我的最开始是传统派：全部手写。后来有cli工具了，我用Claude Code重构过一次Obsidian，搞完之后还是维护不动，几周就废弃了。后来发现，不对啊，让人来维护本身就是不合理的，AI应该持续维护结构，人只负责扔原料和提问。这套体系的灵感来源是 Karpathy 的和知乎里一篇讲苏格拉底式学习法的文章，然后我把它们缝合到一起了。

我的最开始是传统派：全部手写。后来有cli工具了，我用Claude Code重构过一次Obsidian，搞完之后还是维护不动，几周就废弃了。后来发现，不对啊，让人来维护本身就是不合理的，AI应该持续维护结构，人只负责扔原料和提问。这套体系的灵感来源是 Karpathy 的和知乎里一篇讲苏格拉底式学习法的文章，然后我把它们缝合到一起了。

如果 Agent 只会“总结一篇文章”，那你得到的只是一个自动摘要器。

老办法是正弦位置编码；现在更流行的是 RoPE（旋转位置编码），LLaMA、Qwen 等都在用，外推长上下文时往往更顺手。工程上还会用：Warmup + Cosine 学习率、AdamW、梯度累积（小 batch 模拟大 batch）、梯度裁剪（防爆炸）、定期 Checkpoint 和 断点续训。BERT 那套 掩码语言建模（MLM）、下一句预测（NSP） 是 Encoder 时代的玩法，现在生成

你用过ChatGPT写东西，用过豆包帮你翻译，用过Kimi帮你总结文档。你觉得自己已经在用AI了，没什么好学的。直到有一天，你看到别人说Agent、MCP、这些词，一个比一个唬人。你搜了一圈，每篇文章上来就是一堆英文缩写加技术术语，看两段就劝退了。这不是你的问题，是没人用人话给你讲过这些东西。这种情况我见太多了，很多人不是学不会，是被吓退了。今天这篇文章，我用一个你一定能听懂的故事，把AI领域最核

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。:掌握大模型Agent技术的核心原理与实践应用,能够独立完成Agent系统的设计与开发,提升多智能体协同与复杂任务处理的能力,为AI产品的创新与优化提供有力支持。更易落地的当下定义：现在我们说的AI Agent，其实

回到旅程：回看我们的整个故事——从你说出那句话，到 Agent 查天气、写邮件、发送邮件——这条路之所以能走通，是因为有人精心设计了每一个环节：系统提示怎么写、工具怎么定义、错误怎么处理、结果怎么验证。回到旅程：在我们的故事里，如果 Agent 拥有一个"邮件写作"的 Skill，它就不会只是干巴巴地写一封邮件，而是会考虑邮件的语气、格式、称呼，甚至根据"告诉老板"这个上下文，自动使用更正式的措辞

未来AI就业，拼的其实不是谁技术懂得多，是谁的技术更稀缺。你的PINN背景根本不是包袱，那是通往‘物理AI’的独家入场券。纯LLM再卷，具身智能永远需要懂物理的人才。别焦虑，把精力放在‘物理+多模态’这个差异化赛道上。毕业前补齐技能，手里捏个好项目，拿个中意的Offer，其实没那么难。起点很重要。不循规蹈矩，以小博大，这完全可能。

写了一篇文章，差点把我看哭。不是夸张。我一个天天跟AI打交道的人，早就对”AI写作”免疫了。但那次，它写了一段关于父母的内容，我盯着屏幕愣了好一会儿。后来我把同一个题目丢给其他模型——有的写成了鸡汤，有的写成了科普文，DS写出来的是那个让我眼眶发热的版本。这让我认真想了很久：如果AI之间的差距，已经从”谁更聪明”变成了”谁更懂你”，那你怎么选？

你用过ChatGPT写东西，用过豆包帮你翻译，用过Kimi帮你总结文档。你觉得自己已经在用AI了，没什么好学的。直到有一天，你看到别人说Agent、MCP、这些词，一个比一个唬人。你搜了一圈，每篇文章上来就是一堆英文缩写加技术术语，看两段就劝退了。这不是你的问题，是没人用人话给你讲过这些东西。这种情况我见太多了，很多人不是学不会，是被吓退了。今天这篇文章，我用一个你一定能听懂的故事，把AI领域最核