- 博客(683)
- 资源 (8)
- 收藏
- 关注
RSS订阅原创 Skill 到底是什么：用 tech-visual-style-kit 拆解 Discovery / Activation / Execution
摘要：Skill 机制解析 Skill 是一种可被发现、按需加载、带资产与脚本的能力包，通常以文件夹形式存在。其核心流程分为三个阶段： Discovery：客户端仅发送各Skill的简短metadata给模型，告知可用能力而不占用过多token Activation：模型根据问题选择合适Skill后，客户端加载完整SKILL.md内容 Execution：模型在约束下执行脚本、读取文件，生成可直接使用的交付物（如HTML海报） 以tech-visual-style-kit为例，一个完整Skill包含： SK
2026-03-02 15:24:26
732
原创 当 AI 圈开始发明“新罪名”：从“蒸馏攻击”争议，看懂大模型时代最容易被带偏的三个概念
- 这场“蒸馏攻击”争议表面是技术讨论，实质往往是围绕数据解释权、术语定义权与道德叙事的竞争。 - “开源 / 蒸馏 / 模型输出数据”等词在大模型语境里发生了语义漂移，用旧定义硬套会导致争论天然对不齐。 - “调用量异常”不能直接推导出“进入训练集”或“恶意行为”，技术事实、合约条款与伦理判断是三套不同的判定体系。 - 更成熟的讨论应落在边界与规则：哪些属于合理评测/数据增强，哪些属于越界采样/违约使用。 - 本文框架参考了相关公开视频（见文末参考），但内容为作者独立整理，关键论点以原始资
2026-03-02 11:39:01
590
原创 财报后大跌，到底是抄底机会还是风险重估？从英伟达和多邻国看成长股投资的正确姿势
财报后股价波动是市场对预期差的反应，而非单纯业绩好坏。英伟达冲高回落反映高预期下的估值重定价，多邻国暴跌则源于增长逻辑切换。成长股投资需关注：1）业绩是否超预期；2）未来指引是否强化；3）估值是否合理。技术分析应作为风险管理工具，而非预测手段。普通投资者常见错误包括：将大跌等同于便宜、忽视预期差、盲目补仓。建议采取分类操作策略：对强趋势龙头分批布局，对逻辑重估股优先风控，始终保持仓位意识，避免单点赌博式投资。真正的投资能力在于持续的风险管理，而非单次判断正确。
2026-02-27 14:59:56
413
原创 从“会聊天”到“会做事”：一篇看懂 AI Agent 架构的底层逻辑
摘要 AI Agent与普通大模型的核心区别在于任务闭环能力。Agent由三部分组成：模型负责决策，工具提供行动能力，编排层管理执行流程。其灵魂是Think-Act-Observe循环，通过多轮迭代推进任务。Agent能力可分为5级：从基础问答到多智能体协作和自我进化。生产落地的难点在于工程化，包括工具契约、上下文管理、评测体系等。真正的价值不在于模型规模，而在于系统能否可靠完成实际任务。
2026-02-26 17:34:14
348
原创 AI 协作交付工程化：把“能跑起来”变成“可验收可回滚”的 7 个控制点
摘要 本文探讨了AI项目交付中的工程化控制要点，提出7个关键控制点将"能运行"提升为"可验收可回滚"的生产级系统。核心观点包括： 工程化思维：AI项目本质是系统工程而非单纯代码编写，需建立完整的交付流程管控。 三大基础原则：需求契约化、变更可控、质量可度量是交付成功的决定性因素。 七大控制点： 需求Spec化（输入/输出/异常/验收明确） 变更管理（变更单+单点迭代） 回归测试（自动化脚本+版本基线） 结构化日志（requestId关联） 审计追踪（关键操作留证） 交
2026-02-26 11:15:09
310
原创 Transformer 这 8 年到底“升级”了什么：从注意力到 MoE、长上下文、Multimodal 与 Agent
