深度学习与 Transformer 架构在本质上是一组高度复杂的连续浮点数矩阵乘法运算。然而，人类语言是由离散符号构成的非结构化字符串序列。：GPU 的张量核心（Tensor Core）只能对浮点标量、向量或高阶张量进行矩阵运算，无法直接对或'你好，世界'进行梯度反向传播。若将人类词典中的每一个词都映射为一个独立的独热向量，词表一旦达到数十万规模，每一个词向量的维度就是数十万维，且各向量之间彼此正

在传统的 Web 开发中，HTTP 是典型的“请求-响应（Request-Response）”半双工通信协议。为了打破“客户端不发请求，服务端就无法主动通知”的限制，工业界先后经历了短轮询（Polling）、长轮询（Long-Polling/Comet）、WebSocket 到 SSE 的演进历程。1.1 WebSocket 协议原语：脱离 HTTP 的全双工通道WebSocket（RFC 645

在人工智能技术体系的发展脉络中，Skill 是连接大模型非确定性思考与真实系统确定性控制之间的桥梁。│ Skill 技术演进趋势展望 ││ 阶段一：手工定义 (Manual) ││ 工程师手写 Prompt、定义 JSON Schema 并实现底层 API 调用代码。││ ││ 阶段二：检索与路由自动化 (RAG-Driven) ││ 技能库扩展至成百上千，系统通过语义匹配与动态载入避免上下文膨胀

大模型学会调用外部工具，是人工智能从单纯的“语言交流”迈向“通用行动体（Action Agent）”的关键一步。数学层面：它依旧是基于概率分布的自回归 Token 预测；协议层面：它是大模型与外部系统通过标准 JSON Schema 与特殊控制标记约定的状态协商；训练层面：它依靠覆盖单工具、多工具、反问澄清与负样本的高质量 SFT 轨迹，以及掩码损失计算与受限解码算法的保驾护航；进化层面：它正加速

在初学者的认知中，最常见的误解是：“大模型直接调用了我写的 Python 函数或远程 API。事实并非如此。在整个 Function Calling 链路中，大语言模型从始至终只做了一件事：文本生成（Next-Token Prediction）。它不具备任何操作系统的网络权限，没有执行代码的环境，更不能直接向外部数据库发送网络报文。│ Function Calling 的职责切分 ││ 大语言模型

目前以 GPT-4o、Claude 3.5、DeepSeek 为代表的大语言模型（LLM），其底层本质是一个无状态的概率预测引擎。每一次 API 调用，模型都在一个隔离的上下文环境中进行推理，它既不知道“用户上周提过什么需求”，也无法记住“在过去十次工具调用中踩过的坑”。如果仅仅依赖基础的大模型 API，所谓的 Agent 只不过是一个被动响应的单次计算函数。无记忆 Agent：Input (Pr

设左指针指向的基准高度为 x=height[left]，右指针指向的基准高度为 y=height[right]。新的高度最大不会超过 x（因为即便 height[right−1] 非常大，容器高度依然受限于短板 x）。为了寻找可能更大的面积，必须提升容器的高度。：左右两条垂线中的较低者 min(height[left],height[right])。：所分配的辅助空间不随输入数据规模 n 的增大而

如果你近两年关注技术圈，一定会发现一个现象：传统的 NLP（自然语言处理）任务——比如文本分类、情感分析、实体识别——正在被一种统一的范式取代。过去，我们需要针对每一个特定任务单独训练一个专用模型；而现在，只需向一个大语言模型（Large Language Model, LLM）发送一段 Prompt（提示词），它就能顺畅地完成翻译、写代码、总结文档乃至逻辑推理。这场变革的核心，就是大模型（LLM

在人工智能飞速发展的今天，大语言模型（LLM）已经深刻改变了软件开发的技术范式。过去需要搭建庞大团队、标注海量数据才能实现的自然语言处理任务，如今只需要几行 Python 代码、通过 HTTP 调用大模型 API 即可高效完成。对于绝大多数应用开发者而言，然而，从“写一个 Demo 调通 API”到“构建出高可用、低延迟、成本可控的生产级系统”，中间存在着巨大的工程鸿沟。

大语言模型（LLM）本质上是一个基于海量文本训练的高维概率预测引擎。输入序列 [Token 1, Token 2, ... Token t] ──> 大模型 ──> 计算概率分布 P(Token t+1) ──> 采样输出模型的核心驱动力是“概率上的语言流畅性”，而非“逻辑上的事实客观性”。当模型面对训练数据中的空白区、歧义指令或长链条推理时，为了维持文本连通，它会倾向于顺应概率分布去构建看起来合