我最近在网上看到一套“Agent 的 12 种核心构建范式”，感觉它实际上很明确的介绍了AI Agent如何从一个演示程序到生产可用的搭建过程和原则。挺完整，就顺手记录、翻译了一下，也补了一点自己在工程视角下的理解。        现在很多 Agent 的现状是：      重原型、轻生产。能跑起来、能演示，能干的事情更多是写 PPT、写报告、做个工具小助手，但一到生产就露馅：不稳定、不可控、不可

最近一直在想如何在公司推广AI应用，看了也收集了不少信息，聊聊类似我们这种中小公司怎么务实地上手AI。大公司用AI很好理解，那中小企业，基至几个人的小团队要不要用？实际上，AI是一种科技平权的体现，它是中小企业的一个机会。

      中小企业要进行大模型的应用的开发，是不是简单的几句话，让大家多用大模型就行了，或者统一购买公网的TOKEN就可以了？如果没有足够的开发人员，如何让全员搭建 Agent，使用知识库？如果碰到敏感信息，想在公司搭建私有的大模型，该如何做？

EDA工具，目标是硬件设计，而硬件设计，您也可以看成是一个编程过程。大模型可以辅助软件编程，相信很多人都体验过了。但大都是针对高级语言的软件编程，比如：C++，Java，Python，JavaSctipt。面向的行为是软件（CPU或GPU）。有多大用处，见仁见智，我在之前的博客里也提到过。这里不再多说，但是对于硬件编程，也就是我们所说的RTL编程，EDA工具的使用。大语言模型是否有效，有多大的帮助

现如今，所有行业都想和AI扯上关系。作为算力芯片之一的FPGA，自然也不例外。我记得之前已经总结过几次，但总觉得有些附会。最近半年，AI芯片的概念再次暴火，所以，想再总结一下。从纯技术角度看看。

之前老有人给我说 苹果的Mac Studio可以安装DeepSeek满血671B的模型，非常牛，最近网上对 Nvidia DGX Spark 又热火朝天。首先，声明一下，个人囊中羞涩，没钱去买来试试，只是看了一些资料，来分析一下两种机器的性能，特别是在跑大模型时的性能，看是牛皮吹破天，还是真有其事。

在人工智能时代，AI的算法不断推陈出新，对于硬件的算力和灵活度要求很高。FPGA的灵活性比较符合AI的特性。通过FPGA可以快速开始定制化运算的研究和设计，因为是使用FPGA，所以，可以保证开发软硬件平台的兼容，如果要获得更高性能，就定制ASIC芯片，如果ASIC过于昂贵，或者硬件产品的需求量不足，也可以继续使用FPGA。在应用规模扩大的合适时机，直接转换为定制化芯片，以提高稳定性，降低功耗和平均

        近些年，已经很少写代码，并且行业也有转换（从纯软转到软硬结合），但作为一个老程序员，也算是经历了软件行业很重要的变迁，也想仔细想想到底AI对程序员意味着什么。因为这几年涉及硬件较多，还真是没有怎么关注软件受AI的影响。        我算是简单用了些AI的编程工具，大概也明白目前的大语言模型的原理和发展过程，今天在应用层，站在程序员的角度来思考一下，应该如何应对？

        近些年，已经很少写代码，并且行业也有转换（从纯软转到软硬结合），但作为一个老程序员，也算是经历了软件行业很重要的变迁，也想仔细想想到底AI对程序员意味着什么。因为这几年涉及硬件较多，还真是没有怎么关注软件受AI的影响。        我算是简单用了些AI的编程工具，大概也明白目前的大语言模型的原理和发展过程，今天在应用层，站在程序员的角度来思考一下，应该如何应对？

之前仔细学习过大模型的推理解析，但只是针对通用的早期大模型，并没有针对目前流行的MoE的在模型的推理进行解析。比如：DeepSeek。也就是针对通用的早期Transformer架构进行了学习。之前讲解推理过程时，也没有针对Prefill和Decode两阶段做详细的解释，今天借着对DeepSeek V3.1的推理解析，深入理解上面的几个问题。因为刚好，DeepSeek对传统架构做了一些优化，