标都撞飞了，你搁那猜呢？猜中了算你眼力好，猜错了，赔多了公司找你，赔少了车主堵你。以前那套玩法，说白了就是人力堆出来的：让人去现场看，或者收一堆纸质登记证书，一行一行对。对啥呢？对车架号、对发动机号、对车型。就跟你考试的时候抄同桌答案似的，还得担心他抄错了。更绝的是，有些车主啊，那信息给你改得，比你简历改得都好看。车是低配的，他给你报个高配的价；发动机是1.5的，他给你说成2.0的。
2026-10-10 18:52:29
208
原创 签Offer前必做反向背调，AI一键挖出公司隐藏风险
先说个扎心的事实：**拿到 Offer 的那一天，才是求职这场戏真正的高潮。**从你点开 JD 的那一刻起，脑子里就自动开了三台弹幕机：这公司靠不靠谱？工资福利咋样？人事关系好不好处？翻译成一句人话就是：**我会不会刚入职就刷新"最短命同事"的纪录？**毕竟 Offer 是心动的信号，签下去可能就是心跳的代价。我混技术这行十几年，面试过的人加起来……这么说吧，能把一间 KTV 中包坐满（夸张了，但气势必须到位）。看人看多了，坑也踩多了，我发现打工人翻车的姿势，翻来覆去就那么几种。
2026-10-10 18:50:20
209
原创 RAG调参的承重项：Agentic AutoRAG背后藏着反转
评分用的是一份冻结的考卷。你想啊，解析的时候表格歪了、扫描页糊了、跨页的内容被切断了——这些信息在第一步就丢了，后面你 embedding 选得再贵、reranker 调得再精细，也是在一堆残缺的碎片里挑宝藏。它读当前这次试验的全部证据——总准确率多少、检索成功那部分题目上的准确率多少、失败在检索和生成之间怎么分摊的，再挑一批覆盖不同失败类型的错题出来，最后压成一段短诊断。这效率就像你隔壁室友天天泡图书馆，你考前刷了一晚上题，结果你们俩分数差不多——区别是人家的图书馆卡是真金白银办的，你那晚上还是免费的。
2026-10-09 15:14:11
155
原创 沙箱到底是什么？一次性讲清沙箱、虚拟机和Docker
不知道你有没有这种感觉。最近不管是翻 Claude Code 的文档，还是看 Codex、WorkBuddy 的更新日志，总有一个词在眼前晃来晃去：沙箱。晃到什么程度呢？差不多等于过年回家，七大姑八大姨轮流问你"有对象了吗"，你不想听，也得听。有人可能要说了，沙箱？这词听着耳熟，是不是虚拟机？还是 Docker 那种容器？再不济，Python 那个 venv 总该算一个吧？我把这几个东西翻来覆去琢磨了一遍，答案是：都不对。这几个词压根就不在一个层面上。今天这篇，咱就把它一次扒干净。
2026-10-09 15:12:11
238
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人