语言模型

如何编写一个 Skill：从想法到可复用能力你有没有过这种体验：一个复杂的任务流程，第一次做花了半小时，第二次还花了半小时，因为每一步都要重新思考、重新查资料、重新试错。Skill 就是为了消灭这种重复——把"怎么做"固化成"可复用的能力"，下次一句话就能触发。本文讲清写 Skill 的完整思路：设计、结构、实现、测试，以及最容易踩的坑。

Agent 工具体系：从 MCP 协议到层次化工具发现工具是连接 Agent 语言"大脑"与真实数字世界的"手脚和感官"。本章从五类工具的分类出发，系统讨论了工具设计的通用原则、能力分发渠道（MCP 协议与 Skill Hub），以及当工具数量爆炸时的层次化组织与主动发现机制，最后逐类深入分析了感知、执行、协作三类工具的设计要点。

Zero-WAM：基于人类视频的上下文世界-动作建模，用于开放式任务泛化26年8月来自蚂蚁集团Robbyant和港科技大学的论文“Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization”。

Agent 评估方法：评估环境、验证器与统计显著性构建 Agent 完成不等于构建正确。只有建立可重复的评估体系，后续的模型训练和系统进化才有可靠方向。本章围绕"如何判断 Agent 变好了还是变差了"这一核心问题，系统讨论了评估指标定义、评估环境构建、数据集设计、自动化评估方法、失败归因与统计显著性等关键环节。

weixin_44626085

大语言模型解读、嵌入向量组织、图谱涌现：基于智能体驱动的科学知识编译arXiv:2608.29612v1持续性的科研工作需要一套知识底层支撑，能够跨任务承载语义解读结果，同时保留溯源到原始证据的访问路径。本文将该过程定义为科学知识编译（scientific knowledge compilation），并实现了ASKS系统——智能体驱动的科学知识系统（Agent(G_{t‑1})Driven Scientific Knowledge System）。

大语言模型基础：Token、Embedding、Transformer、KV Cache 与 RAG理解大语言模型，可以先记住两条主线：大语言模型并不是直接以“汉字”或者“英文单词”为单位处理文本，而是先通过 Tokenizer（分词器）将文本切分成一个个 Token。

AI Agent 基础架构解析：从 LLM 到 ReAct 循环与 Harness 工程的工程化路径本文基于开源技术书《深入理解 AI Agent》第一章，系统梳理 AI Agent 的核心架构组件、运行机制和工程设计原则。该章从多个真实 Agent 产品出发，建立了对 Agent 的工程化理解框架，涵盖核心公式、ReAct 循环、Harness 工程以及从工作流到自主 Agent 的编排模式。

2026 GraphRAG 知识图谱：给大模型装上“关系地图“，多跳问题不再答非所问（MonkeyCode 免费上手）2026 年 AI 圈的新热词：GraphRAG。同样是"检索增强"，为什么它能回答"谁影响了谁""两步之外的关系"这类多跳问题？这篇文章用一个真实故障故事讲清楚，并用 MonkeyCode 免费跑通一个 GraphRAG Demo。

笔记：Visually-Guided Policy Optimization for Multimodal Reasoning文章链接：Visually-Guided Policy Optimization for Multimodal Reasoning - ACL Anthology

2026 AI Agent 智能体：ReAct 让 AI 边想边做、把大任务拆成小步骤（MonkeyCode 实战）2026 年做 AI 应用，最值钱的能力不是让模型"更聪明"，而是让 AI 会拆任务、会边想边做、会自己纠错。今天聊聊 Agent 背后的核心范式 ReAct。

Python数据分析案例85——大模型微调全流程(SFT的LoRA微调)有一年没更新了，最近学习了大模型的微调的流程，总结一下。我们都知道大模型的训练分为三个阶段，预训练，SFT和RHLF。让deepseek总结一下：

LadiesAndGentlemen

开源地理空间智能项目中的本体思想 4-4：收尾篇——五种做法怎么选，治理之后还剩什么活八个案例全部讲完：4-1 的五个查询案例（四个实测、一个论文案例）、4-2 的两个影像构造案例、4-3 的一个选址构造案例。这些案例里一共出现了五种干活的方式。本篇做三件事：把它们直接放在一起比较，说清每种场景该怎么选，再盘点数据治理之后还剩哪些技术活。

2026 MCP 模型上下文协议：让 AI 自己动手接工具，告别手写接口（MonkeyCode 实战）2026 年，AI 圈最火的三个字母不是 GPT，不是 RAG，而是 MCP——Model Context Protocol。它要解决的是一个让无数团队抓狂的问题：为什么每次给 AI 接一个工具，都要写几百行胶水代码？

慢云智慧空间

从单点智能到系统协同，空间大模型如何重塑园区运营逻辑？随着人工智能技术的快速发展，园区运营正经历从单点智能到系统协同的转变。本文将探讨空间大模型如何重塑园区运营逻辑，帮助园区管理者更好地理解这一变革，并提供可行的解决方案。

[论文分析]使大型语言模型智能体与理性和道德偏好对齐：一种监督微调方法本文由四位经济学与计量经济学领域的学者（Wei Lu、Amit Dhanda、Daniel L. Chen、Christian B. Hansen）合作完成，系统性地揭示了GPT-4o等现成LLM在策略性经济博弈中存在「过度合作」和「对激励反应不足」的系统性偏差。核心贡献是提出了一套基于监督微调（Supervised Fine-Tuning）的对齐框架——利用经济学理论生成小型合成数据集，将LLM智能体的行为对齐到两种明确的偏好结构：追求自利的homo economicus和纳入康德式普遍化原则的homo

木圭的AI时代指南

商汤日日新TokenPlan大调整与接入全解摘要：商汤日日新 TokenPlan 于 8 月 28 日迎来重大调整，积分规则从「按模型限次」升级为「双积分池」模式，并同步上线 Flash-Lite 消费返赠活动。本文基于官方文档，从积分规则变化、五个模型选型清单、主流 Agent 接入配置三个维度展开，帮助开发者快速理解新规并完成接入。

2026 AI Agent 记忆系统：让智能体告别“三秒失忆“，像人类一样越用越懂你（MonkeyCode 实战）2026 年，AI 应用工程最热的词不再是"怎么把模型调好"，而是"怎么让智能体记住你"。当你的 Agent 能记住你的偏好、习惯和上下文时，它才真正从"工具"变成"伙伴"。本文带你搞懂 AI Agent 记忆系统，并用 MonkeyCode 亲手跑一个 Demo。

weixin_44626085

什么样的智能体数据才算优质？——基于ACE视角的大语言模型智能体数据生成研究论文来源：arXiv:2608.27260v1大语言模型智能体越来越依赖生成式交互数据，以此学习与外部环境进行交互。和传统指令合成不同，智能体数据生成需要保证环境、任务、交互过程、成功信号四者之间的一致性，产出真正具备学习价值的数据，而不只是追求数据规模。现有相关工作覆盖众多智能体领域，但大多以应用领域为边界组织内容，异构的评价方式掩盖了通用生成机制，还经常把候选样本构建、校验筛选混为一谈。

【vLLM】vLLM 推理框架详解：从 PagedAttention 到生产级部署实战关键词：vLLM、PagedAttention、连续批处理、KV Cache、大模型推理、显存优化大模型推理和训练不同，训练追求的是吞吐，而推理服务追求的是"低延迟 + 高并发 + 低成本"三者兼顾。在实际生产环境中，使用 HuggingFace Transformers 原生的 generate() 方法部署推理服务，往往会遇到两个致命问题：