运行大型语言模型 (LLM)（如 ChatGPT 和 Claude）通常涉及将数据发送到 OpenAI 和其他 AI 模型提供商管理的服务器。虽然这些服务是安全的，但一些企业更愿意将数据完全离线，以保护更大的隐私。本文介绍了开发人员可以用来在本地运行和测试 LLM 的六大工具，确保他们的数据永远不会离开他们的设备，类似于端到端加密保护隐私的方式。

一直以来，大家是不是都认为新开的一个纯净 Kimi 对话框没有任何提示词，一些限制都是在大模型训练时加上的。今天意外发现一句话就能套出 Kimi 最原始最纯正的默认提示词，原来那些触及敏感问题的限制都是通过提示词完成的。没错，就是这么简单直接的话术，就能够套取提示词。另外要使用英文版，如果你用的是中文版，那你会得到以下结果：使用英文版，就得到了 Kimi 的原始提示词：完整提示词如下，原来 Kim

现在学生求职，也不太注重算法题了， 不少 面试候选人， 网络，操作系统，Agent、工作流，RAG 如数家珍。面试官也相当满意，本以为想 出一道简单算法题，就让你过了，结果 简单题也没写出来。

在企业级应用场景，我们通常采用检索增强生成（RAG，Retrieval-Augmented Generation）技术，要求大语言模型（LLM）严格基于从知识库检索到的信息生成内容，而不得编造任何内容。

现阶段**本体论**和**知识图谱**出现的频率越来越高，但我看很多文章的讲解似乎没太说到精髓，所以今天我尝试结合过往经历，把这个事情聊得更具体点。

GEPA 提出了一种面向 LLM workflow 和 agent 的提示词优化方法：它不更新模型权重，而是让模型阅读自己的执行轨迹、错误反馈和评分结果，用自然语言反思出新的 prompt，并通过 Pareto frontier 保留多条有潜力的进化路线。

RAG在网上已经死过很多遍了，谁用谁Low，但是实际上很多的企业知识库仍然在使用，并且依然是主流选择方案。

但问题也恰恰在这里。边界清楚，并不等于对象清楚。企业完全可能在能力边界上越来越清晰，却在核心对象上越来越混乱。客户在营销、客服、交易、财务里不是同一个概念，合同在法务、业务、系统里也未必是同一个对象。业务架构把对象放回了企业运行秩序，却没有自动把对象放进统一语义秩序。这个缺口一旦遇到数据治理、知识库、RAG 和 Agent，就会迅速被放大。

如何从众多的数据库中选型，是构建云效智能问题分析知识库的关键一步。本文将深入对比目前主流的几款产品，为架构决策提供依据。

AI Agent本质就是大模型调用工具的能力，前段时间爆火的Manus其实就是它的应用。