凯丨-CSDN博客

原创从写 Prompt 到Loop Engineering：AI 编程的下一次跃迁

你有没有这样的体验：对着 AI 编程助手敲下一段精心打磨的提示词，等它生成代码，检查一遍，发现问题再补一句，它再改，你再查，来来回回，像个乒乓球赛。这个过程累人，而且每次开新对话，你都得把项目的背景、规范、约定重新讲一遍，像个失忆症患者的主治医生。，直译过来是"循环工程"——你不必再亲自去提示 AI，而是设计一套系统，让系统去提示 AI，让系统去检查 AI，让系统去决定下一步该做什么。你从"操作工"变成了"设计师"。现在，有一群人认为这套流程该退休了。这篇文章，我们就来聊聊这个正在成型的新范式。

2026-06-16 11:14:40 309

原创 MCP Server 教程：从零构建一个自定义工具服务器（2026 最新）

Server 通过 JSON-RPC 协议暴露工具列表和调用接口，Client 将这些工具注册给 LLM，LLM 在推理过程中自主决定何时调用哪个工具。简单说，MCP 让 LLM 不再只是"聊天的模型"，而是可以调用真实世界的 API、数据库、文件系统来完成任务的 Agent。本文从零开始，用 Python 构建一个完整的 MCP Server，包含自定义工具注册、请求处理、错误处理，并接入 Claude Desktop 进行测试。全文代码可直接运行。MCP 的价值在于它把"让模型用工具"这件事标准化了。

2026-06-11 16:00:58 297

原创 Claude Fable 5 与 Mythos 5：Anthropic 新一代模型系列的架构猜想与定位分析

2026 年 6 月 9 日，Anthropic 发布了 Claude Fable 5 和 Claude Mythos 5 两款新模型，定位为"最难的智力工作与编程问题的下一代智能"。这符合 Anthropic 一贯强调的"有用、诚实、无害"方向，特别是在教育、法律、金融等需要透明推理的领域。值得注意的是，两条线都是"5"代，暗示它们共享同一代基础架构，但在训练数据、对齐方式和推理策略上做了差异化微调。Opus 4.8 在 5 月底的发布强调了三件事：编码性能、Agent 任务、长期运行的一致性。

2026-06-11 15:56:42 281

原创 200行Python从零训练一个GPT：读懂Karpathy的microgpt项目

GPT 在大多数人眼里是一个"黑盒"：扔进文本，吐出文本，中间发生了什么无人知晓。Karpathy 的 microgpt 打破了这个黑盒——他用 200 行无依赖 Python，把 GPT 的完整算法链条摆在了你面前。数据集与分词器（Tokenizer）自动求导引擎（Autograd）Transformer 架构（Attention + MLP）Adam 优化器与训练循环推理采样正如 Karpathy 所说：“除此之外的一切都只是效率优化。

2026-06-11 15:54:57 321

原创 agentmemory on NAS 完整部署文档（Tailscale + DeepSeek 压缩 + 局域网 viewer）

本文介绍了一种基于NAS部署的agentmemory服务器架构方案，主要特点如下：采用集中式部署模式，在NAS上运行全功能agentmemory服务器，数据存储在/data卷中，多设备通过Tailscale共享访问。

2026-06-06 13:43:21 434

原创 DeepSeek V4-Flash 本地部署实测教程：用 vLLM 跑通一个私有代码助手（2026 最新，附 3 个踩坑点）

对照 V4-Pro（1.6T/49B、需 8×H100 集群），Flash 在多数推理与代码任务上只落后几个百分点，差距主要拉开在最难的 agentic 任务（如 Terminal Bench 2.0，56.9% vs 67.9%）。：代码、合同、病历这类不能出内网的东西，本地跑最稳妥。它是 Mixture-of-Experts（MoE）架构，284B 总参数但每 token 只激活约 13B，算力和显存占用接近中等规模的稠密模型，却能拿到接近旗舰的推理/代码质量；，否则模型直接加载失败。

