React+TS+Tailwind搭建DeepSeek-R1-WebGPU端侧推理。拆解函数组件、JSX、合成事件、useState、Progress封装、组件树，展示AI时代前端工程化实践。

从 DeepSeek 被指控蒸馏 OpenAI 的争议切入，拆解知识蒸馏的核心机制——硬标签只背答案，软标签才是思维方式的传承，用化学蒸馏和米其林大厨带徒弟两个类比，把暗知识的本质讲透。

从网页爬取到向量检索，拆解RAG知识库构建链路：cheerio提取网页内容、RecursiveCharacterTextSplitter语义切割、向量存储与相似度检索，理解文档分块背后的设计哲学。

前言 你有没有想过一个问题：大模型每次生成文本，为什么能给出不同的回答？同一个 Prompt 问三遍，回答可能每次都不一样。这种"随机性"不是 bug，而是刻意设计的结果——而控制它的核心，就是三个参

一、云端 AI 的"阿喀琉斯之踵" 2025 年，我们习惯了这样使用 AI： 端侧 AI 试图回答一个问题：能不能不依赖云端，在用户自己的设备上完成 AI 推理？ 答案是：可以，但有取舍。 二、端侧模

从等待到流式：LLM 流式输出的原理、协议与工程实践 打开任何一个 AI Chatbot——ChatGPT、Claude、DeepSeek——你输入一个问题，它不像传统网页那样转圈等 10 秒然后啪地

从Claude Code实战出发，拆解Harness Engineering的四层架构——记忆层、工具层、控制层、上下文层，以及CLAUDE.md如何解决LLM无状态问题。

先找到你的「忍无可忍」 在动笔之前，先问自己一个问题： 如果有，那就是一个 Skill 的种子。 它可能是： 每周合并报表 PDF，每次都要告诉 AI 用哪个库、怎么处理页码 每次写完代码让 AI r

一个你肯定经历过的场景 你打开 Claude Code，想做一件已经做过很多次的事——比如，把两个 PDF 合并成一个： 你很熟练，一气呵成。但你有没有发现一个问题：这件事你每次都要重新说一遍。就像每

一、AI 工程化的三个时代 2022 到 2026，AI 工程化走了三个阶段，每个阶段回答的问题不同： 阶段 时间 要解决的问题 思路 代表产品 Prompt Engineering 22-23 模型

从Prompt Engineering到Context Engineering的范式迁移：为什么2026年写提示词不用像2023年那样精雕细琢了。

LLM 的底层语言：从分词到向量化，搞懂 AI 是怎么"读"文字的 v029 搞懂了 Agent 的四块基石——LLM 是大脑，Tools 是手脚，Reasoning 是思考过程，Context 是记

一、为什么要学 RAG？ 2024 年以来，RAG（Retrieval-Augmented Generation，检索增强生成）几乎出现在每一个 AI 产品的技术栈里。不管是智能客服、企业知识库问答、

你用过 ChatGPT 的联网搜索，用过 Claude 分析 Excel 表格，用过豆包查询实时天气。你可能会觉得：这些 AI 真厉害，什么都会。 但真相是—— 那个在显卡里疯狂跑的 LLM，本质上是

深夜坐在电脑前，看着终端里一行行命令自动执行，问题一个个被解决的时候，我心里挺有感触的。 未来好像来得比我想象的还要快一点。 这个世界太疯狂了。

Tool 是 Agent 能从"聊天机器人"升级为"能干活的助理"的关键。没有 Tool，AI 只能空谈；有了 Tool，AI 能读文件、写代码、查数据库、发邮件——真正把手伸进现实世界。

🚀 拯救你的 LM Studio：一键解决网络连接问题的奇妙之旅 📦 项目地址：GitHub - lm-studio-fix ⚠️ 特别提醒： Windows 版本由于设备限制尚未经过测试，欢迎大家测

最近我用一队 AI agent 去"审"了一个开源项目：OpenMontage——一个完全由指令（Markdown + YAML）驱动的 AI 视频生产系统。它的架构相当成熟，但在审查过程中，我亲手验

一篇文章带你学会向量数据库Milvus（一） 上一篇文章中 LLM 学习之「向量数据库」 中我们介绍了什么是向量数据库，向量数据库有那些用途，向量数据库与 LLM 的关联以及 RAG 中向量数据库的使