大模型

001-Zero-shot-Prompting💡 摘要：Zero-shot Prompting 是一种让 AI 模型在没有示例的情况下，仅通过指令就能完成任务的技术。本文将揭示其背后的原理，并分享 8 条实用的 Prompt 编写技巧。

如何提高 RAG 的检索质量？这才是真正的瓶颈所在有一句在 AI 工程圈流传的话：“RAG 没问题，问题出在你的检索层。”大多数开发者遇到 RAG 效果差时，第一反应是换更大的模型、调 temperature、改 prompt。折腾一圈发现没用——因为根本没对症。

薛定谔的猫369

深入浅出：大语言模型 Agent 的工作原理与应用随着大语言模型（LLM）技术的飞速发展，AI Agent（人工智能智能体）作为一种能够感知、思考并采取行动的新型 AI 范式，正逐渐成为研究热点。本文旨在深入探讨 LLM Agent 的核心组成部分、工作机制及其在自动化任务中的潜力。

Resistance丶未来

TradingAgents 多智能体交易框架深度评测在量化交易领域，单个策略模型往往难以应对复杂多变的市场环境。面对突发的宏观新闻、剧烈的盘中波动或是长期的趋势转换，单一算法容易陷入过拟合或反应迟钝的困境。近年来，多智能体系统（Multi-Agent Systems, MAS）的概念逐渐被引入金融工程，试图通过模拟专业交易团队的协作模式来突破这一瓶颈。TradingAgents 正是这一思路下的开源实践，它不再依赖一个“全能”的黑盒模型，而是将研究、分析、风控和执行等职能拆解给不同的智能体，让它们在一个共享环境中交互、辩论并最终达成交易共识。

E等于MC平方

AI 辅助物理课堂实验如何用「内置实验模板 + AI 路由」模式，在不生成任意代码的前提下，让 AI 辅助物理课堂实验？传统方案要么找一个通用物理模拟器（功能复杂、上手成本高），要么直接用静态图片讲解（缺乏交互感），要么让 AI 现场生成一段物理模拟代码（危险：生成代码的行为无法预测、无法测试）。

【AI入门篇-02】深入理解ChatGPT发展流程上一篇讲解了AI从感知智能到认知智能的发展流程，接下来这篇，就以比较有代表性的chatgpt为例子，来讲解一下整个AI的发展流程，所以这篇文章不会只讲 ChatGPT 本身，而是会以 GPT 系列的发展为主线，把背后的 Transformer、预训练、微调、指令微调、RLHF、多模态、RAG、Agent 等关键概念串起来。至于为什么选chatgpt也显而易见，因为chatgpt是将大语言模型推向大众视野的标志性产品

Trae 自定义模型接入指南：把 DeepSeek、GLM、Qwen 装进你的 AI 编程助手📌 导读：Trae 默认用豆包模型，但你可能更想用 DeepSeek 的推理能力，或者 GLM 的长文本理解。好消息：Trae 支持自定义模型接入，而且操作比你想象的简单。今天手把手教你，5 分钟换上你想要的模型。

国家超算中心 scnet.cn 跨用户文件分享流程总结多个用户之间文件共享不需要反复下载上传一句话概括：网页端分享并记住文件名 → Linux 到 /root/public_data/other 找到 .tar.gz 包 → 解压到私有目录使用。

独断万古他化

大模型接入指南：API、本地部署与 SDK 三种接入如果需要自己写一个AI应用来实现相关AI行为，则需要自行接入LLM。常见的原生LLM（不经过第三方平台或复杂的代理层，直接与大语言模型提供方进行交互的方法）接入方式有三种：【API远程调用】、【开源模型本地部署】和【SDK和官方客户端库】

端侧推理：全面解析与深度洞察端侧推理(On-Device/Edge Inference) 是指将训练完成的AI模型部署在终端设备本地，直接在设备上完成数据处理、模型计算和结果输出的技术范式，无需或仅需少量云端交互。它是边缘计算与AI结合的核心应用，与传统云端推理形成互补的智能计算体系。

【GitHub】andrej-karpathy-skills：让 AI 编程助手告别三大通病项目仓库：forrestchang/andrej-karpathy-skills Star 数：105,000+ ⭐ Fork 数：10,300+ 开源协议：MIT License 灵感来源：Andrej Karpathy 对 LLM 编码缺陷的深刻洞察

程序员小崔日记

DeepSeek V4，我在做项目和写软著材料时，顺手用了一段时间前阵子 DeepSeek 更新到了 V4。一开始我其实没太当回事。现在大模型更新太快了，几乎隔一段时间就来一次“版本升级”，但很多时候用起来差别并不大。

CoderJia程序员甲

GitHub 热榜项目 - 日榜(2026-05-03)生成于：2026-05-03共发现热门项目： 8 个榜单类型：日榜Token赞助：siliconflow

第4节：应用架构与代码组织AI编程企业级实战上一节：第3节：动第一行代码前，你应该想清楚什么本节：第4节：应用架构与代码组织下一节：待更新

你可以叫我仔哥呀

Agent架构之ReAct随着AI的发展，大模型一词越来越多的出现在我们的生活工作中，一开始大家更多的是把大模型当成一个聊天机器人，但是随着AI的进一步发展，我们不再仅仅满足于和大模型聊天，所以一个更深一层的概念就出来了 —— Agent。

Flash Attention反向梯度优化显存前面我有文章介绍子Flash Attention 针对长序列的正向优化，而其反向算子（Backward Pass）的优化由于涉及到复杂的梯度重计算和显存权衡，往往比正向过程更具挑战性。

哥本哈士奇(aspnetx)

SQL Server 图数据库学习笔记1：构建图数据库在AI开发中，知识图谱是非常火的一个领域，而提到图数据库大家都会第一时间想到Neo4J，其实在SQLServer中早已有支持，此篇将简单演示如何在SQLServer下构建图数据库，实现知识图谱的管理。

什么时候用 DeepSeek V4，而不是 GPT-5/Claude/Gemini？写在前面：这篇文章不是模型评测，是决策工具。你要回答的问题只有一个：给定我的业务场景和预算约束，哪个模型组合的预期收益最高？本文从这个问题出发，给出可操作的判断框架。

vLLM全解析：定义、用途与竞品对比vLLM（Very Large Language Model inference）是由加州大学伯克利分校LMSYS团队于2023年6月开源的高性能大模型推理与服务引擎，专注解决大模型部署中的显存效率低、吞吐量瓶颈、延迟高三大核心问题。