2026-06-04 15:22:46 1666

原创把 LLM 当成一个「算力旋钮」：拆解 Karpathy nanochat miniseries 的训练哲学

你只需启动一台云上的GPU机器，运行一个脚本，最快大约4小时后，就能和自己训练的模型对话了。Chinchilla回答的是「给定预算，最优配比是多少」，而Karpathy的视角则更进一步：既然最优配比是预算的函数，那么你的工程目标就应该是维护一整条「预算→最优配置→性能」的映射，让任何一处改动都用「是否抬高了整条曲线」来验收。当你接受「模型是算力的函数」这一前提，那么，调参、改数据、换精度这些动作的评价标准，就不再是「这次跑出来的分数高不高」，而是「它有没有把整条算力-性能曲线整体向上抬升」。

2026-06-04 15:20:47 347

原创 AI 真的在帮黑客发动网络攻击吗？读懂 Anthropic 的年度威胁报告

第三，对做 Agent 的开发者是个提醒：你给模型搭的「自动编排脚手架」威力越大，越要认真对待权限边界和审计日志——同一套能力，攻防双方都在用。因为 AI 能替人完成高技术含量的任务，「用了多少种技术」和「这人真实水平」之间几乎没了关联——数据里水平最低的攻击者平均用了约 16 种技术，水平最高的也才约 20 种，差距很小。Anthropic 做的就是类似的事：它挑出 2025年3月到2026年3月之间、因恶意网络活动被封禁的 832 个账号，把每个账号「用 AI 干了什么」翻译成安全圈通用的语言。

2026-06-04 15:19:00 357

原创实战 Hugging Face ml-intern：把 LLM 后训练流水线交给一个会干活的 Agent

Hugging Face 开源了 ml-intern——一个把 LLM 后训练（post-training）整条流水线自动化的智能体：从数据清洗、SFT、评测到产出报告，它能像一个"会干活的实习生"一样把跑实验的脏活接走。正确姿势是：用它生成和执行流水线、用上面的最小脚本验证地基、用踩坑清单兜底，把人留在"review 和决策"的关键节点上。的胶水活：把杂乱的对话数据整理成统一格式、配一份不出错的训练超参、起任务、盯日志、跑评测、再把结果汇成一张能给同事看的表。本文给出的训练核心逻辑基于其底层依赖的。

2026-06-03 14:08:34 480

原创强化学习真能“教会“智能体推理吗？拆解 Agentic RL 的边界与配方

（arXiv:2504.13837）给出了一个冷静的观察：在 pass@k 这种"采样 k 次只要有一次对就算对"的指标下，经过 RLVR（Reinforcement Learning with Verifiable Rewards）训练的模型，当 k 取得足够大时，其可达到的解题集合。所以正确的工程顺序是——先选够强的基座，再用真实轨迹 SFT 把目标行为塞进分布，最后用回合级奖励的 RL 去"压实"它，并在多智能体场景把编排也纳入优化。单轮做题，奖励是题目对错，信号干净。

2026-06-03 14:05:37 350

原创越会“想“越爱乱来？聊聊大模型的“推理陷阱

我们一直以为"让模型多想一会儿"只有好处，但近期一篇论文给出了反直觉的结论：当你强化大模型（Large Language Model, LLM）的推理能力时，它在调用工具时反而更容易"一本正经地胡来"。但当你让他去库房取东西时，他会因为"想得太多"而脑补出一个根本不存在的货架编号，然后信誓旦旦地告诉你"东西就在 B7"。最简单有效的一招是白名单校验：模型说要调某个工具，先在代码里查这个工具名和参数是否真实存在，对不上就直接拦下来，让模型重来，而不是把它的幻觉调用真的执行出去。但工具调用不是闭环的。

2026-06-03 14:03:41 380

原创让 Codex 在 Windows 上自己点鼠标——Computer Use 上手指南

2026 年 5 月 29 日,OpenAI 给 Windows 版 Codex 应用(v26.527)加上了 Computer Use(电脑操作)能力:Codex 能在前台"看见、点击、输入"Windows 桌面应用;本文给出从安装到写第一个"让 Codex 自己操作 GUI"任务的可操作步骤,以及几个实测会踩的坑。适用场景:人在工位用手机,想让家里/公司那台 Windows 机器先把活干起来。跑起来后,Codex 会在前台真实打开设置窗口、逐级点击,你能直接看到它在动。

