MobotStone

各位小伙伴们，你们是不是经常遇到这种尴尬： 兴致勃勃地在Midjourney里敲了几个关键词——“宇航员、骑马、写实”，结果AI给你生成了一个四不像，眼看就要崩溃？ 今天我要给你介绍 AI 绘图界的新

在早期时，我曾让大模型撰写一位冷门历史人物的传记。它胸有成竹，娓娓道来：年代、成就，甚至几句“名言”，一应俱全。读起来简直像历史上真的存在一样。 唯一的问题是：大部分内容都不是真的。严格来说，模型并非

在语言模型（LLM）的生成过程中，“采样”指的是模型在预测下一个词语时，如何从多个可能候选中进行选择的机制。与其说采样仅仅是挑出概率最高的那个词，不如理解为它通过不同的策略（如 Top-K、Top-P

大模型时代主要采用三种核心协议方案：MCP（模型协作协议）、Function Calling（函数调用）和A2A（代理间通信协议）。这些协议在设计理念和应用场景上各有侧重： MCP专注于多模型间的协同

刚刚结束全国教育系统紧张的高利害阶段的攻坚工作，我特别欣喜地正式将多个AI智能体部署至生产环境，并且取得了超出预期的成效。这段时间我们成功研发了几个实用的AI智能体应用： Text2SQL——实现了从

欢迎回到AI智能体系列文章。在上一篇文章中，我们探讨了智能体系统的三大核心要素：大语言模型(LLM)、工具调用能力和推理决策机制。今天我们将深入解析这一架构中最基础的实现形态——LLM+工具的简易组合

这是关于AI智能体系列文章的第三篇。在前一篇文章中，我展示了大模型（LLMs）如何使用工具与现实世界系统互动，无需具体指令就能解决问题。虽然这种灵活性很强大，但它可能以控制力和可靠性为代价。在这里，我

这是关于AI智能体系列文章的第四篇。虽然我们通常通过提示词工程来提升大语言模型的任务表现，但这种方法存在一个核心缺陷：它依赖模型一次性准确执行任务的能力。本文将讨论另一种通过反馈循环来改进大语言模型系

距离上次更新"AI智能体系列"已经过去一周了，我决定给这个系列做个完美收尾。当然要重点说说MCP。 在搭建AI智能系统时，最关键的就三大块：大脑（大模型）、工具（各种功能模块）和知识库（数据资料）。但