文章与笔记

H2O-ac 主题入门系列

2 篇

从这里开始 快速入门

查看全部文章

1. 快速入门
2. Guide

LVM 系列

2 篇

从这里开始 Linux LVM 系列 1：基础

查看全部文章

1. Linux LVM 系列 1：基础
2. Linux LVM 系列 2：扩容

LobeChat 部署系列

2 篇

从这里开始 进阶篇：数据库与存储

查看全部文章

1. 进阶篇：数据库与存储
2. Docker 镜像构建

iSCSI专题系列

1 篇

从这里开始 iSCSI基础

Python数据分析系列

4 篇

从这里开始 Python四个基础分析库

查看全部文章

1. Python四个基础分析库
2. Python数据清洗与预处理
3. Python探索性数据分析（EDA）
4. Python特征工程

vLLM 高性能推理系列

4 篇

从这里开始 入门篇：基础部署与调优

查看全部文章

1. 入门篇：基础部署与调优
2. 进阶篇：LoRA 动态加载
3. 进阶篇：投机解码加速
4. 进阶篇：多模态模型部署

Docker 容器化系列

3 篇

从这里开始 基础入门：安装与常用命令

查看全部文章

1. 基础入门：安装与常用命令
2. Golang 项目容器化
3. 测试数据库部署

Python 数据科学系列

5 篇

从这里开始 概述篇：学习路线

查看全部文章

1. 概述篇：学习路线
2. 数据分析库入门
3. 数据清洗与预处理
4. 探索性数据分析（EDA）
5. 特征工程

Ollama 部署系列

2 篇

从这里开始 本地安装

查看全部文章

1. 本地安装
2. 离线安装

机器学习基础系列

45 篇

从这里开始 学习资源

查看全部文章

1. 学习资源
2. 核心概念
3. 线性代数基础
4. 概率统计基础
5. 微积分基础
6. 损失函数与优化
7. 线性回归
8. 多项式回归与正则化
9. 逻辑回归
10. 决策树
11. 随机森林
12. 支持向量机
13. K近邻算法
14. 朴素贝叶斯
15. 聚类算法
16. 降维技术
17. 模型评估指标
18. 交叉验证
19. 过拟合与欠拟合
20. 超参数调优
21. 神经网络基础
22. 前馈神经网络
23. 激活函数
24. 反向传播
25. 优化算法详解
26. 批归一化
27. Dropout详解
28. 卷积神经网络
29. 循环神经网络
30. 注意力机制
31. Transformer
32. 迁移学习
33. 实战项目
34. 集成学习
35. XGBoost与LightGBM
36. 自编码器
37. 生成对抗网络
38. 图神经网络
39. 混合专家模型
40. 强化学习基础
41. 自监督学习
42. 知识蒸馏
43. LoRA与参数高效微调
44. 模型量化与剪枝
45. 机器学习基础系列——梯度提升

LLM 应用开发系列

39 篇

从这里开始 Embedding 嵌入向量

查看全部文章

1. Embedding 嵌入向量
2. 向量数据库
3. RAG 检索增强生成
4. Prompt Engineering
5. LangChain 框架
6. Agent 智能体
7. Function Calling
8. 部署与优化
9. 安全防护
10. 对话记忆管理
11. Streaming 流式输出
12. LlamaIndex 框架
13. 结构化输出
14. 多模态 LLM 应用
15. LLM 评估与测试
16. 多模型路由
17. 缓存策略
18. 成本优化
19. 监控与可观测性
20. 高级 RAG 技术
21. GraphRAG 知识图谱
22. 长上下文处理
23. LLM 微调实战
24. 本地模型部署
25. MCP 协议开发
26. AI 搜索引擎
27. 代码生成与执行
28. 文档智能处理
29. 语音交互系统
30. 多租户架构
31. Prompt 版本管理
32. 混合检索策略
33. 对话系统设计
34. 内容审核与过滤
35. 个性化推荐
36. 知识库构建
37. AI 写作助手
38. 实时协作
39. 边缘部署

