语言模型

不要生病了

扩散语言模型的“灵活性陷阱”：为什么训练时反而应该按自回归顺序探索？原论文：The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models 作者：Zanlin Ni、Shenzhi Wang、Yang Yue、Tianyu Yu、Weilin Zhao、Yeguo Hua、Tianyi Chen、Jun Song、Cheng Yu、Bo Zheng、Gao Huang 会议/年份：ICML 2026；原文为 arXiv:2601.15165v4（2026-

【ASR】Whisper：Robust Speech Recognition via Large-Scale Weak Supervision相比 wav2vec 2.0 、HuBERT 和 WavLM 等自监督模型。Whisper（Radford et al.，OpenAI，2022）的想法是，互联网已经有大量音频、字幕对，能不能接受标签不够精确，以更大的规模和更多样的来源，直接训练一个能转写、能翻译的模型？

LiteLLM 部署实战：Docker 环境LiteLLM 是一个开源的 LLM 网关，它提供统一的 API 接口，让开发者可以用一套代码接入 OpenAI、Anthropic、Azure OpenAI、Google Gemini 等多家大模型服务。通过 LiteLLM，你可以实现模型路由、负载均衡、成本追踪、限流和密钥管理等功能，从而简化多模型接入的复杂度。

大模型任我行

Meta：AI让推荐系统自动化持续优化📖标题：CORAL: An LLM-Native Harness for Production Recommender Systems 🌐来源：arXiv, 2609.02730v1

Agent 记忆调用的上下文感知：从“能召回“到“敢开口“的决策框架摘要：主流 Agent 记忆系统已在存储与检索的工程化上趋于成熟（分层上下文、向量/图召回、自动摘要），但普遍采用"召回即注入"的强耦合架构。本文指出，记忆调用的本质不是一个检索问题，而是一个上下文感知的决策问题：错配成本严重不对称（误用 >> 漏用），召回精度越高反而可能越冒犯。基于此，我们提出一套包含结构化标签、场景推断、三层闸门和用户控制面的决策框架，并给出可运行的工程实现、评估指标与落地路线。

EmployeeAssistant 智能问答服务：基于 pgvector 与 LLM 的企业知识库助手EmployeeAssistant 是一个面向企业员工的智能问答服务，采用原生 HTML/CSS/JavaScript 前端与 ASP.NET Core .NET 10 后端，结合 EF Core、PostgreSQL/pgvector 以及本地或组织批准的 LLM 服务，实现基于知识库的语义检索问答。系统根据员工提出的问题生成 embedding，从 PostgreSQL/pgvector 中检索最相关的知识库切块，并将检索内容、问题与引用来源一并发送给 chat 模型，通过 SSE 流式返回回答。服务

工作流与 Agent 的工程选型：从“控制权归属“看 LLM 应用架构本文从一道常见的 AI 工程化面试题出发——“什么时候用工作流？什么时候用 Agent？”——梳理工作流（Workflow）与智能体（Agent）的核心差异、适用边界、混合架构实践，以及工程选型时容易踩的"伪 Agent"误区。文章内容兼顾概念辨析与落地参考，适合从事 LLM 应用开发、RAG/agent 框架选型的工程师阅读。

差不多的周周

《MotionLLM：从人体运动和视频理解人类行为》论文核心部分详解论文原标题：MotionLLM: Understanding Human Behaviors from Human Motions and Videos

纪伊路上盛名在

Omni-Mol：用多模态大语言模型构建通用多任务分子模型参考：https://github.com/ChengxinHU/Omni-Mol 文献：https://arxiv.org/abs/2502.01074

多个 MCP Server 怎么编排：数据库 / Redis / Git / 飞书一把梭🔥 写在前面：单个 MCP Server 好写，但当你要让 AI 同时用上「数据库 + Redis + Git + 飞书」四个 Server 时，问题就来了：工具名撞车怎么办？权限边界怎么划？AI 该调哪个？这篇文章用一套编排规范 + 实测数据，把多 Server 的坑一次填平。

今年下半年

从零开始搭建一套大语言模型 + LangGraph 多智能体编排 + RAG 知识库检索** 的智能问答平台本文档仅针对 chat_py_server（后端）与 chat_py_front（前端）两个项目。本系统是一个基于大语言模型 + LangGraph 多智能体编排 + RAG 知识库检索的智能问答平台，面向企业招商/政策等业务场景。

从理论到工程化：构建可靠Agent系统的六大核心工件与实战指南随着大语言模型的快速发展，Agent（智能体）已成为连接LLM能力与真实业务场景的关键桥梁。然而，许多开发者在构建Agent时，往往陷入"Prompt工程"的迷思，认为只要写好提示词、接上API，就能得到一个稳定可靠的Agent系统。事实远非如此。

技术博主实测：2026年大语言模型辅助学习工具横向对比在日常技术交流中，经常有读者问我：“博主，你现在用哪些AI工具辅助学习和技术研究？”作为一名关注AI技术发展的博主，过去一年我陆续测试了多款AI辅助学习工具，涉及论文阅读、代码学习、知识整理等不同场景。这篇文章就把我的实测体验整理出来，供有类似需求的技术学习者参考。

吴佳浩 Alben

构建企业级 DevOps 排错 Agent：从日志告警到自动化修复 PR作者：吴佳浩（Alben）微某信公众某号：全栈架构师笔记系列专栏：《企业级 Agent———打造下一代智能体：企业级 Coding / DevOps Agent》· 第 02 篇

差不多的周周

《MoChat：面向多转弯动作理解和描述的关节分组时空接地多通道大语言模型》论文核心部分详解论文原标题：MoChat: Joints-Grouped Spatio-Temporal Grounding Multimodal Large Language Model for Multi-Turn Motion Comprehension and Description

小模型指令微调：数据混合、模板与过拟合的最小复现监督微调，即 SFT，是用输入及示范回答继续优化模型。预训练提供的能力、示范覆盖的任务、输出格式和评测方式共同决定收益，不能仅凭数据条数解释结果。

艾莉丝努力练剑

【AI大模型接入SDK】Ollama本地大语言模型部署🎬 艾莉丝的简介：需结合业务功能需求与本地硬件配置（显存、内存、算力），选择适配参数量与量化等级的模型。

DSH 插件开发到上架：完整实操手册本文是一份技术实操文档：手把手讲清楚一个 DeepSeek Harness（DSH）插件从「是什么」到「做出来、调试好、发上 GitHub、进插件市场、发上 npm」的完整流程，包括每一步的细节、原理和注意事项。

吴佳浩 Alben

Agent 怎么做自动化评测？构建端到端的 Agent Evaluation 体系作者：吴佳浩（Alben）微某信公众某号：全栈架构师笔记系列专栏：《企业级 Agent 实战指南————企业级 Agent 质量保障体系：Evaluation 与安全防线》· 第 01 篇

从单体到联邦：多Agent架构的必要性与设计哲学在构建复杂的AI Agent系统时，我们常常面临一个架构抉择：是打造一个"全能"的单体Agent，通过集成多种工具调用（Tool Calling）来处理一切任务，还是将其拆分为多个职责单一的"子Agent"，通过协同合作来完成目标？