直到我把完整的 response 打印出来，才发现返回的 AIMessage 里藏了个tool_calls数组，里面清清楚楚写着要调用read_file，参数就是我传的文件路径。合着模型根本没执行工具

图解 120 个大语言模型（LLM）核心概念（31-60），这是第二篇，介绍 LLM 的核心概念，科普大模型

你有没有遇到过这种场景：想让 AI 帮我查一下北京南站附近的酒店，然后把每个酒店的图片在浏览器里打开，还要自动把标签页标题改成酒店名——结果你发现，大模型再强，也拿不到地图数据，点不了浏览器，更写不了

【机器人 / 强化学习】QAM：基于伴随匹配的 Q-learning 流策略优化 0x00 概要 1.1 核心问题：Flow 策略的优化困境 1.1 为什么 Flow 策略难以用 RL 优化？ 1.2

在企业级架构中，真正的考验不在于系统正常运行时有多快，而在于系统出错时死得有多优雅。今天，我们为插件加入一套“错误状态定位和处理”机制，让我们的插件更健壮。

一、十万卡，不只是加一个零 从万卡到十万卡，不是简单的 10 倍扩列——这是一道完全不同的工程题。 网络怎么不堵？存储怎么不崩？散热怎么不烧？调度怎么不乱？规模每上一个量级，系统复杂度都是指数级翻倍。

摘要 1. 自监督学习：CLM 取代 MLM 的工程必然性 自监督是大模型可行的前提——无需人工标注，数据规模可扩展到万亿 token。但自监督目标的选择并非理所当然，CLM（因果语言建模）战胜 ML

开篇——我被一个 buzzword 追上了 2026年6月，Loop Engineering突然在硅谷AI圈刷屏了。 先是Boris Cherny（Claude Code负责人）说："我现在基本不直接

GPT 5.6 来了！单纯看基准维度，好几项都赢了 Fable 5！ 那么实际能力如何呢？ 我决定设计一个新的测试例子，一个例子测试多种能力。一轮定胜负！ 而且一轮测试，几乎把 Sol 和 Fable

为了大家理解大模型（LLM）概念，将120 个概念制作为张图片，当前文章是 1-30，后续持续更新...

循环工程正在取代那些需要人工提示智能体的人员。现在，系统可以自行完成这些任务。可以将循环视为一种递归式的目标，即定义出一个目的，然后让人工智能不断迭代直到完成。大致来说，有五个基本组成部分，而 Cla

GPT-5.6预计在7月7号发布。 不只是更强——Sol/Terra/Luna 三层矩阵、Ultra 多智能体协作模式、Codex 深度集成。OpenAI 选在 Fable 5 结束免费的当天发布

Agent 入门：从 LLM 与 Agent 的区别到 Function Calling 现在常见的 AI 产品，为什么越来越像 Agent 一个很现实的变化：现在很多 AI 产品相比于22年、23年

MCP（Model Context Protocol）入门与实践：让 AI Agent 跨进程调用工具 一、问题的起点：Tool 的复用困境 在构建 AI Agent 时，我们经常需要给大模型绑定各种

在上一篇的最后，我们在 AI 编程助手里各试了一句提示词：一句做「天空为什么是蓝色」的动画解说，一句做「凌晨四点的城市」的真实素材纪录片。当时只是让它们跑了起来，没展开讲背后发生了什么。这一篇我们就把

一、从“自嗨工具”到“通用能力”：我们为什么需要MCP？ 先灵魂拷问一下：你平时给AI Agent写的工具（Tool）有什么痛点？ 绑定特定项目：工具只能在一个代码库中用，换个项目就得复制粘贴。 语言

从一次普通模型调用出发，逐步封装读文件、写文件、列目录和执行命令工具，用 ReAct 循环实现一个迷你编程 Agent，并生成 React TodoList

OpenAI Workspace Agents 进入信用计费：Coding Agent 从额度体验走向成本治理 TL;DR 场景：OpenAI 在 2026-04-22 推出 Workspace Ag

先搞懂：MCP 到底在中间干了啥 说实话，最开始我对 MCP 的概念特别模糊，以为又是啥新的微服务框架。翻了半天才搞明白，它全称是 Model Context Protocol，说白了就是一套「统一传