企业级RAG应用系列

4 篇

从这里开始 架构总览

查看全部文章

1. 架构总览
2. 环境搭建与基础设施
3. 数据库与向量存储
4. 模型服务与推理

前端开发者的 AI 进阶之路

15 篇

从这里开始 01. AI 入门：前端开发者的第一课

查看全部文章

1. 01. AI 入门：前端开发者的第一课
2. 02. 调用大模型 API：从 fetch 到流式响应
3. 03. Prompt 工程：让 AI 听懂你的话
4. 04. Embedding 与向量：把文字变成数字
5. 05. RAG：让 AI 回答你的专属数据
6. 06. Function Calling：让 AI 调用你的 API
7. 07. Agent 入门：从对话到自主行动
8. 08. MCP 协议：Agent 的通用接口
9. 09. 构建你的第一个 AI 聊天应用
10. 10. 进阶方向：多模态、本地部署与成本优化
11. 番外 1. LLM 简史：从 Transformer 到今天
12. 番外 2. API 参数全解：temperature 到 logprobs
13. 番外 3. Token 的秘密：BPE、中文更贵、怎么省
14. 番外 4. 上下文窗口进化史：KV Cache 与长上下文
15. 番外 5. 幻觉与开源崛起：LLM 的两个关键议题

Python 新手的 AI 进阶之路

28 篇

从这里开始 01. AI 入门：Python 新手的第一课

查看全部文章

1. 01. AI 入门：Python 新手的第一课
2. 02. 调用大模型 API：从 requests 到流式响应
3. 03. Prompt 工程：让模型稳定输出你要的结果
4. 04. 结构化输出：用 Pydantic 把 LLM 变成稳定的函数
5. 05. Embedding 与向量：把文字变成数字
6. 06. RAG 实战：搭建一个能回答你文档的本地知识库
7. 07. Function Calling：让 LLM 调用你的 Python 函数
8. 08. Agent 入门：从工具调用到自主循环
9. 09. MCP 协议：Agent 的通用接口
10. 10. 本地模型：用 Ollama 跑开源 LLM
11. 11. 用 Streamlit 构建 AI 聊天应用
12. 12. 进阶方向：评测、监控、成本与微调
13. 番外 1. LLM 简史：从 Transformer 到 2026
14. 番外 2. API 参数全解：temperature 到 logprobs
15. 番外 3. Token 的秘密：BPE、中文为什么更贵
16. 番外 4. 上下文窗口进化史与 KV Cache
17. 番外 5. 幻觉与开源崛起
18. 番外 6. 异步与并发：批量调用 LLM 的工程模式
19. 番外 7. 提示词注入与防御
20. 番外 8. 多模态入门：图像、语音与视频
21. 番外 9. Embedding 的来龙去脉：从 one-hot 到向量空间
22. 番外 10. Embedding 演化实战：从 TF-IDF 到 LLM 的 token 表
23. 番外 11. 从 One-Hot 到 LLM：NLP 三十年的完整演化
24. 番外 12. Embedding 模型选型实战
25. 番外 13. 文本切分策略与 chunk_size 选择
26. 番外 14. 向量数据库 Qdrant、混合检索与 Reranker
27. 番外 15. RAG 评估方法：把感觉变成数字
28. 番外 16. uvicorn --reload 与本地大模型的相处难题

Agent 模式手册：从最小循环到生产可用

23 篇

从这里开始 01. Agent 是什么：从一次性 Function Call 到自主循环

查看全部文章

1. 01. Agent 是什么：从一次性 Function Call 到自主循环
2. 02. ReAct：把 Agent 的思考显式化
3. 03. 工具设计的艺术：粒度、命名、错误反馈与工具爆炸
4. 04. Plan-and-Execute：先规划，再执行，失败时重规划
5. 05. Reflection：让 Agent 自己挑毛病、自己改
6. 06. Tree of Thoughts：从线性循环到搜索式推理
7. 07. 记忆系统：短期对话、长期事实、过程记忆
8. 08. 上下文工程：Agent 最难的不是推理，是喂什么进去
9. 09. 工具调用协议的分裂：OpenAI、Anthropic、Hermes
10. 10. Hermes 3 实战：在 Ollama 上跑一个本地工具调用 Agent
11. 11. 开源 Agent 全家桶：Hermes 3 + 向量库的离线 RAG-Agent
12. 12. 多 Agent 协作：Orchestrator、Debate、Handoff 与它们的陷阱
13. 13. Code Execution Agent：让 Agent 真的能写代码、跑代码
14. 14. Browser & Computer Use：让 Agent 看屏幕、点鼠标
15. 15. Human-in-the-Loop：什么时候让 Agent 停下来问人
16. 16. 可观测性与评测：Agent 的 trace、replay 与回归测试
17. 17. 生产化：上下文压缩、成本、延迟、失败恢复、安全边界
18. 18. 框架世界观对比：Claude Agent SDK、LangGraph、CrewAI、Pydantic AI
19. 19. LangGraph 状态机编排：让 Agent 的流程真正可控
20. 20. LlamaIndex 数据侧深度：索引、检索、合成的分工
21. 21. Benchmark 全景：SWE-bench、AgentBench、τ-bench 怎么读
22. 22. Agent 安全边界：Prompt Injection、权限最小化、沙箱逃逸
23. 23. Agent 失败模式分类学：为什么它总在你不期待的地方崩