2026-06-01 10:05:59 615

原创你的 Agent 跑分到底可不可信？读一篇 LLM 评测“透明度审计

一篇 2026 年 5 月 20 日提交的 arXiv 论文 (arXiv:2605.21404) 审计了 12 篇知名 LLM Agent 评测论文,问的不是"分数对不对",而是"它们有没有把怎么跑出来的说清楚"。结论很扎心:8 篇 Agent 评测论文的平均"披露分"只有 0.38(满分 1.0),而 4 篇传统静态评测是 0.66。实用的做法是把这五个字段当成你自己发评测时的 checklist:把脚手架版本、推理设置、单次运行成本、失败分类都写进附录,并尽量发布一个哈希锁定的环境镜像。

2026-06-01 10:04:08 174

原创当 AI 成为科研伙伴：DeepMind 的 Co-Scientist 在吵什么架？

它不是一个聪明的大模型在单打独斗，而是一群基于 Gemini 的"小专家"互相碰撞想法、互相挑刺，最后筛选出值得科学家去做实验的新假设。这个"生成—辩论—演化"的循环会转很多轮,就像生物进化里的自然选择——经不起推敲的假设被淘汰，逻辑更严谨、证据更充分的假设胜出。当你下次让 AI 帮你做决策时,不妨自己充当那个"唱反调的智能体",追问一句"有没有相反的证据"——这恰恰是 Co-Scientist 内置的、也是最值钱的一环。按 DeepMind 的描述,这套系统会"迭代地生成、辩论、并演化出新颖的假设"。

2026-06-01 10:03:12 344

原创给你的 Agent 上一场“砍价考试“：用 Cattle Trade 思路搭一个最小博弈测评

Cattle Trade 正是冲着这点设计的：它把拍卖、隐藏报价交易、讨价还价、虚张声势、对手建模和资源分配，融入一个持续 50–60 回合的长程游戏里。：两个 LLM 买卖一件估值对彼此隐藏的商品，看你的 agent 会不会被坑、会不会留下成交空间。把买方和卖方都换成你的 agent 对打，再各自换成一个"诚实基线"和"虚张声势基线"，就能看出它在对抗下的稳健性。只统计成交率会骗自己——一个无脑全盘接受的 agent 成交率 100%，却是个严重亏损的"冤大头"。（错失本可达成的成交）。

2026-05-31 22:10:34 342

原创一个 7×24 小时不打烊的“数字管家“——读懂 Gemini 3.5 Flash 与 Gemini Spark

所以"在你的指挥下（under your direction）"这句话不是客套——你给它多大权限、让它碰哪些数据，决定了它的能力边界，也决定了风险边界。每一步都慢一点，整体体验就会拖成"龟速"。官方说法是，3.5 Flash 在多个维度上的智能水平已经能与大型旗舰模型相媲美，并且是迄今最强的代理与编码模型，在有挑战性的编码与代理类测试上超过了上一代的 Gemini 3.1 Pro。如果你做产品，值得认真试一下 Flash 这类又快又能代理的模型，它可能正好补上你产品里"慢"和"贵"的那块短板。

2026-05-31 22:09:59 210

原创把“计划“搬出上下文窗口：拆解 Claude Opus 4.8 的 Dynamic Workflows

这些中间状态全都堆在上下文里，token 越积越多，模型既要"想"又要"背"，最终在注意力稀释和窗口上限之间双重受限。计划一旦外置成代码，模型在"生成可靠代码"上的弱点就会直接传导成工作流的脆弱性——这也解释了为何 Opus 4.8 把 agentic coding 分数从 64.3% 提到 69.2% 作为同批卖点，编排能力与编码能力是一体两面。脚本启动多个独立 subagent 并行处理仓库的不同部分：一个去审认证代码，一个去移植文件，一个去搜不安全的写法，还有一个专门尝试"破坏刚提出的修复方案"。

