Gemini 3 把“草图”变成了可玩的“游戏”，仅用了 60 秒。当技术护城河被 AI 的洪水猛兽冲垮时，我们该何去何从？本文拒绝焦虑贩卖，直接用第一原理拆解 AI 逻辑，在算力乱世中从容躺赢。

本文全面解析微软开源的 GraphRAG 项目，从它是什么、怎么用、如何优化运行性能、生成哪些关键文件，到如何集成到你自己的业务中。

上一篇我们梳理了大模型的基本脉络，并制定了学习计划：阶段一提到数学知识是理解大模型原理的必备内功，因此本章主要回顾下大学和研究生期间线性代数、概率论、微积分、信息论相关的数学知识。

该系列将从工程师视角，一步步去学习并理解大模型相关概念，再到会用，深入理解，掌握原理，动手实践，解决实际问题。

我们深度访谈了行业先行者，剖析了众多实践案例，最终汇聚成了这份70页+的报告——《企业级AI Agent（智能体）价值及应用报告》。

《2025AI大模型开发生态白皮书》由中科算网算泥社区主编，联合中国科学技术大学苏州高等研究院、中国人民大学数据与人工智能研发实验中心发布，旨在系统梳理全球AI大模型的发展现状、技术趋势

传统RAG（检索增强生成）依赖向量化检索，流程复杂且资源消耗大。而Agentic RAG提供了一种更轻量的替代方案——无需向量化，仅需结构化内存数据库即可实现高效检索+生成。

目前大模型的发展日新月异，模型架构快速迭代、各类 AI 工具与概念层出不穷——Cursor、Codex、Augement、Trae、Qoder 等等等等，面对这些海量信息，真是让人头大。

作为一个对 LLM 工作原理很感兴趣，但又常常被各种零散教程绕晕的人，我读完 Sebastian Raschka 的《从零构建大模型》之后，其实挺松一口气的。

《Happy-LLM》项目是一个系统性的 LLM 学习教程的开源项目，旨在帮助学习者深入理解大语言模型的核心原理和训练过程，并能够亲手搭建和训练一个 LLM。

如果让你开发一个 AI 编程工具（比如 Cursor），你觉得最大的难点是什么？ 是前端技术、后端技术、UI 设计、还是别的？

从 1.0 到 2.0 其实只有几个月的时间，Cursor 的进化速度真的很快。对我来说，这波更新最实用的功能是多智能体和浏览器使用。

Figma新规发布，Figma REST API请求速率受限 11月17日，Figma发布新规，在Figma官方公告中，Figma对Figma REST API的请求速率进行了限制，速率限制适用于OA

就在这两天，AI 大模型界像约好了一样，扎堆发布新模型。9 月 29 日 DeepSeek-V3.2-Exp 发布，9 月 30 日 Claude 4.5 紧随其后发布……

AI 能写代码，但它造不出软件 最近，我收到越来越多的消息：陌生人发来一坨 AI 生成的代码，配上一句“能帮我把它变成产品吗？”。 发信人往往是律师、销售、医生，甚至是咖啡店老板。他们没有写过一行生产

大模型虽然强大，却难以获知你单位的内控制度、你部门的规章细则，更别提最新的制度更新或地区特有的专业术语。

一旦我们训练好了 LLM，它就会有一些用于文本生成的模型权重。向量数据库在这里扮演什么角色呢？让我解释一下矢量数据库如何帮助 LLM 生成更准确、更可靠的结果。

今天给大家推荐的这个项目，使用Unsloth训练自己的R1模型，就是一个端到端的 强化学习 推理模型训练实践，不仅跑得通，还跑得快。

作为一名AI从业者，亲测后发现它不仅是一个可落地的项目，更是入门大模型训练的绝佳教程。今天就带大家手把手体验这个“大道至简”的实战过程。