大语言模型

白萝卜弟弟

【Agent】不用折腾配置文件：用 CCSwitch 给 Codex 接入 DeepSeek / claw-cn 第三方大模型面向小白的 5 分钟上手教程。目标很简单：让 Codex 能用上第三方大模型，不用一上来就研究复杂配置。

带娃的IT创业者

Gemini 3.5 Flash 深度解析：重新定义“性价比“的前沿智能体在刚刚过去的 Google I/O 2026 大会上，人工智能领域的关注焦点毫无意外地聚焦于最新发布的 Gemini 3.5 Flash。作为 Gemini 3.5 系列的首发成员，它在 Hacker News 上引发了高达 888 票的热烈讨论。这不仅是因为 Google 宣称其在长上下文基准测试中比前代 Flash 3 性能提升了 42%，更因为它标志着"Flash"系列模型定位的根本性转变：从单纯的"轻量经济型"选项，正式跨越到了"前沿 Agent 级"智能体的行列。

纪伊路上盛名在

Agnes AI 全家桶深度解析：文本、图像、视频，参数级使用指南周一的时候看到了一篇公众号推文，所以就趁着这个机会去试了下。官网参考：agnes-ai使用方式很简单，注册一个账号，然后获取api key，其余和前面介绍的LLM使用方式一致。

正在走向自律

破局与重构：从 RAG 架构演进到 Agentic 实践的深度探索近年来，以 Transformer 架构为核心的大语言模型（Large Language Models, LLMs）以前所未有的速度重塑了人工智能的版图。它们展现出了惊人的文本生成能力、跨领域的知识储备以及强大的上下文学习（In-Context Learning）能力。然而，随着这些模型在企业级应用和严肃科研场景中的深入落地，其固有的局限性也逐渐暴露，成为了制约其进一步发展的“阿喀琉斯之踵”。

用Prompt Flow管理提示词，从单条写到工程化最早接触大模型时，我的提示词都散落在各个聊天窗口里——某个周末调好的文案模板，下周想复用却找不到原句；同事问我「你那个摘要 prompt 怎么写的」，我只能凭记忆现场重敲，效果时好时坏。这种「单条写作」的模式，在个人尝鲜阶段勉强够用，一旦涉及团队协作、多场景复用，混乱就会指数级放大。

山科智能信息处理实验室

（AAAI-2026）KnowLP：GraphRAG 诱导双知识结构图，实现个性化学习路径推荐主要内容：本文聚焦个性化学习路径推荐（Learning Path Recommendation, LPR）中的两个核心痛点：一是知识点之间的先修关系难以获取，依赖专家标注成本高；二是传统方法大多只沿着先修链条推荐，一旦学生在某个易混淆知识点上卡住，就会出现后续学习被阻断的现象。论文提出 KnowLP 框架，用 EDU-GraphRAG 自动构建知识点之间的先修关系图和相似关系图，再通过 DLRL（Discrimination Learning-driven Reinforcement Learning）

金融先生-Frank

Gemma-4-26B-A4B-it-GGUF镜像免配置：预置备份恢复脚本与模型版本灰度发布机制Gemma-4-26B-A4B-it-GGUF 是 Google Gemma 4 系列中高性能、高效能的 MoE（混合专家）聊天模型，具备256K tokens的超长上下文处理能力，原生支持文本+图像多模态理解。该模型在开源模型全球排名第6（Arena Elo 1441），采用Apache 2.0协议可免费商用。

带娃的IT创业者

大模型Agent的 Meta-Skill（元技能）在当今人工智能技术飞速发展的浪潮中，大语言模型（LLM）的能力已经从单纯的文本生成进化到了复杂的逻辑推理与任务执行。然而，随着应用场景的日益复杂，单一模型的局限性逐渐暴露，多智能体协作成为了新的技术高地。近期，一个名为 revfactory/harness 的项目在 GitHub 上迅速走红，以超过 5000 Star 的成绩引发了开发社区的广泛讨论。

Prompt Engineering 的本质：角色、任务、上下文、格式、约束如果你在 ChatGPT、Claude 或 Gemini 里输入过一个问题但是发现：“这不是我的意思”——那你已经碰到了 prompt engineering 的核心问题。

视频 RAG 中分块策略：基于停顿、滑动窗口与基于 LLM 的方法文本的RAG我们都已经很熟悉了，但是如果数据以原始视频转录文本的形式存储，没有合适的时间结构，那么相比标准的 PDF 或文本文档，如何检索视频里面的内容呢？针对同样的问题还可以换一个更高层次的问法：

【测评系列5】CSDN AI数字营销实测体验官——Claude 大模型深度评测：从参数解析到实战边界《Claude大模型深度评测：从参数解析到实战边界》是一份针对Anthropic公司Claude大模型的全面性能评估报告。文章突破传统仅关注参数量大小的评测模式，建立了一套包含10个维度的实战评估体系：1）核心架构参数的技术解析；2）长上下文窗口极限压力测试；3）复杂逻辑与代码生成能力；4）多轮对话连贯性验证；5）安全对齐机制边界探测；6）典型幻觉场景复现分析；7）温度参数对创造性的影响；8）垂直领域专业度测试；9）响应速度与资源消耗评估；10）综合场景适配建议。评测特别强调实验室数据与实际应用的差距，通

