大语言模型

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：

【基于 ReAct 框架的电商智能客服 AI Agent 设计与实现】目录一、引言二、系统整体架构三、核心模块设计与实现3.1 环境依赖与项目目录结构3.2 模型配置文件 config.json

一直怕大模型幻觉，发现针对性harness约束能大大消除最近我在尝试让大语言模型（LLM）自动生成万字以上的长篇行业分析报告和技术调研文档。初看生成结果，文笔流畅、结构严谨，但当我进入人工审核环节时，却惊出一身冷汗：文中充斥着大量胡编乱造的数据、虚构的参考文献以及看似合理实则毫无根据的结论。

Antigravity cli 体验很差1、感觉不如gemini cli; 2、额度绑定的antigravity 账户； 3、额度大大降低了，随便用几下就额度见底了； 4、这个cli还要像antigravity一样 review implementation plan，但又很难操作，说明做的人自己都不用，你自己都不用、还要让别人用，这不是应付领导安排的工作嘛 5、能用的LLM表现都很差，不是一般差，是很差；我平行对比，不如GLM5.1，deepseek V4Pro

推理 → 行动 → 观察：用 LangChain + Python 实现一个智能体循环如果你用过 ChatGPT 或 Claude的话对标准聊天机器人的工作方式应该不陌生：提问然后得到一个回答。但如果交给它一个多步骤任务呢？比如：“帮我找到最便宜航班，查询我的常旅客积分，并预订最佳选项”。

当 SDD 遇见 BDD：AI 时代 QA 范式的彻底重构“2 人 4 天完成 10 人数周的工作量”——这不是噱头，而是 AI-Native 团队用 Spec-Driven Development（SDD）创造的工程奇迹。当 SDD 与 BDD 深度融合，一种全新的 QA 范式正在诞生。

通往RAG之路（四）：实战篇pdf文档解析为josn&md这是一个基于MinerU工具开发的批量文档智能解析与格式转换自动化脚本，核心作用是将 PDF、图片、Office 等格式的文档，批量转换为结构化的 Markdown 文本和 JSON 数据，适用于文档数字化、RAG 知识库构建、数据提取等场景。我的文档全部是pdf，目前只是用到pdf输入。目前只是将pdf数据解析为 Markdown 文本和 JSON 数据。

告别脆弱的单体应用，用多智能体网络构建稳定的生产力工具多智能体系统代表了 AI 应用设计上的一次根本性转向，在过去几年，主流的一直是单智能体模型：一个 LLM、一条提示链（prompt chain）、一个系统包办所有事。这种范式在简单任务上能跑，到了复杂任务上就有一些力不从心了。

2026 年面向 LLM 的 RL方法总结：从 PPO 到 DPO 到 GRPO，再到多智能体 RL强化学习一直是个执着于游戏、机器人和控制回路的小众子领域，直到ChatGPT 出现之后它就成了夹在“聪明的”基础模型与“有用的”产品之间的那一层。到现在差不多已经五年过去，整套流程至少被重写过三次；而被奖励的对象变化的程度甚至比执行奖励的算法本身还要剧烈。

构建一个可自我改进的多 Agent RAG 系统：架构、评估，以及带人工审核的 Prompt 反馈闭环检索增强生成（Retrieval-Augmented Generation，RAG）已经成为将大语言模型（Large Language Model，LLM）回答对接外部知识的主流方式。单 Agent 的 RAG Pipeline 却暴露出一个根本性矛盾：检索质量、推理深度和答案合成被揉进了同一次不透明的前向调用，难以评估、审计或系统性改进。