/ ===== 功能函数：真正干活的代码 =====// 给用户实时反馈（Agent 任务可能很耗时，用户需要感知进度）console.log(`[工具调用] read_file(${// ===== 功能函数：真正干活的代码 ===== const content = await fs . readFile(filePath , 'utf-8');

Tool 是 Agent 的"手脚"，让 LLM 从"想"变成"做"。LangChain 使用的tool()（把js变成LLM的tool） 函数定义工具，配合zod做参数校验。组成部分说明处理函数（异步）真正的执行逻辑，如描述对象name（工具名）、（告诉 LLM 什么时候用）、schema（zod 参数约束）// tool.mjs — 定义文件读取工具import {// zod 提供运行时类型

如果你用过Trae或Cursor，一定对这样的体验不陌生：“用 Vite 创建一个 React 的 TodoList 项目，并把它运行起来。Cursor 到底做了哪些事情？当你在 Cursor 中输入："帮我创建一个 React TodoList 项目"它其实不是一句话回答你。而是在后台连续完成了下面这些事情：① 分析你的需求② 创建 React 项目③ 修改 App.tsx④ 写 CSS⑤ 安装

用户发送问题 → 服务器开始推理 → 推理完成 → 一次性返回全部结果 → 前端渲染推理过程可能非常漫长——一个复杂问题（比如"用 JavaScript 写一个贪吃蛇游戏"），LLM 可能需要推理 30 秒甚至更久。用户盯着空白页面干等半分钟，这是 AI 产品绝不能出现的体验。不要等所有结果都生成完再返回，而是生成一个 token 就立即返回一个 token。用户发送问题 → 服务器开始推理 →

用户输入 → 网络请求 → 远程服务器(GPU集群) → 推理计算 → 返回结果这种方式叫云端推理，模型跑在厂商的服务器上。贵：厂商需要采购大量 GPU，成本最终转嫁给你（API 按 token 计费）。不安全：你的输入内容（context）会随着请求发送到远端服务器，数据隐私无法完全掌控。而端侧模型（On-Device Model）指的是模型直接运行在你的设备上——手机、电脑、汽车、甚至浏览器。

Benchmark 就是一套统一的考试题，用来公平比较不同模型、算法或硬件谁更强。放在大模型领域，Benchmark 是 LLM 在一系列标准化测试中的得分集合。它是多维的、可量化、可复现的。你可以把它理解为：给AI模型出一堆标准题目，让它去考试，考完了会出一个分数——这就是模型的"高考成绩单"。上半部分——Benchmark 评测体系：梳理了 MMLU、GPQA、HumanEval、SWE-be

在构思Prompt时，首先要回答一个问题：我想做什么样的东西？对于3D小世界编辑器，定位是“摆在桌子上的小模型”，而不是“开放世界探索游戏”。这两者的差异巨大：模型世界：规模有限（8×8网格），视角固定俯瞰，物体像积木一样拼接，强调手作感和可控性。开放世界：无边无际，需要LOD（细节层次）技术、动态加载、第一人称或第三人称漫游。将定位明确写入Prompt，可以防止模型生成过于复杂或不切实际的方案。

Token：LLM 最小计价/工作单位，BPE 子词切分产物，不是字符也不是单词。Tokenization 必要性：神经网络只认数字，文本必须转 ID 再 Embedding 为连续语义向量。BPE 算法：从字符开始反复合并高频字节对，兼顾语义完整性和词汇表效率。Embedding：完成"离散符号 → 连续语义"的关键一跃，让语义相似度可计算。余弦相似度：衡量语义相似度的标准工具，只看方向不看长度

在模型之上，是数据的艺术；在模型之下，是数据的地基。智能 = 数据 × 算力 × 算法，数据决定智能上限，是三者中最关键的一环。训练集学规律，验证集调参数，测试集测泛化——三者严格分离，测试集绝不可反复使用。K 折交叉验证让每份数据轮换充当训练/测试集，防止单次划分偏差，适合中小数据集。LLM 数据工程是动态循环：质量评估 → 动态验证集 → 覆盖率分析 → 去重与污染检测。实战要点：seed 固

Harness Engineering 代表的是 AI 工程化从"调 Prompt"到"建系统"的范式跃迁。演进路径：Prompt → Context → Harness，每一步解决前一步的局限核心比喻：模型是引擎 / 马，Harness 是整车 / 挽具缺陷驱动设计：无状态→记忆层记忆层是基石：CLAUDE.md 作为导航地图，/init建立记忆，持续更新——这是 Harness 的首要切入点。