Code as Agent Harness：代码是 Agent 的脊梁

20 篇

从这里开始 01. 代码是推理的外包地：Program of Thoughts 与 Chain of Code

查看全部文章

1. 01. 代码是推理的外包地：Program of Thoughts 与 Chain of Code
2. 02. 代码还是文字？CodeSteer 与推理模式的动态选择
3. 03. 从执行反馈中学习：CodeRL 与迭代自修正
4. 04. Voyager：用代码探索开放世界的终身学习 Agent
5. 05. CodeAct：把代码执行变成通用 Agent 的动作空间
6. 06. Self-Debugging：让模型自己读报错、自己改代码
7. 07. SWE-agent：把真实 GitHub Issue 变成 Agent 的考场
8. 08. Reflexion：用语言反思替代梯度更新
9. 09. LATS：把树搜索和语言反思结合起来
10. 10. AlphaCodium：用测试驱动的迭代流程生成代码
11. 11. AgentCoder：拆分角色，让代码生成和测试设计分开
12. 12. MapCoder：用类比和检索辅助代码生成
13. 13. InterCode：把交互式编程环境变成强化学习的训练场
14. 14. 代码 Agent 的设计模式：前 13 篇的横向梳理
15. 15. 代码 Agent 的安全边界：沙箱、权限与提示注入
16. 16. 大代码库的上下文管理：Agent 如何在百万行代码里找路
17. 17. 代码 Agent 评测方法的设计反思
18. 18. 多模态代码 Agent：视觉输入加入代码生成的工作流
19. 19. Agent 框架横向对比：LangGraph、AutoGen、CrewAI、OpenHands
20. 20. 模型自身能力对 Agent 表现的影响

Claude Code 实战手册（从 WSL 到进阶）

10 篇

从这里开始 01. 从 Copilot 到 Claude Code：为什么值得换

查看全部文章

1. 01. 从 Copilot 到 Claude Code：为什么值得换
2. 02. 安装 WSL2：Windows 下的 Linux 开发环境
3. 03. WSL 开发环境搭建：Node、Git、zsh、VS Code
4. 04. 安装 Claude Code 并完成首次登录
5. 05. 初次见面：项目初始化与 CLAUDE.md
6. 06. 核心心智模型：上下文、权限与计划模式
7. 07. 高效沟通：跳出 Copilot 式补全思维
8. 08. 日常工作流：Bug 修复、新功能、重构、测试
9. 09. 进阶武器：Slash Commands、Hooks、Subagents、MCP
10. 10. 避坑与省钱：上下文管理与常见问题

AI 寓言集：用故事讲透五个核心概念

20 篇

从这里开始 01. 图书馆里的低语（Self-Attention）

查看全部文章

1. 01. 图书馆里的低语（Self-Attention）
2. 02. 雪夜下山的瞎子（Gradient Descent）
3. 03. 完美的临摹学徒（Overfitting 与正则化）
4. 04. 把世界搬上书架的图书管理员（Embedding）
5. 05. 学了三年突然顿悟的少年（Grokking 与涌现）
6. 06. 在雾中看潮水的渔夫（Bayes 推断）
7. 07. 十口井的旅人（Multi-armed Bandit）
8. 08. 同一双眼睛走遍全村（Convolution / CNN）
9. 09. 学新手艺就忘旧的画师（Catastrophic Forgetting）
10. 10. 画赝品的人和他的宿敌（GAN）
11. 11. 一张照片骗过所有人的眼睛（Adversarial Examples）
12. 12. 翻山送信的邮差（Residual Connection）
13. 13. 把老匠人装进一个孩子的梦里（知识蒸馏）
14. 14. 山神的三个承诺（Reward Hacking / Goodhart）
15. 15. 守门人和十个专家（Mixture of Experts）
16. 16. 天生注定的那张彩票（Lottery Ticket Hypothesis）
17. 17. 能把尘土还原成瓷瓶的人（Diffusion）
18. 18. 够大的雨终会灌满湖（Scaling Laws / Emergence）
19. 19. 会大声自言自语的棋手（Chain of Thought）
20. 20. 一支笔里藏着五种颜色（Superposition / 机械可解释性）