谷哥的小弟

大模型核心基础知识(14)—神经网络的结构神经网络是深度学习的重要基础，也是现代大模型得以形成和扩展的关键结构。它通过模拟人脑神经元之间的信息传递方式，构建具备学习和推理能力的计算模型。在机器学习发展过程中，神经网络之所以逐步成为重要技术路径，原因就在于它能够通过多层结构处理复杂输入，并在训练过程中不断调整内部参数，从而形成对数据规律的表达能力。理解神经网络，不仅要知道它由哪些部分构成，还要知道数据在其中是怎样流动的，模型又是如何依靠这种流动完成预测和学习的。

谷哥的小弟

大模型核心基础知识(13)—深度学习的发展基础与技术特点深度学习是机器学习的重要分支，也是现代大模型得以发展的重要基础。它通过构建多层神经网络，对数据进行逐层表示和逐步抽象，从而实现特征提取、模式识别和结果预测。与早期机器学习方法相比，深度学习不再过度依赖人工设计特征，而是更强调通过数据训练自动形成表示能力。正因如此，深度学习在图像识别、语音识别和自然语言处理等领域取得了广泛应用，也为后续大模型的发展提供了方法基础。

谷哥的小弟

大模型核心基础知识(12)—机器学习的基本概念与常见方法机器学习是人工智能的重要基础。机器学习关注的核心问题，是如何让计算机通过数据学习规律，并据此完成预测、判断和决策任务。与传统程序依赖人工逐条编写规则不同，机器学习更强调从数据中提取模式，再把这些模式转化为可计算的表示形式。正因为如此，机器学习不仅构成了现代人工智能的重要理论基础，也为后续深度学习和大模型的发展铺垫了方法路径。

pdf-to-skill｜把高分论文里的方法路线与图表逻辑，转化为可反复调用的Codex Skill模板想读一篇高分文献，但是不想只得到一份摘要。想把论文里的研究思路、方法路线、图表逻辑，变成一个可以反复调用的 Codex Skill。

weixin_46846685

大语言模型快速部署与调用指南在本地部署大语言模型时，很多开发者往往被繁琐的环境配置和显存瓶颈劝退。实际上，随着开源生态的成熟，将高性能模型跑在消费级显卡甚至普通服务器上已经变得相当可行。关键在于如何科学地规划资源、正确加载权重以及编写高效的推理代码。不少人在尝试过程中，常遇到依赖冲突、显存溢出或推理速度过慢等问题，这通常不是因为硬件不够强，而是缺乏对模型运行机制的深入理解。

带娃的IT创业者

开源语音AI的边界：从 `luongnv89/claude-howto` 看前沿技术的落地实践在AI技术飞速迭代的2025年，语音交互早已不再是简单的“你说我听”。随着大语言模型（LLM）能力的跃迁，前沿的语音AI正在向“情感理解”、“多轮对话”、“实时推理”等更深层次迈进。最近，一个名为 luongnv89/claude-howto 的开源项目在GitHub上悄然走红，它并非一个全新的模型，而是一套详尽的“实践指南”——教你如何利用Claude等前沿模型，构建具备“人味”的语音助手。

weixin_46846685

大语言模型智能助手核心应用场景与落地指南在处理日常工作时，我们常常被淹没在海量信息中：几十页的技术文档需要快速提炼核心观点，散落在不同格式文件里的数据难以统一分析，或是面对复杂的业务逻辑迟迟无法下手编写代码。这种“信息过载”与“执行困难”的矛盾，几乎困扰着每一位知识工作者。很多时候，我们花费在整理、阅读和初步构思上的时间，远远超过了实际解决问题的时间。如果能有一个得力的助手，不仅能读懂超长文档，还能跨格式整合信息，甚至辅助推理和创作，工作效率将得到质的飞跃。

Agentic 设计模式拆解：6 种结构的优缺点与应用场景Agentic AI 这项技术并不新，只是模型性能提高后让它从研究环境走向了可以规模化落地的阶段。所以这篇文章总结一些常见的设计模式，这些模式归纳了在大量已验证实现中反复出现的共性，可以视为一组结构化的骨架，用来理解智能体（Agent）、用户、模型和工具之间的核心交互。

从零搭建 Harness Engineering 框架：Rule、Skill、Sub-Agent等工程落完整路径Harness Engineering（脚手架工程）这个概念已经流行一阵了。网上大多数文章都停留在理论层面，反复解释为什么现代 AI 开发不能再依赖单个 Prompt、也不能把模型当成"聪明的代码自动补全"。不过这里有一个实际问题被反复提及：