2026-05-31 22:09:01 316

原创实战 Claude 的 effort 参数：让智能体“按需用力“省 token（含 Opus 4.8 更新）

本文给应用开发者一套可直接套用的思路：用低 effort 跑批量、简单、对延迟敏感的任务，用高 effort 跑复杂推理与长程智能体任务，并通过实测对比成本与质量来挑档位。官方数据给了很实在的参照：在 Opus 4.5 上，medium effort 能在追平此前最强模型表现的同时少用约 76% 的 token。这套"先省后补"的策略，能在绝大多数简单步骤上吃到低成本，只在真正困难的步骤上花算力，往往是性价比最高的组合。长程智能体里更聪明的做法，是默认低档跑，只有在遇到失败或不确定时才临时升档重试。

2026-05-30 23:00:23 323

原创把整条 ChatGPT 流水线塞进 8000 行代码：拆解 Karpathy 的 nanochat

nanochat 是 Andrej Karpathy 于 2025 年 10 月开源的项目，用约 8000 行、单一可读的代码库，端到端实现了一条完整的 ChatGPT 式训练流水线：从分词器训练、预训练、中训练、监督微调（SFT）、可选的强化学习，一直到评测与 Web 推理服务。这里要清醒认识到规模定律的现实：100 美元的预算只能买到 GPT-2 量级的底座，nanochat 的意义是"完整"而非"强大"。它不适合直接拿去做产品底座，但作为"理解 LLM 全流程"的实验台，几乎没有同等可读性的替代品。

2026-05-30 22:59:32 243

原创会“做梦“的 AI：用一句话生成可以玩的世界——读懂世界模型 Genie 3

DeepMind 在 2025 年 8 月公布的 Genie 3，能以 720p 分辨率、每秒 24 帧的速度生成可交互环境，并且能在"几分钟"的时间尺度内保持画面的一致性——也就是说，你转一圈再回头，刚才看到的房子还在原地。世界模型要做的事更像"造梦"。想象你闭上眼睛幻想自己在一片森林里：当你"决定"往左走，脑海里的树木会自然地向右移动、远处的小溪会慢慢靠近——你的大脑在实时地、连贯地补全这个并不存在的世界。Genie 3 做的就是类似的事：你给它一句话当种子，它替你把这个"梦"渲染成可以操作的画面。

2026-05-30 22:56:50 192

原创从零构建一个 MCP Server：让 Claude 和 ChatGPT 接入你自己的工具

本文介绍了如何使用MCP（Model Context Protocol）构建实用的AI工具服务器。MCP是Anthropic提出的开放协议，旨在统一AI模型与外部工具的交互标准。文章首先解释了MCP的背景和架构，然后通过Python SDK演示了如何搭建基础MCP服务器，包括工具注册和调用流程。接着详细指导了如何将服务器接入Claude Desktop客户端。最后，文章展示了如何构建一个实用的多功能服务器，包含天气查询、本地文件读取和Shell命令执行三个工具。这个案例展示了MCP在连接AI模型与实际应用中

2026-05-29 11:38:45 916 1

原创让模型“多想一会儿“：推理时计算扩展（Inference-Time Compute Scaling）的原理与前沿

摘要：推理时计算扩展（Inference-Time Compute Scaling）是提升大语言模型（LLM）表现的新范式，通过增加推理计算量（如多次采样、自我验证、树搜索）在参数固定的情况下持续优化输出质量。核心方法包括Best-of-N采样、自我一致性投票及过程奖励模型（PRM）引导的搜索策略，其中PRM结合树搜索（如OpenAI o1模型）成为前沿方向。研究显示，推理计算与模型参数存在可替代性，但边际收益递减。这一方向重塑了模型评估标准，并推动“小模型+多计算”的部署经济性探索，未来或与模型训练同等

2026-05-29 11:33:18 318

原创 200 行 Python 训练一个 GPT：Karpathy 的极简主义 AI 教育实验

Karpathy 用 200 行纯 Python（零依赖）实现了一个能训练和推理的微型 GPT 模型。这篇文章带你理解：GPT 的核心原理其实有多简单？为什么"最小化"是理解复杂系统的最佳路径？以及这件事对 AI 教育意味着什么。