摘要 Transformer自2017年问世以来，已从基础的"注意力+FFN"结构演变为具备五大核心能力的系统架构： 1. 效率提升 通过MoE（混合专家）实现条件计算，仅激活相关专家模块，显著降低计算成本。 2. 记忆扩展 采用线性/稀疏注意力优化计算复杂度，配合KV Cache压缩技术，突破长上下文处理瓶颈。 3. 多模态融合 统一不同模态的数据表示，在统一推理框架中实现跨模态对齐与生成。 4. 逻辑增强 改进复杂推理能力，提升答案可靠性。 5. 执行能力 通过Agent架构集成工具
2026-02-24 20:23:21
796
原创 find-skills 安装与使用（Trae）：把 Skills.sh 变成你的“能力商店”
这里先科普两个概念，后文会用到：再补一组名词对照，避免混淆：当你希望 Trae 的能力“临时长出来”时（例如视频字幕转博客、生成 PPT、代码审查、写测试），你有两条路： 解决的是第二条路里的第一个难点：“去哪里找合适的 skill，以及怎么装”。验证：3. 安装 find-skills用 Skills CLI 安装（仓库来源以你实际选择为准，下面以常见仓库为例）：安装过程中你会看到交互式选择：建议：Trae 通常读取项目内的 。所以“装上了”不等于“Trae 会用”，你需要满足其中一种：举例（安
2026-02-24 15:33:44
1738
原创 DeepSeek 为什么快、为什么便宜：从 Dense 到 MoE 看推理成本
摘要 DeepSeek模型之所以快且便宜，关键在于其采用了MoE（混合专家）架构而非传统的Dense（稠密）架构。MoE通过将大网络拆分为多个小专家模块，并引入路由机制，使得每个token只需激活少量专家进行计算，从而显著减少了参与计算的参数数量。这种设计带来两大优势：1）计算效率提升，减少了矩阵乘法和显存读写，提高吞吐量；2）单位token的推理成本降低，为定价提供更大弹性。虽然MoE总参数更多，但激活参数更少，实现了"空间换时间"的优化。该技术不仅改变了模型推理的成本结构，也影响了市
2026-02-24 15:03:53
675
原创 为什么大语言模型处理 Token，而不是文字：Tokenizer 与 Embedding 一次讲清
摘要 大语言模型处理的是token而非文字，核心流程为：文本→tokenizer→token id序列→embedding→向量序列→模型计算。Tokenizer将文字切分为token片段（可能是字、词或子词），token id仅是词表索引编号。Embedding将离散的token id映射为连续向量，形成语义关系。RAG中的embedding用于文本检索，与模型内部的token embedding虽同属向量表示但用途不同。模型不直接处理文字是因为token化能平衡词表大小与序列长度，提升计算效率。需注意t
2026-02-14 17:52:11
595
原创 小米笔记本 Windows 10 系统重置：完整步骤与避坑清单
摘要： 小米笔记本Windows 10系统重置完整指南，适用于系统卡顿或恢复出厂需求。关键步骤包括：备份重要数据（即使选择保留文件）、全程连接电源、记录软件清单。提供两种重置选项：保留个人文件（删除软件）或彻底清除（恢复初始状态）。若需调整分区，可合并C/D盘（需备份D盘数据）或扩容C盘。重置耗时30-60分钟，自动重启属正常现象。完成后验证网络、声音及系统激活状态。针对长辈使用建议简化设置：放大显示比例、仅安装必要软件（如微信、浏览器），无需额外杀毒工具，依靠系统自带防护即可。重点提示：避免强制中断重置过
2026-02-14 16:41:56
549
原创 高频获取定位（GPS）如何做到合规：法律、审核、系统机制与落地方案
本文从合规与工程两个视角解释“高频获取定位”如何做得可通过监管与商店审核：定位/行踪轨迹属于敏感个人信息，需目的明确、最小必要、单独同意与可撤回。文章拆解检查方的静态/动态手段（权限声明、调用链、同意前采集、频度是否超需、后台行为与数据流向），并说明 Android 前台/后台权限差异与 iOS “使用中/始终授权”的能力边界。落地方案建议把高频压缩为用户可感知的前台短会话（限时、可停、降精度），后台改为事件驱动，配套披露、开关、留存与脱敏审计清单。
2026-02-13 14:49:21
621
原创 Fresco 图片加载全链路解析：从 SimpleDraweeView 到 Producer 责任链