实图小记：不写一行代码做一个 iOS app（连载中）

3 篇

从这里开始 01. 我不会 Swift，但还是想做个 iPhone app

查看全部文章

1. 01. 我不会 Swift，但还是想做个 iPhone app
2. 02. 搭场子：装 Xcode、注册账号、写一份 CLAUDE.md
3. 03. 第一次发牌：从一句话到模拟器亮屏

Agent 评测手册：怎么判断一个 Agent 好不好

1 篇

从这里开始 01. 评判一个 Agent，你到底在评判什么

LLM 进阶系列

7 篇

从这里开始 01. API 调用没你想的那么简单

查看全部文章

1. 01. API 调用没你想的那么简单
2. 02. Prompt 不是玄学，是工程
3. 03. Embedding 这水比你想的深
4. 04. 你的 RAG 为什么回答得不好
5. 05. Function Calling 用好了才叫工具调用
6. 06. Agent 不只是套个循环
7. 07. MCP：自己动手写一个 Server

模型是怎么训练出来的：从零写一个迷你 GPT

8 篇

从这里开始 01. 模型到底在学什么

查看全部文章

1. 01. 模型到底在学什么
2. 02. 把文字变成数字：分词与编码
3. 03. 最简单的模型：先让训练循环运转起来
4. 04. 反向传播：模型如何确定参数的调整方向
5. 05. 注意力机制：让模型看见上下文
6. 06. 构建完整的 GPT 结构
7. 07. 完整训练：从随机输出到通顺文字
8. 08. 从迷你 GPT 到 ChatGPT

向量数据库系列

8 篇

从这里开始 01. 向量数据库到底是什么

查看全部文章

1. 01. 向量数据库到底是什么
2. 02. 近似最近邻ANN算法
3. 03. IVF与乘积量化PQ
4. 04. FAISS实战
5. 05. Chroma轻量入门
6. 06. Qdrant与Weaviate
7. 07. Milvus分布式向量库
8. 08. 向量数据库选型与生产实践

模型推理优化系列

8 篇

从这里开始 01. 推理为什么慢

查看全部文章

1. 01. 推理为什么慢
2. 02. 模型量化：INT8 与 INT4 的原理
3. 03. GGUF 与 llama.cpp：把模型跑到 CPU 上
4. 04. LoRA 与 QLoRA：低显存的微调方式
5. 05. 知识蒸馏：把大模型的能力压进小模型
6. 06. 推理引擎横评：vLLM、TGI、TensorRT-LLM、SGLang
7. 07. 开源大模型上线：DeepSeek、Qwen、Mistral
8. 08. 推理服务工程化：限流、批处理、监控、灰度

LLM 工程路线图

41 篇

从这里开始 LLM 工程路线图：从概念理解到可运行系统

查看全部文章

1. LLM 工程路线图：从概念理解到可运行系统
2. 项目 1-2：Tokenizer、词表与 Embedding
3. 项目 3-8：位置、注意力与 Transformer Block
4. 项目 9-16：Decoding、KV Cache、长上下文与推理系统
5. 项目 17-33：MoE、数据、后训练、评测、RAG、Agent 与安全
6. 项目 34：十二周执行计划与 Capstone
7. 34 个 LLM 工程项目验收清单
8. 从零实现 tokenizer
9. embedding 与语义几何
10. 位置编码（learned / sinusoidal / RoPE / ALiBi）
11. 手写 scaled dot-product attention
12. 扩展到多头注意力机制（Multi-Head Attention）
13. 构建完整的 Transformer Decoder Block
14. Mini-former 训练实战：从随机扰动到文本预测
15. 训练目标对比：Causal、Masked 与 Prefix LM
16. 概率的剪裁：解码策略与采样 Dashboard
17. 打破串行咒语：投机解码（Speculative Decoding）
18. 显存的吞噬者：KV Cache 机制与显存预算
19. 架构的进化：MQA、GQA 与 MLA 深度解析
20. 跨越万词鸿沟：长上下文（Long Context）的系统性挑战与解法
21. 频率的炼金术：RoPE Scaling 与长度外推（Extrapolation）
22. IO 感知的艺术：FlashAttention 的硬件级优化
23. 硬件精算：显存带宽、算力与硬件预算（Hardware Budget）
24. 稀疏性的调度艺术：实现双专家 MoE 路由（MoE Router）
25. 计算的权衡：稠密（Dense）与稀疏（MoE）模型的全方位对比
26. 线性序列的回归：状态空间模型（SSM）与线性注意力
27. 文本的扩散：扩散语言模型（Diffusion LM）初探
28. 文明的数字工业化：构建大规模预训练数据管线
29. 自我进化的循环：合成数据（Synthetic Data）的生成、过滤与证明
30. 预测未来的算力账本：缩放法则（Scaling Laws）与曲线拟合
31. 灵魂的对齐：SFT、指令微调与偏好优化（DPO）
32. 理性的驯化：从 RLHF、PPO 到 GRPO 的进化史
33. 数字的炼金术：模型量化（Quantization）深度解密
34. 吞吐量之王：Serving Stack 与推理引擎横评
35. 拒绝虚假繁荣：构建严谨的模型评测（Evaluation Harness）
36. 检索增强生成的艺术：工业级 RAG 架构拆解
37. 构建 Tool Use 与 Agent Loop
38. 多模态视觉语言桥接器（Vision-Language Adapter）
39. 打开黑盒：机械可解释性（Mechanistic Interpretability）
40. 防线与红队：构建 LLM 安全评估体系
41. 终极试炼：构建你的私有化大模型系统（Capstone Project）

