星浩AI

前年出了prompt engineering,去年又来context engineering，今年3月harness engineering又上了热搜。这才 6 月，第四个Loopengineerin

如果你正接手一个合规项目——数据不能出域、访问要能审计、服务要能自己运维，大模型在内网落地——下面这些事，是不是也让你头疼过： 公网 API 用不了，内网部署又不知道从哪一步开始 硬件买多大、模型选哪

上一篇文章完成了 BERT 微调效果的系统测试与验收指标设计。本章进入生成式模型领域：使用 Hugging Face 上的 GPT-2 中文预训练模型，在本地语料上微调，训练一个中文古诗词生成模型。

接手 20 万行代码从哪读起？Understand-Anything 把仓库变成可探索的知识图谱!!

合同流程：上传 PDF/DOCX → 解析并抽取甲乙方、金额、日期 → AI 扫风险、按高/中/低分级 → 法务确认关键条款（高风险逐条审，中风险可批量）→ 生成审核报告。

上一篇文章完成了 BERT 在 ChnSentiCorp 上的微调训练，并保存了验证集最优参数与最后一轮参数。训练时的 loss、验证集 acc 只能说明「学得好不好」，还要关注模型判得准不准： 微调

公司大型代码库里用 Claude Code，头几天顺手，跨服务一改就难受。读 Anthropic 博客文章 How Claude Code works in large codebases 的收获

如何使用Hugging Face的 BERT模型进行中文评价情感分析的微调训练。从加载数据集、制作Datasets、词汇表操作、模型设计、自定义训练，下期介绍效果评估与测试，逐步讲解了整个微调过程。

本章节走通这条链路：在 Hugging Face / 魔搭上找到模型 → 下载或云端调用 → 用 transformers 与 datasets 在本地跑起来。 1. Hugging Face 模型探