摘要 Fresco 图片加载框架采用 MVP 模式分层设计： UI 链路（View层）： SimpleDraweeView 只负责展示最终 Drawable 通过 setImageURI() 触发请求，将任务委托给 PipelineDraweeController 控制器通过订阅 DataSource 获取解码后的图片数据 数据链路（Model层）： ImagePipeline 返回 DataSource<CloseableReference<CloseableImage>> 采用
2026-02-12 15:41:02
776
原创 把 Multi-Head Attention 讲“明白”：一句话、一个例子、再到工程落地
摘要： 多头注意力（MHA）通过并行多组注意力机制增强模型对上下文的捕捉能力。单头注意力只能聚焦单一关系（如语法或语义），而MHA让不同头专注不同任务（如指代消歧、长距离依赖等），最后融合结果。以“订机票”为例，模型需同时关注时间、地点等关键信息，MHA通过拆分Q/K/V到多个子空间实现这一目标。工程实现中需注意：1）注意力分数计算（Q@K^T）与归一化；2）因果mask防止解码器偷看未来信息；3）多头输出的拼接与线性融合。MHA的核心价值在于让模型同时学习多种上下文关系，提升表示能力。
2026-02-06 16:36:24
365
原创 别再被 AI 黑话“收智商税”了：讲透 Agent / RAG / MCP / Skill 的通用工程解法
摘要 当前AI领域的RAG、Agent、MCP、Skill等术语本质上都是为弥补大语言模型的三大短板：缺乏私有知识、实时性和执行能力。这些概念并非"黑科技"，而是可拆解的系统组件： RAG（检索增强生成）通过先检索相关材料再输入模型来补充知识 Agent通过工具调用和循环控制实现任务执行 MCP提供标准化的工具连接层 Skill是可复用的工作流程片段 工程实现需关注： 数据检索质量（召回率、排序、切片） 工具调用的可靠性（Schema约束） 工作流编排（循环控制、失败处理） 记忆管理（短
2026-02-05 10:38:22
920
原创 Google AI Agent 白皮书拆解（1）：从《Introduction to Agents》看清 Agent 的工程底座
- 一句话结论：Agent 不是“更会聊天的 LLM”，而是一个可构建、可运行、可治理的软件工程系统：用模型在可重复的控制回路里做事，并在工具、上下文、部署与治理上补齐“生产级能力”。- 落地路径：先把 Level 1（事实闭环）跑稳，再做 Level 2（上下文工程），最后才谈多智能体与规模化治理。- 最大风险：多数团队“只做了模型 + 工具”，缺了编排层与运行时，导致 Demo 很美、生产必翻车。
2026-02-02 15:19:19
1267
原创 多智能体（Multi-Agent）架构选型：四种模式，一张图看懂
多智能体架构选型摘要：多智能体通过更高系统复杂度换取上下文隔离、并行化和流程可控性。核心选型原则包括：强控制权选Subagents（主-子架构），单Agent多专业选Skills，多阶段流程选Handoffs（状态驱动），多领域并行选Router（路由分发）。四种模式对比：Subagents适合集中编排但延迟高，Skills轻量但易上下文污染，Handoffs流程可控但状态管理复杂，Router并行高效但路由风险大。决策时需评估是否必须上下文隔离、并行执行或状态机需求，否则优先考虑单Agent+工具方案。
2026-02-02 15:18:16
712
原创 多智能体（Multi-Agent）架构选型：四种模式，一张图看懂
多智能体架构选型摘要：多智能体通过更高系统复杂度换取上下文隔离、并行化和流程可控性。核心选型原则包括：强控制权选Subagents（主-子架构），单Agent多专业选Skills，多阶段流程选Handoffs（状态驱动），多领域并行选Router（路由分发）。四种模式对比：Subagents适合集中编排但延迟高，Skills轻量但易上下文污染，Handoffs流程可控但状态管理复杂，Router并行高效但路由风险大。决策时需评估是否必须上下文隔离、并行执行或状态机需求，否则优先考虑单Agent+工具方案。
