GPT-5.6 意味着什么？从 Benchmark 跑分到模型分层，读懂 AI 行业的三个真相 前置知识 了解 LLM（大语言模型）的基本概念 了解 Benchmark（基准测试）的基本含义 了解 A

揭秘 LLM 的随机性黑盒：从 Temperature + Top-K 到 LangChain Chain 工作流实战 前置知识 了解 LLM 的基本概念（Transformer、Token 生成）

从零手写 AI Agent：LLM + Tool + LangChain，打造能干活的大模型 前言 ChatGPT 很强大，但当你让它"帮我创建一个 React + Vite 的 TodoList 项

拆解 LLM 的内部黑盒：从 Token 到 Self-Attention 的逐层解码之旅 前言 LLM（大语言模型）看起来像个"黑盒"：你输入一段话，它输出一段话。但这个黑盒内部到底发生了什么？ 其

RAG 语义搜索全栈实战：用 Node.js + Embedding 从零构建智能搜索引擎 前言 传统搜索靠关键词匹配：搜 "Vue" 只能找到包含 "Vue" 这个词的结果。但如果你搜"前端框架推荐

LLM 分词与向量化：大模型是如何"读懂"文字的？——Tokenization × Embedding 原理与实战 前言 我们每天都在和 LLM 对话，但有没有想过这样一个问题： 答案藏在两个关键步骤

LLM 无状态本质与上下文工程：从 Prompt 到 Context 的进化——为什么 AI 总是"失忆"？ 前言 你有没有遇到过这样的困惑： 这不是 AI 笨，而是 LLM 的本质是无状态的。每次调

拆解 Sakana Fugu 的原理（Trinity / Conductor / AB-MCTS），厘清多 LLM 编排和多 Agent 编排的边界，以及它能替一套多 agent 系统简化什么。

上下文工程实战：从 Prompt 到 Harness 的三次 AI 工程化浪潮 前言 这是 2022-2023 年每个 Prompt Engineering 实践者的痛。那时我们以为，只要提示词写得足

在选择投入生产的模型或推理路由器时，光看性能榜单（Leaderboard）远远不够。真正稳妥的做法是：在上线之前，用自己的数据、自己的提示词、自己的评估标准，在同一平台内同时对比质量、延迟和成本，验证

Tool Use 底层原理：当"缸中大脑"遇上物理世界——LLM 工具调用的认知哲学与技术实现 前言 那个在显卡里疯狂跑的 LLM，本质上还是词语接龙的游戏。它是被困在服务器里的缸中大脑——看不见屏幕

LLM 数据工程实战：从数据集划分到交叉验证——大模型智能的根基 前言 大模型的智能到底从哪里来？是昂贵的显卡？是精妙的 Transformer 架构？还是海量的训练数据？ 答案是：三者缺一不可，但最

DeepSeek V4 Pro + Flash 分工编程：成本骤降 60%+ 的混合模型工作流 Pro 和 Flash 到底怎么选？全用 Pro 太贵，全用 Flash 怕质量不行。这篇就来聊聊如何用

RAG实操教程: langchain+Milvus向量数据库创建你的本地知识库 本篇文章是 Milvus 向量数据库学习的总结篇，打造自己的知识库系统。 RAG是什么 RAG 是retrieval-a

一篇文章带你学会向量数据库Milvus（二） 上一篇文章 一篇文章带你学会向量数据库Milvus（一）我们我们学习了 Milvus 向量数据库的数据库管理，集合管理，schema 管理。这一篇文章我们

作者 | Vinoth Govindarajan 编译 | 岳扬 大多数 AI 智能体的演示看起来神奇无比，就像魔法一样。 而 OpenClaw 给人的感觉是真正的“自主运行”。 但在技术底层，它并非

应该使用哪个向量数据库？选择最适合您需求的一款 介绍 向量数据库已成为存储和索引非结构化和结构化数据表示的首选位置。这些表示称为向量嵌入，是由嵌入模型生成的。向量存储在利用深度学习模型（尤其是大型语言

作者 | Han HELOIR YAN, Ph.D. 编译 | 岳扬 2025 年 12 月 18 日，AI 行业发生了一件不同寻常的事：OpenAI 宣布将采用由其主要竞争对手 Anthropic

作者 | Daniel Phiri 编译 | 岳扬 🌱 - 本文是一些萌芽中的想法集合。 我曾经在一家向量数据库公司工作。我的全部工作就是帮助人们理解为什么他们需要专为 AI 打造的数据库 —— 嵌入