让模型回答问题和让模型“去做一件事”，是两种完全不同的风险级别。前者答错了，通常还能被用户发现；后者如果调用了错误工具，可能真的发出邮件、修改数据，甚至产生费用。 第 7 章介绍 Agent、Tool、Toolkit 和 ReAct。它最吸引人的地方是模型可以自己选择下一步，但我读完后最想记住的反而 ...

前言 近期在研究大模型（LLM） 与Skill（技能） 的结合应用，颇有感触。人类拥有绘画、编程等技能，依靠眼和手来完成；类比到嵌入式设备中，图像采集、数据传输同样是技能，只不过它们依靠板载硬件来完成。 通常，一块开发板的硬件资源是固定的，但上层应用是多变的。同一块板子，既可以在项目 A 中使用，也 ...

用户说“还是按上次那个地址寄”，系统怎样知道“上次那个地址”指什么？这是聊天应用开始变得像助手的时刻，也是状态管理真正变麻烦的时刻。 第 6 章集中讨论 Memory。读这一章前，我容易把记忆理解成“把历史对话都塞回 Prompt”；读完以后，最大的变化是开始区分原始记录、当前上下文和长期事实。 版 ...

--作者：李菠萝的多样空间 --创建时间：2026-07-30 --学习的教学视频：Agent Skill 从使用到原理，一次讲清 --马克的技术工作坊 --辅助学习：Copilot助手，一问一答的方式学习，笔记也为对话总结 --声明：笔记包含AI生成内容 --想说话的话：这种复发没想到这... ...

从 DeepMind 提出的“双模型协作”，到 DeepSeek 招牌的 MTP，开源EAGLE，再到最新的 DFlash 和 DSpark，今天我们就来扒一扒这套“推理提速大法”的技术演化史。 ...

“Chain”这个名字很容易让人产生一个误会：只要把几个模型调用首尾相接，就算搭好了应用。 第 5 章从基础链、顺序链、路由链讲到 Stuff、Refine 和 MapReduce。读下来以后，我更关心的反而是另一个问题：一段流程什么时候值得封装成 Chain，又有哪些逻辑应该老老实实留在普通代码里 ...

工业领域正经历从“自动化”、“信息化”到“智能化”的深层转型。传统工业软件往往是“人适应系统”，操作人员需要记住功能路径、系统的操作方式，在数据看板、报表系统、文档库等之间切换。智能化应该是“系统适应人”，用自然语言一句话就能完成数据查询、状态诊断和决策建议，对于产品或是系统设计更趋向于“简单化”。 ...

做 RAG 时，最容易被关注的是最后那次模型回答。但真正动手以后，我发现很多“模型答不好”的问题，往前追几步就会变成：文档没读全、切块切断了、元数据丢了，或者正确证据根本没有被召回。 第 4 章把加载器、文档转换、Embedding、向量存储和 Retriever 放在“数据增强模块”中。与其把它们 ...

YOLO-EMAC(YOLO-efficient-multiscale-adaptive-channel)是一种针对PCB检测中目标过小的特点提出的一种算法,基础是YOLOv12. 在卷积神经网络中,存在两个问题：(1)下采样带来的浅层特征损失,特征图越来越小,小目标卷积几次以后特征就没有了;(2) ...

如果模型只负责写一段文案，返回自由文本通常够用；如果下一步要创建工单、查询数据库或调用支付接口，“大概是这个意思”就远远不够了。 第 3 章把模型包装器、提示词模板和输出解析器放进同一个“模型 I/O”模块。这个划分让我意识到，模型调用也应该像普通接口一样有契约：输入有哪些字段，输出是什么结构，失败 ...

第一次写聊天程序时，代码很容易给人一种“已经完成了”的错觉：传入一句话，模型返回一段话，终端里也确实打印出了答案。 但只要继续加两个需求，比如“回答必须保持固定格式”和“把每次调用记录下来”，原来那几行代码就会迅速膨胀。第 2 章从第一个聊天机器人讲起，我觉得它真正想建立的不是某个 API 的记忆， ...

在机器学习实战中，我们常常把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？ 刚开始学机器学习那会儿，我特别喜欢堆特征，不管有用没用先一股脑全塞进去，总觉得特征越多模型越聪明。 直到有一次跑练习数据集，X_train.shape 直接干到了 (50000, ...

刚接触 LangChain 时，我有过一个很直接的疑问：调用大模型不就是发一次 HTTP 请求吗，为什么还需要专门学一个框架？ 把 Demo 写到几十行以后，答案就慢慢出现了。提示词要维护，聊天记录要裁剪，模型输出要校验，私有文档要检索，工具调用要鉴权，线上问题还得能追踪。麻烦的从来不是“把请求发出 ...

Remotion 是 Jonny Burger 在 2021 年开源的项目，GitHub 上 2 万多 star，用 React 组件写视频。HyperFrames 是 AI 视频公司 HeyGen 的开源项目，用 HTML + GSAP 时间轴写视频。它们最初都是程序员手写代码做动画的工具。后来各... ...

LLMA-Mem 目前挂在 Arxiv 26.04 上，探讨了 LLM 多智能体系统中 "横向扩展团队规模" 与 "纵向积累时间经验" 两种扩展维度之间的交互关系，提出通过记忆设计实现更高效的终身学习 背景 LLM 多智能体系统（Multi-Agent Systems, MAS）可以通过两个不同维度 ...

写到第 12 篇时，我更愿意把 Happy-LLM 看成一条从概念到工程的学习路线，而不是一本按章节读完就结束的教程。它的主线很清楚：先补 NLP 和 Transformer，再看预训练模型如何发展到 LLM，随后进入动手搭建、训练、对齐，最后落到生成、RAG、Agent 和具体应用。这个顺序的好处 ...

补充章节读下来，我最大的感受是：LLM 工程并不是只围着“更大的模型”转。真正落地时，常见问题反而是数据能不能出内网、成本能不能压住、延迟能不能接受、上下文格式是否稳定。大模型给了能力上限，但业务常需要可控、便宜、可部署的边界。 这几篇 Extra-Chapter 把几个主题串了起来：小模型微调、v ...

学到第七章后，我对“大模型应用”的理解开始从单次问答转向系统工程。RAG 解决的是知识如何进入上下文，而评测和 Agent 关注的是另外两个问题：模型到底能不能被信任，以及模型怎样从“会回答”变成“会做事”。 这两个主题放在一起很自然。没有评测，Agent 的每一步都像黑箱；没有 Agent，评测也 ...

大家好，我是R哥。 最近我的 Claude 账号也被封了《麻了！我的 Claude 老账号也被封了….》，无所谓了，反正它不是非用不可。 作为 Claude 重度用户，这篇就来说说 Claude 到底有多恶心，有多抠门？？ 我细数了 Claude 的 13 个臭毛病，说的不对，欢迎你来骂我！！ 1、 ...

第七章开始进入大模型应用，RAG 是其中最容易被低估的一块。很多教程会把它讲成"文档切块、向量化、相似度检索、塞进 prompt"，流程看起来很顺，但真正落到工程里，问题往往不在能不能跑通，而在检索到的知识是否完整、是否相关、是否能被模型稳定使用。 Happy-LLM 的 Tiny-RAG 实现很适 ...