2026-01-28 20:33:45
1284
原创 Agent Skill 入门：把多步推理与工具调用固化为可复用流程
摘要 Agent Skill是一种将复杂任务流程封装为可复用技能包的方法，包含触发条件、执行步骤、输入输出格式等规范。它通过SKILL.md文档定义工作流程，配合reference参考材料和scripts确定性脚本，实现任务的稳定执行和团队协作复用。与人类学习骑车的类比类似，Agent Skill将多步推理和工具调用固化为可自动执行的流程。典型结构包含SKILL.md、reference/和scripts/目录，通过明确触发条件、输入校验、结构化输出等工程化约束，确保技能执行的可靠性和一致性。最小示例展示了
2026-01-28 17:15:42
577
原创 从“帮同事整理会议记录”看懂 Transformer
摘要 Transformer模型是一种高效的信息处理架构，其核心创新在于并行化的注意力机制。与传统序列模型(如RNN/LSTM)的串行处理不同，Transformer采用类似"超市自助结账"的并行方式，让所有输入信息同时处理，同时通过注意力机制动态捕捉关键关联。模型分为Encoder和Decoder两部分：Encoder将杂乱输入整理为结构化语义表示，Decoder则基于此生成目标输出。这种架构不仅大幅提升了处理速度，还能更好地理解长距离语义关系。从工程角度看，理解Transformer
2026-01-28 16:02:17
580
原创 AI 时代黄金产品研发指南：从赛道选择到技术落地的实战手册
- 先搞清“上游增量”还是“下游优化”：选错赛道，再强技术也可能在替巨头做功能验证。- 需求验证不要只看“模型准确率”，要看端上是否形成闭环：用户能不能完成任务/会不会留下来/失败时是否能继续走下去。- 技术落地优先“成熟模型 + 微调 + 工程封装”，避免早期陷入“底层重研发”的工程壁垒陷阱；端上重点是缓存、降级、取消与队列。- 体验设计要“藏复杂于无形”：把“参数/术语”翻译成用户能理解的目标语言（如“更鲜艳”）；端上交互要可撤销、可恢复、可解释。- 商业化与生存靠成本模型与节奏：算力成本与端上
2026-01-27 15:00:44
857
原创 从 Vibe 到 Spec：让 AI 编程在客户端工程里可控、可验收、可合入
Vibe 用来“找方向”，不要直接交付Spec 用来“交付与合入”，把不确定性前移到文档阶段想让 AI 编程更稳定，关键不是更长的 Prompt，而是更严谨的 Context + 闸门流程 + 可复用的 Skills。
2026-01-23 16:52:43
908
原创 Kotlin 2.0+ 新特性：客户端开发者真正用得上的变化
Kotlin 2.0+ 新特性解析：客户端开发实用指南 Kotlin 2.0+ 的核心升级在于K2编译器的全面启用，为客户端开发带来三大变化： 编译优化：K2编译器全平台稳定，显著提升编译速度和IDE分析准确性，支持JVM/Native/Wasm/JS多端一致开发体验 语言增强： 更智能的类型推断和smart cast，减少冗余类型转换 改进when表达式语法，支持更直观的条件分支 增强Contracts机制，让编译器更理解业务逻辑约束 工程实践： JVM平台lambda默认使用invokedynamic，
2026-01-22 14:36:32
661
1
原创 Kotlin 2025–2026 客户端开发路线：语言升级 × 跨端落地 × AI Agent 入门
Kotlin 2025-2026 客户端开发路线聚焦三大方向：语言升级、跨端落地和AI Agent入门。Kotlin 2.x将保持每6个月的语言大版本更新节奏，K2编译器及IDE模式带来显著性能提升。跨端开发进入工程化阶段，KMP负责业务逻辑共享，Compose Multiplatform实现UI共享。JetBrains推出的Koog框架为端侧AI应用开发提供支持。文章详细解析了K2编译器的优势、KMP/CMP的工程实践方案，并提供了版本对齐、跨端架构设计等实用建议，同时提醒注意工程化过程中的潜在风险。