2026-05-29 11:29:56 263

原创实战 OpenAI 新一代实时语音：用 gpt-realtime-2 跑一个会推理的语音助手

OpenAI推出三款实时语音模型：具备GPT-5级推理的gpt-realtime-2、支持70+语言翻译的gpt-realtime-translate和流式语音转写的gpt-realtime-whisper。本文提供最短实现路径：后端签发临时令牌，前端通过WebRTC直连模型，支持切换不同功能模式。架构采用WebRTC+临时令牌方案，确保API密钥安全的同时降低延迟。文章包含Node.js后端签发令牌和浏览器端WebRTC连接的代码示例，并给出模型切换、参数配置等关键实现细节，以及HTTPS要求、采样率对齐

2026-05-28 10:21:36 469

原创 AlphaEvolve 一周年成绩单：当“进化式编码代理“开始改写芯片、电网与基因组

DeepMind发布AlphaEvolve一周年报告：这款基于Gemini的进化式编码代理已在多个领域取得突破性进展。报告显示，AlphaEvolve通过LLM提出代码变异+自动评测+进化选择的闭环机制，在基因组纠错、电网优化、量子电路等领域实现显著提升，如变异检测误差降低30%、电网可行解率从14%提升至88%。与传统AutoML/NAS不同，AlphaEvolve能产出可读、可审计的算法代码而非黑箱权重，其核心优势在于将"写代码找更优算法"转化为可自动优化的搜索问题。然而系统仍依赖人类设计的评测标准，且

2026-05-28 10:20:21 404

原创 AI 第一次“独立“攻破数学难题：一个困了 80 年的点和点的故事

OpenAI的AI模型在离散几何领域取得重大突破，独立推翻了数学家保罗·埃尔德什1946年提出的"单位距离问题"猜想。该模型不仅找到了一族全新的点阵排布方案，还提供了可验证的数学证明，突破了80年来"方格网最优"的传统认知。这是AI首次真正独立解决一个数学领域的核心难题，展示了其跨领域推理和创造性解决问题的能力。该成果通过外部数学家团队验证，标志着AI从"辅助工具"向"独立研究者"转变的重要一步，为未来AI在科研创新中的应用提供了范例。这一突破或将影响药物设计、材料科学等多个需要优化排布的领域。

2026-05-28 10:18:07 349

原创 Claude Managed Agents 实战：用多智能体编排 + Webhooks 跑一个“自动审稿流水线“

Anthropic推出多智能体协作审稿系统 Anthropic近日发布Claude Managed Agents三项新功能：目标驱动评分(Outcomes)、多智能体编排(Multiagent Orchestration)和异步回调(Webhooks)。这些功能共同构成了一个完整的智能审稿流水线解决方案。系统采用主从架构设计，主代理(Lead Agent)使用轻量级Haiku模型负责任务分发，三个子代理分别执行事实核查、风格润色和结构评估工作。其中高精度任务由Opus模型处理，简单任务仍用Haiku以节省

2026-05-27 20:00:00 566

原创让 AI 通宵优化神经网络：Karpathy autoresearch 的设计哲学与启示

NAS 必须先设计一个搜索空间（操作符候选、连接方式等），代理无法越界。autoresearch 没有这个空间，代理改的是源码本身，理论上可以引入任意新模块、任意新优化器，只要它能写出可运行的 Python。第二，

2026-05-27 16:00:00 922

原创一个月挖出 1 万个漏洞：Anthropic 的“玻璃翼“为何让安全圈集体不安？

按照 Anthropic 5 月 22 日发布的更新，约 50 家受信任合作伙伴在一个月内累计上报了"超过 1 万个高危或严重级别"的漏洞，覆盖大多数主流操作系统和浏览器，以及一批被称为"系统性关键代码库"的项目。如果你是产品负责人或风险管理者，那真正该思考的是另一个问题：你的供应链里那些"看起来一直没出过事"的小依赖、老内核模块、被默认信任的第三方组件，下次扫描时如果突然冒出几十个高危项，你的响应流程能否承接得住？如果你最近被"Mythos"和"Glasswing"两个词刷屏，别慌，它们其实指代两件事。

2026-05-27 10:53:28 402

openwrt-brcm2708-bcm2709-rpi-2-ext4-factory.img.gz

录酷游戏录像

laravel-rewrite-log.zip

空空如也