fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;贯穿整个应用流程Transformer 等模型架构海量数据预训练大语言模型 LLM指令微调与偏好对齐对话式助手写作、翻译、代码、总结RAG 知识库问答Agent 与工作流多模态应用事实核验、安全

fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;贯穿整个应用流程Transformer 等模型架构海量数据预训练大语言模型 LLM指令微调与偏好对齐对话式助手写作、翻译、代码、总结RAG 知识库问答Agent 与工作流多模态应用事实核验、安全

这篇文章提出了一份12周的大模型应用开发学习路线，适合有一定编程基础、想转向大模型应用开发的初学者。路线分为六个阶段：1）补后端基础（FastAPI等）；2）掌握模型API调用；3）学习LangChain/LangGraph框架；4）重点突破RAG技术；5）掌握Agent开发；6）微调与推理优化作为加分项。作者强调学习重点应围绕"做系统"展开，建议先完成可落地的项目（如API服

摘要：本文深入解析了Agent与大模型交互的核心机制，重点介绍了Agent在每轮请求中发送给大模型的四类关键信息：模型配置区、系统提示词区、历史消息区和工具信息区。通过分析这些区块的作用，阐明了Agent实现"记忆"和工具调用的原理——模型并非真正记忆状态，而是依赖每次重新组织的上下文输入。文章还揭示了Skill的本质（规则+工具+示例+约束的组合）和工具调用的实现方式（结构化说明），并通过流程图

本文深入探讨了大模型“幻觉”问题，指出幻觉是指模型生成形式上合理但内容未必真实的回答，表现为编造事实、伪造引用、错误推理等。幻觉源于模型训练目标（预测下一个词而非核实真相）、数据缺陷、上下文不足等因素，是语言生成机制的副作用而非故障。幻觉在医疗、法律等场景可能引发业务、合规和安全风险。治理幻觉需系统性方案：通过检索增强（RAG）、工具调用、事实核验、拆解任务、建立拒答机制等方法降低风险。关键思路是

本文阐述了Agent工具与大模型协同工作的核心机制。主要内容包括： 协作本质：Agent通过将用户问题、历史对话和工具说明打包发送给大模型，后者据此决定是否及如何调用工具，而非直接操作系统资源。 闭环流程：工具使用是循环过程，涉及模型决策→Agent执行→结果回传→模型再推理，最终生成用户应答。 工具定义：工具以结构化说明（名称、功能、参数）告知模型其能力边界，如文件读写工具的JSON描述。 实例

Python并发编程实战：线程、进程与协程的选择指南 本文系统讲解了Python并发编程的核心概念与实践方案。主要内容包括： 并发与并行区别：并发是任务交替执行，并行是真正同时执行 三大方案对比： 多线程：适合IO密集任务，共享内存但受GIL限制 多进程：适合CPU密集任务，可绕过GIL但开销大 协程：轻量级并发，适合高IO并发场景 实战建议： 爬虫/网络请求：多线程可提速近10倍 CPU计算：选

这篇文章提出了一份12周的大模型应用开发学习路线，适合有一定编程基础、想转向大模型应用开发的初学者。路线分为六个阶段：1）补后端基础（FastAPI等）；2）掌握模型API调用；3）学习LangChain/LangGraph框架；4）重点突破RAG技术；5）掌握Agent开发；6）微调与推理优化作为加分项。作者强调学习重点应围绕"做系统"展开，建议先完成可落地的项目（如API服

近期在使用Claude Code 桌面客户端自定义接入DeepSeek V4 系列第三方大模型时，连续遇到了多层校验拦截、API 报错、企业网关规则限制、二进制组件缺失等一系列连锁问题。整个过程可以说是"过五关斩六将"——刚解决一个报错，下一个又冒出来。现将完整踩坑过程、报错原因以及最终的根治方案统一整理如下，希望能帮到遇到同样问题的朋友。经过这一轮完整的踩坑，总结出以下5 条黄金避坑法则。

本文详细介绍了自然语言处理(NLP)中的文本预处理流程，包含三个核心环节：文本清洗、分词和词性标注。文本清洗主要处理编码格式、特殊字符和噪声数据，为后续分析提供干净数据。分词部分对比了英文、中文和子词分词的不同方法及常用工具。词性标注则讲解了其重要性、常见标签体系和实现方法。文章建议预处理应遵循"编码处理→文本清洗→分词→词性标注"的顺序，并强调要根据具体任务调整处理策略。最后