2026-01-19 11:49:22
1149
原创 Kotlin Multiplatform + 声明式 UI 三端实战：从工程结构到鸿蒙适配
本文介绍了使用 Kotlin Multiplatform (KMP) 实现三端（Android/iOS/鸿蒙）共享业务逻辑和声明式 UI 的工程实践方案。文章首先明确了跨端开发的三大核心目标：业务逻辑共享、UI一致性保持和工程可持续性，并提出了分层架构模型，强调将平台差异收敛为稳定接口。 在工程结构方面，推荐采用"Common+Platform Main"的模块化设计，将共享代码按功能域拆分，使各业务模块能独立演进。对于平台差异处理，文章详细讲解了expect/actual机制的基础用法
2026-01-16 11:21:55
1641
原创 Kotlin 协程：像写同步代码一样写异步逻辑
Kotlin协程通过同步代码结构实现异步逻辑，避免了传统线程和回调的缺点。核心在于"挂起"而非阻塞线程，类似餐厅服务员高效处理多个任务。使用协程需要三个要素：作用域(Scope)、挂起函数(suspend)和构建器(launch/async)。其中launch用于无返回值任务，async用于需要返回值的并发操作。挂起函数(suspend)标记耗时操作，只能在协程或另一个挂起函数中调用。协程通过这种机制实现了用少量线程处理大量并发任务的能力，使代码更简洁易读。
2026-01-15 21:49:13
904
原创 客户端团队 Agentic Coding 工程指南：原理与最佳实践
本文档是 Agentic Coding 的工程指南，旨在帮助开发者高效驾驭 AI。核心在于理解 AI 的“预测”本质与上下文瓶颈，避免长对话引发的幻觉。核心实践：1. 短对话原则 ：坚持 One Session One Task ，一旦 AI 开始“车轱辘话”或任务完成，立即开启新对话，保持上下文纯净。2. 任务拆解 ：将复杂需求拆解为调研、实现、测试等多轮独立对话。3. 工程规范 ：利用 AGENTS.md 作为项目“入职手册”提供背景，采用文档驱动开发（DDD）先规划后编码。
2026-01-15 15:35:13
891
原创 KMP 多平台业务落地实践指南 (2025)
KMP跨端落地实战：大型App迁移经验总结 本文分享了Kotlin Multiplatform（KMP）在大型App中的落地实践。面对鸿蒙适配和代码复用需求，团队采用渐进式迁移策略，通过语法转换、平台解耦和多端产物编译，实现了70%业务覆盖率和30%+的提效效果。关键技术包括"胶水层注入"设计、对象代理模式管理数据模型，以及跨语言调用时的生命周期管理方案（如Cleaner API和WeakReference）。实践表明，KMP能有效解决迁移速度、线上稳定性和长期工程成本三大核心问题，为跨
2026-01-15 14:19:29
865
原创 从客户端负责人视角落地 Agentic Coding（基于 Trae）：认知、流程、工程化与长期建设
Agentic Coding 客户端落地摘要本文档旨在将 Agent 从“代码补全工具”升级为**“可控的客户端交付流水线”**。核心策略是利用 Trae 的 **Builder (SOLO) 模式**的主动规划与执行能力，配合 **Chat 模式**辅助，并将 Agent 锁定在**“规范(AGENTS.md) + 工具 + 证据 + 闸门”**的闭环流程中。
2026-01-13 19:58:16
1272
原创 期权交易入门：用买房讲透 Call/Put 与行权指派（含富途牛牛实操）
期权本质类似买房定金协议，买方支付权利金获得未来按约定价格交易的权利，卖方收取费用但承担履约义务。期权分为看涨（Call）和看跌（Put）两类，分别对应买入和卖出权利。实值（ITM）期权到期时会自动行权，虚值（OTM）则归零。新手建议采用保护性看跌、备兑看涨或纯投机策略，并注意到期前平仓避免被动交割。关键要分清买方（风险有限）和卖方（风险较大）的不同责任，理解自动行权规则，才能有效管理期权交易风险。
