颜酱

提示词强化 3：JSON 与「流式」——前后端原理、BFF、以及两个示例页 很多人第一次接触 OpenAI 兼容 Chat Completions + stream: true 时，容易把两件事混在一

提示词强化 2：元提示（Meta-Prompt）与动态提示词 上一篇我们聊了「结构化、分步、JSON」等写法层面的习惯。这一篇再往上抽象一层：有些问题不适合由人一次性把提示词写死，而适合交给两段式能力

提示词强化1：三个让大模型更「听话」的习惯 要把大模型用好，**提示词（Prompt）**往往比换模型更先见效：同样的接口与参数，写清楚约束与格式，既容易得到可用结果，也更容易控制长度、节省无效往返带

从零实现「拍照记单词」小应用（可复刻版） 其实就是之前几个大模型的组成使用，请务必参考前面文章的文本模型、视觉模型、语音模型。 想直接体验，代码仓库，建立.env.local配置各种参数，然后运行no

智能体与工作流：从「想做一个应用」到「能跑通一条链」 本文结构（按需跳读） 部分 内容 概念与需求 智能体、工作流、为何不能一次调模型、串行链、mermaid 设计四步 只在脑子里/文档里「生成」草图

语音合成与视觉模型api接入实现 多模态业务里，「语音」和「看图说话」常来自不同厂商、不同鉴权方式；浏览器又不能随便塞 Secret。做法是：单页只负责表单与展示，本机 server.js 当 BFF

图片大模型实践：可灵（Kling）文生图前后端实现 本文讲图片模型里「可灵文生图」这一条链路：鉴权、代理、前端如何拼 URL、如何从异步任务结果里取出最终图片地址。语音或其它模型后续再单独开章节。 建

从 DeepSeek 文本对话到流式输出 你将学到什么 在浏览器里用 fetch 调用 DeepSeek 的 Chat Completions（与 OpenAI 兼容）。 为什么要开 stream，以

在算法刷题和面试中，**模运算、快速幂、最大公约数（GCD）、最小公倍数（LCM）、位运算**是高频核心考点。这些技巧不仅能解决大数溢出问题，还能将暴力算法的时间复杂度从 O(n) 优化至 O(log