深入理解 AI Agent · Harness 工程笔记

11 篇

从这里开始 00. 导读：从感觉驱动到原则驱动

查看全部文章

1. 00. 导读：从感觉驱动到原则驱动
2. 01. Agent 入门与 Harness
3. 02. 上下文工程
4. 03. 记忆与知识库
5. 04. 工具设计
6. 05. Coding Agent 与代码元能力
7. 06. Agent 评估
8. 07. 模型后训练
9. 08. 自我进化
10. 09. 多模态与实时交互
11. 10. 多 Agent 协作

Agent 运行时实验室：从抓包到可重放系统

18 篇

从这里开始 00. 导读：从一次抓包进入 Agent 运行时

查看全部文章

1. 00. 导读：从一次抓包进入 Agent 运行时
2. 01. 系统提示词是怎样被组装出来的
3. 02. Prompt 长度、上下文增长与缓存成本
4. 03. Prompt 注入发生在哪一层
5. 04. 工具 Schema 怎样改变 Agent 的行为
6. 05. 模型调用工具之后，运行时发生了什么
7. 06. 工具结果应该怎样回填给模型
8. 07. 并行工具调用真的更快吗
9. 08. Agent 为什么需要状态机
10. 09. Agent 权限不是 allow 和 deny 两个值
11. 10. 如何防止有副作用的操作重复执行
12. 11. Agent 的错误应该在哪一层处理
13. 12. 上下文、摘要和长期记忆不是一回事
14. 13. 多 Agent 的价值不是同时运行多个模型
15. 14. 怎样记录一条可以重放的 Agent 轨迹
16. 15. 怎样评测一个 Agent，而不是评价最终回答
17. 16. Agent 上线前怎样设计回归测试集
18. 17. 怎样给 Agent 做一次故障演练

Agent Runtime Lab: From Packet Capture to Replay

18 篇

从这里开始 00. Reading the Agent Runtime from Its Traces

查看全部文章

1. 00. Reading the Agent Runtime from Its Traces
2. 01. How System Prompts Are Assembled
3. 02. Prompt Length, Context Growth, and Cache Cost
4. 03. Where Prompt Injection Enters an Agent
5. 04. How Tool Schemas Change Agent Behavior
6. 05. What Happens After the Model Calls a Tool
7. 06. How Tool Results Should Return to the Model
8. 07. Are Parallel Tool Calls Actually Faster?
9. 08. Why an Agent Needs a State Machine
10. 09. Agent Permission Is More Than Allow or Deny
11. 10. Preventing Duplicate Side Effects
12. 11. Which Layer Should Handle an Agent Error?
13. 12. Context, Summaries, and Long-Term Memory Are Different
14. 13. Multi-Agent Value Is Not Multiple Models Running
15. 14. Recording a Replayable Agent Trace
16. 15. Evaluating an Agent Beyond Its Final Answer
17. 16. Building an Agent Regression Suite Before Release
18. 17. Running a Fault-Injection Exercise for an Agent

从灾备走向数据中心建设

1 篇

从这里开始 00. 导读：从灾备走向数据中心建设

From Disaster Recovery to Data Center Infrastructure

1 篇

从这里开始 00. From Disaster Recovery to Data Center Infrastructure