2026-01-09 15:02:20
861
原创 AI 时代旧敏捷开发的核心矛盾与系统困境
AI时代旧敏捷方法论面临系统性失效：虽然AI显著提升个体编码效率（部分任务提速近2倍），但组织层面68%的开发者节省的时间被流程摩擦抵消（Atlassian数据）。核心矛盾在于：旧敏捷为"代码稀缺时代"设计，其六个关键假设与AI开发特性产生根本冲突：1)度量指标陷入"伪效率"陷阱；2)流程设计造成评审/测试环节堵塞；3)分工模式未适配人机协同需求。破局需重构操作系统：30天内识别价值流瓶颈，60天将规范转化为自动化闸门，90天建立AI-native分工体系（Spec
2026-01-09 14:46:43
856
原创 Google A2UI 协议深度解析：AI 生成 UI 的机遇与实践（客户端视角，Android/iOS 都能落地）
适用读者：Android / iOS / 跨端同学、做 AI 应用落地的端侧负责人关键词：Agent-driven UI / Server-driven UI / JSONL + SSE 流式协议 / 组件白名单 Catalog / 结构与数据解耦重要提示：A2UI 目前仍处于 v0.8 Public Preview（早期阶段），规范与实现会持续演进，落地要把“可变更”当作前提。
2026-01-07 15:30:46
1622
原创 Google A2UI 入门：让 Agent “说 UI”，用声明式 JSON 安全渲染到原生界面
Google A2UI 是一种让AI助手安全生成可交互界面的方案，通过声明式JSON描述UI结构，客户端用原生组件渲染。它解决了纯文本交互效率低的问题，采用组件白名单确保安全，支持增量更新优化体验。A2UI配合AG-UI协议实现双向交互，已在Google产品中应用。核心优势是让AI生成的界面既灵活又安全可控，适合生产环境部署。
2026-01-05 21:39:34
2241
原创 GPT-5 时代提问术：为什么有人觉得“变强了但更难用”？以及让回复质量飙升的 11 个技巧（附可直接复制的模板）
摘要： GPT-5的两大核心改进是：1）从多模型整合为统一系统+智能路由，根据任务复杂度自动调用不同模型；2）对指令理解更精准，但模糊需求易触发默认响应。为提升输出质量，建议：拆解任务步骤、多轮迭代对话、明确角色约束、提供风格样例、管理上下文记忆、触发深度推理、多模型对比互补、固化偏好指令、利用Projects管理长期任务、自我批评改稿、建立提示词模板库。结合这些技巧，可构建高效工作流（如写作、决策、项目管理）。关键是将GPT-5视为可管理的协作系统，而非单纯工具。
2026-01-04 11:45:28
454
原创 Transformer 原理入门：从“货拉拉拉不拉拉布拉多”讲清 Attention、QKV 与编码器/解码器（小白也能懂）
《Attention is All You Need》提出的Transformer架构成为AI大模型的基础。本文从翻译问题切入，用通俗语言解释其核心组件：通过Token/Embedding将文字数字化，QKV机制让每个词具备查询能力，注意力机制动态分配上下文权重，多头注意力并行捕捉多种语义关系。编码器理解输入语义，解码器通过掩码自注意力和交叉注意力逐词生成翻译，残差连接和归一化确保训练稳定。该架构衍生出BERT（仅编码器）、GPT（仅解码器）和经典翻译模型（编码器-解码器）三种形态，彻底改变了自然语言处理领
2026-01-04 11:20:47
545
原创 Agent Skills 入门：把“公司 SOP + 工具脚本”封装成可复用技能，让 Agent 真正在你团队里干活（并对比 MCP）
摘要： Agent Skills通过封装企业SOP和工具脚本为可复用技能，解决Agent落地中的流程重复与Prompt臃肿问题。其核心是渐进式披露机制：按需加载元数据、指令和资源，显著降低token消耗。一个完整的Skill包含SKILL.md（规则）、reference（参考资料）和scripts（确定性操作脚本），形成Agent的“工具箱”。与MCP（负责数据连接）互补，二者结合可实现企业级Agent部署。示例演示了会议纪要Skill的构建，涵盖财务合规提醒与自动上传功能，体现模块化设计优势。
