Tokenizer和Embedding都是将文本转换为数字表示的过程，但作用不同。Tokenizer将文本切分为词汇表的基本单位（token）并映射为数字ID，例如"人工智能"可能被切分为["人工","智能"]并编号。Embedding则将token ID转换为高维语义向量，使相似含义的token在向量空间中距离相近。Tokenizer只负责切分和编号，不包含语义；Embedding通过矩阵查表将

JSON-RPC 2.0是基于JSON的轻量级远程过程调用协议，允许程序通过网络请求执行远程方法并获取结果。其核心结构包含版本号、方法名、参数和请求ID字段，支持错误处理和批量请求。相比REST API，JSON-RPC采用类似本地函数调用的方式，通过单一接口实现各种操作。该协议具有语言无关性、简洁高效的特点，广泛应用于区块链节点通信（如以太坊、比特币）、微服务架构和远程控制系统。在区块链领域尤其

MCP（Model Context Protocol）是Anthropic推出的开放标准协议，旨在解决大型语言模型（LLM）与外部数据源、工具和服务之间的集成难题。该协议采用类似USB-C的标准化设计，通过JSON-RPC 2.0实现双向通信，支持HTTP和本地传输方式。MCP架构包含Host（如Claude Desktop）、Client（协议适配器）和Server（能力提供者）三层，支持资源访

感知机是一种二分类的线性模型，也就是用来判断输入属于哪一类（比如“是/否”）。在20世纪50年代，科学家罗森布拉特（Frank Rosenblatt）深受“联结主义”思想的影响——他坚信智能源于模仿大脑。于是他在1958年发明了感知机（Perceptron）。可以思考一下，我们是如何识别苹果的？从颜色、尺寸、味道等特征来进行识别；如何让机器也能识别呢？如果我们将这些特征进行打分，并且赋予一定的权重

本文介绍了神经网络训练的核心概念：拟合函数（描述输入输出关系的数学函数）、损失函数（衡量预测误差的指标）、梯度下降（优化参数的算法）和反向传播（高效计算梯度的方法）。这些概念共同构成了AI模型训练的基础流程：通过前向传播计算预测值，用损失函数评估误差，再通过反向传播和梯度下降调整参数，不断迭代优化模型性能。文章还讨论了欠拟合、过拟合等关键问题，以及不同任务适用的损失函数类型。

本文分享了Python学习经验，包含两个实战项目：1）使用requests和BeautifulSoup爬取王者荣耀英雄头像并本地存储；2）基于FastAPI框架搭建简单的Web接口服务。文章提供了详细代码示例，涵盖爬虫开发中的异常处理、文件操作，以及Web开发中的API创建、Uvicorn服务器启动等核心知识点，适合有其他编程语言基础的学习者快速上手Python开发。

Claude Code 和 Codex 是。

摘要：本文介绍了大语言模型(LLM)的核心概念和运行机制。大模型本质是预测下一个词的数学函数，通过海量数据训练实现智能。文章详细解释了Token（文本处理基本单位）、Context（上下文信息）、Prompt（用户指令与系统设定）等关键概念，并阐述了工具(Tool)如何扩展模型能力。最后介绍了Agent（自主解决问题的程序）及其技能文档(Agent Skill)。文章还提到MCP协议旨在统一各平台

AI Agent（智能体）是指能够感知环境、自主决策和执行动作以实现目标的智能实体。当前流行的LLM-based Agent主要采用ReAct（Reason+Act）框架或Plan-And-Execute模式运行。ReAct模式下，Agent通过循环执行思考-行动-观察的步骤完成任务；而Plan-And-Execute模式则先制定计划再执行，并根据结果动态调整计划。这两种模式都体现了现代AI Ag

《驾驭工程：AI时代的新型软件工程范式》