标签: #llm

한국어English日本語中文

← 全部文章

• AI 智能体完全指南 — 用 LangChain、LangGraph、CrewAI 构建自主 AI 系统

  一份让你彻底掌握 AI 智能体系统的指南。从 ReAct、Tool Use、Function Calling 到 LangChain 智能体、LangGraph 工作流、CrewAI 多智能体协作，通过实战示例构建自主 AI 系统。

  2026-03-17 · 34 分钟阅读 #ai-agent#langchain#langgraph#crewai#autonomous-ai

• 1M 上下文窗口时代的 LLM 应用策略: 大规模上下文处理实战指南

  2026 年 3 月 Anthropic 宣布 Claude Opus 4.6/Sonnet 4.6 的 1M token 上下文窗口正式 GA。本文综合讲解从原有 128K~200K 上限扩展到 1M 所带来的应用范式转变、五种实战应用模式、相对于 RAG 的权衡取舍，以及成本优化策略。

  2026-03-15 · 37 分钟阅读 #ai-platform#llm#context-window#long-context#claude

• 从 RLHF 到 DPO：LLM 对齐（Alignment）技术论文深度解析

  深度解析 LLM 对齐技术的核心论文。系统梳理 InstructGPT 的 RLHF 流水线、Anthropic 的 Constitutional AI、DPO 的数学基础、PPO 训练稳定性，以及 KTO/IPO/ORPO 等最新研究，并整理实务应用方案。

  2026-03-13 · 18 分钟阅读 #ai-papers#rlhf#dpo#alignment#ppo

• Forward Deployed Engineer 职业指南：AI 时代成长最快的问题解决型工程师岗位

  基于最新招聘公告和行业案例，梳理 Forward Deployed Engineer(FDE)的实际角色、与普通软件工程师/解决方案架构师的区别、所需能力、职业成长路径，以及 90 天准备路线图。

  2026-03-07 · 12 分钟阅读 #ai-platform#forward-deployed-engineer#career#llm#enterprise-ai

• AI Papers: Test-Time Scaling 核心论文梳理 — 用推理预算提升性能的方法

  Test-Time Scaling（TTS）不增加训练参数，而是通过增加推理阶段的计算预算来提升性能。本文从论文脉络与实务应用的角度，梳理 Best-of-N、Self-Consistency、Tree Search、以及基于 Verifier/Reranker 的方法。

  2026-03-04 · 22 分钟阅读 #ai-papers#test-time-scaling#reasoning#inference#llm

• 打造属于自己的 GPT — 用 nanoGPT 从零开始训练语言模型

  借助 Andrej Karpathy 的 nanoGPT，从零开始训练 GPT 语言模型。结合代码，完整解剖 Transformer 架构的核心原理、分词器、Self-Attention、训练循环。

  2026-03-03 · 8 分钟阅读 #ai#llm#gpt#nanogpt#transformer

• 用 Ray Serve 构建可扩展的 LLM 服务流水线

  从 Ray Serve 支撑的 ML/LLM 模型服务核心概念开始，一路讲到多模型流水线、自动伸缩、批量推理与生产部署，并配有代码示例。

  2026-03-03 · 7 分钟阅读 #ai-platform#ray-serve#model-serving#llm#mlops

• LangGraph 智能体工作流实战指南：从多智能体编排到生产部署

  用 LangGraph 构建状态化的 AI 智能体工作流。涵盖 StateGraph、条件路由、多智能体编排、Human-in-the-Loop，以及 LangGraph Platform 部署，全程附带实战代码。

  2026-03-02 · 8 分钟阅读 #langgraph#langchain#ai-agent#workflow#multi-agent

• LoRA: 大规模语言模型的高效微调论文解析

  对 LoRA（Low-Rank Adaptation）论文的核心原理进行数学分析，并系统整理基于 HuggingFace PEFT 库的实战应用方法。

  2026-03-01 · 23 分钟阅读 #ai-papers#lora#fine-tuning#llm#peft

• RAG：Retrieval-Augmented Generation 论文解析与生产架构

  解析 RAG 论文的核心概念，梳理 Chunking 策略、Vector DB 选型、Advanced RAG 模式等生产级 RAG 系统设计。

  2026-03-01 · 31 分钟阅读 #ai-papers#rag#llm#vector-database#langchain