AI Agent是大模型走向实用化的关键一步。通过将LLM与工具、记忆、规划能力结合，我们能够构建出真正能"做事"的AI系统。从最简单的单工具Agent开始，逐步扩展到多工具、多Agent协作，这是每个AI开发者都应该掌握的技能。开始你的Agent开发之旅吧！本文为AIoT系列第5篇，持续关注获取更多AI与物联网的前沿技术分享。

LLM训练全流程数据标注：从SFT到RLHF的工业化方案一、引言"数据是AI的石油"在LLM领域体现得淋漓尽致。Meta的LLaMA 3使用了15万亿Token预训练数据，Anthropic的Claude在RLHF阶段投入数千万条人类偏好标注。**标注数据的质量直接决定模型能力上限

数据质量 > 数据量：1000 条高质量标注 > 10000 条低质量数据两阶段训练：先预训练投影层对齐模态，再指令微调LoRA 微调：只适配语言模型部分，视觉编码器通常冻结领域数据：收集领域特定的图文对是成功的关键。

AI编程助手原理：代码补全到自主Agent的技术全景一、引言从 GitHub Copilot 到 Cursor，再到 Devin，AI 编程助手正在从"代码补全"进化为"自主编程Agent"。它们的背后是一套精密的技术体系：Fill-in-t

从零实现Transformer：手写自注意力到GPT-2级别语言模型一、引言2017年，"Attention Is All You Need" 论文以一句"Attention Is All You Need"宣告了 NLP 新时代的到来。Transformer 不依赖 RNN 的序

Linux内存管理深度解析：从Level 5页表到缺页异常的完整旅程一、引言Linux内存管理是操作系统最复杂的子系统之一。从 `malloc(1)` 这个看似简单的调用，到内核实际分配物理页，中间经历了虚拟地址→VMA→页表遍历→缺页异常→伙伴分配→页回收的漫长旅程。本文将带

ORB-SLAM3视觉SLAM原理与ROS2实战一、引言SLAM(同时定位与建图)是机器人和AR的核心。ORB-SLAM3是视觉SLAM的SOTA方案，支持单目/双目/RGB-D+IMU融合，能在动态环境中鲁棒运行。本文将解析其三大线程并给出ROS2集成。二、三线程架构

从5G网络切片到边缘AI推理，解析5G如何让物联网从'能连'进化到'能实时决策'，涵盖URLLC/mMTC/eMBB三大场景、TSN时间敏感网络、以及5G+MEC边缘推理的完整技术栈。

分布式训练的核心在于用通信换显存是最常用的方案：分片优化器和梯度，平衡性能和显存FSDP是 PyTorch 原生方案，适合不想引入额外依赖的团队梯度检查点 + 混合精度 + 梯度累积是基础优化三件套70B+ 模型需要 3D 并行（TP + PP + DP）

解析层：PDF → 文本 + 图像的完整提取理解层：视觉大模型将图像转化为可检索的文本描述检索层：统一的向量空间，同时检索文本和图像内容生成层：大模型综合文本与图像信息生成准确回答生产环境中建议增加查询改写（Query Rewriting）和答案校验（Groundedness Check）环节。