2026-01-02 12:55:04
1339
原创 AI 越来越强，为啥你却越来越“无感”？——用工程师的“三条曲线”拆解割裂感，并给出一套可落地用法
摘要：本文分析了AI能力快速提升与用户"无感"之间的割裂现象，提出三条关键曲线模型：能力曲线快速上升，但可用性曲线（系统集成）和责任曲线（可验证性）滞后。作者指出真正阻碍AI落地的往往是非算法问题，如数据接入、输出验证和责任归属。文章建议采用工程化思维，通过结构化任务定义、质量门禁和收益量化来构建可验收的AI应用闭环。最后强调，这种割裂感标志着AI应用正从技术崇拜转向系统工程阶段，关注可靠性将比单纯追求智能更重要。（149字）
2025-12-31 13:59:52
702
原创 LangChain 入门：把大模型“组装”成应用的那套乐高（5分钟用通义千问 + LCEL 跑通 Demo）
本文介绍了如何快速使用LangChain和通义千问搭建一个"AI短文生成器"应用。主要内容包括： 5分钟快速实现：安装依赖、配置API Key、使用LCEL（LangChain表达式语言）构建Prompt→模型→解析器的基础链。 三种实用扩展： 流式输出：实现逐段生成效果 结构化JSON输出：便于数据存储和前端渲染 并行生成：同时获取标题、摘要、标签和正文 进阶路线建议：从基础功能扩展到RAG知识库、链路追踪、Agent工具调用等高级特性。 文章提供了可直接运行的代码示例，帮助开发者快速
2025-12-26 11:42:38
558
原创 别再把 40 万 Context 当 40 万字！一文搞懂 Token/Tokenizer（BPE）与字数换算
本文解释了Token和Tokenizer的核心概念：Token是大模型处理文本的基本单位，不同于字词；Tokenizer作为"翻译官+压缩机"，通过BPE算法训练，将文字与数字互转。BPE训练过程通过统计合并高频片段来优化词表，使常见文本更省Token。使用时需注意编码(拆合编号)和解码(查表拼接)过程可能导致半词或异常空格。Token与字数换算关系约为：1Token≈1.5-2汉字/0.75英文单词/4英文字母，但实际值受文本类型影响较大。关键提示包括：用Token预算而非字数规划上下
2025-12-15 17:34:28
984
原创 从「思考」到 ReAct：AI 智能体是怎么一步步想清楚再动手的？
本文梳理了AI智能体从思考到行动的演进路径，重点解析了Thought、CoT和ReAct三个关键概念。Thought是智能体的内部推理过程，用于任务拆解和决策；CoT（思维链）通过逐步推理解决纯思维任务；ReAct则结合推理与工具调用，实现"思考-行动"循环。文章对比了CoT与ReAct的适用场景，并指出新一代模型（如DeepSeek R1）将推理-答案分离作为内置能力。最后提出了智能体开发的实践建议，强调根据任务性质选择合适的方法论组合。这些概念为设计高效AI智能体提供了清晰的思路框架
2025-12-09 14:20:33
1187
原创 用“课堂传纸条”搞懂 HTTPS，加密、公钥、CA 和手机里那些神秘的根证书
HTTPS通过加密和认证机制确保网络通信安全。文章以"课堂传纸条"为喻，生动解释了对称加密（共享密钥）与非对称加密（公钥/私钥）的原理，指出密钥分发是核心难题。非对称加密可安全传输对称密钥，但仍面临中间人攻击风险。数字签名和CA（证书机构）体系解决了公钥真实性问题：CA用私钥为网站公钥签名生成证书，浏览器通过预置的根证书验证证书链的合法性。整个信任体系建立在操作系统预置的可信根证书基础上，形成完整的HTTPS安全保障机制。
2025-12-09 11:57:13
1188
windows scoket编程
2011-11-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人