数据智能老司机

这两年只要聊 RAG，大家脑子里默认浮现出来的，基本都是同一套流程： 切 chunk。 做 embedding。 进向量库。 top-k 检索。 必要时 rerank。 最后把上下文塞给 LLM。 这

最近 Anthropic 工程团队发了一篇博文，标题叫《Harness design for long-running application development》。这篇文章表面上是在讲他们怎么让

最近在做一个跨会话的客服 Agent 项目时，我踩了一个大坑。Agent 在单轮对话里表现很好，但一旦对话跨越多个 session——用户上周提过的偏好、三天前反馈的 bug、上个月确认的需求——Ag

第一次对 MLX 产生"这东西不一样"的感觉，是在 M4 Max 上跑 Qwen 3.5 35B-A3B 那个 MoE 模型的时候。同一个模型，Ollama 跑出来大概 35 tok/s，切到 MLX

2023 年中，我第一次在终端里敲下 ollama run llama2 的时候，其实没什么特别的期待——当时本地跑大模型的工具一大把，大部分都需要你跟 Python 环境、CUDA 版本、模型格式转

做了这些年开发，我越来越觉得编码规范是个被严重低估的东西。 很多团队的态度是"差不多就行"——变量名能看懂就行，缩进统一就行，代码能跑就行。然后等项目做到第三年、团队换了一半人的时候，打开某个核心模块

我最早注意到 GEO 这个词，是 2024 年初在 arXiv 上读到普林斯顿那篇论文的时候。当时觉得"又一个造词运动"，没太当回事。直到 2025 年下半年，我负责的一个技术博客流量开始出现诡异的变

很多人还在用 2024 年的视角理解 AI 编程：谁补全更准，谁解释代码更快，谁能把函数一次写对。这个视角已经不够用了。到了 2026 年，行业真正的分水岭，已经不是“模型会不会推理”，而是模型能不能

一、VLA 是什么：机器人的"大语言模型时刻" 1.1 从感知到行动的范式跃迁 传统机器人系统是模块化管线：感知模块识别物体 → 规划模块计算路径 → 控制模块执行动作。每个模块之间用手工定义的接口连