本文为你提供一份大模型微调的完整知识地图与资源清单。从微调、RLHF、蒸馏、剪枝到推理，厘清各项技术的定位与关系。核心补充了小白最容易忽略的资源计算与成本估算，包括显存计算公式、不同精度下的显存占用、LoRA/QLoRA对比，以及云GPU成本参考。文章按阶段整理了CSDN、阿里云等平台的高质量学习链接，覆盖数据准备、动手微调、调参评估、蒸馏剪枝、部署推理到端到端项目全流程。同时提供学生党低成本方案

本文介绍如何通过DSPy框架和Agentic RAG技术让智能房产推荐系统实现自我优化。DSPy将Prompt从手动调优变为自动优化，调优时间从2小时降至5分钟，准确率提升15%。Agentic RAG通过Self-RAG（检索后反思）、Corrective RAG（查询改写）、Adaptive Routing（自适应策略）三大技术，将检索相关性提升18%，复杂查询准确率提升25%。结合四层记忆系

在实际的 LLM Agent 工程实践中，我们发现了一个反直觉的现象：简单问题往往被过度复杂化。一个只需一次 SQL 查询就能解决的问题，Agent 却要经历拆解、规划、反思、校验等 8 个步骤，导致 Token 消耗翻 3 倍、响应时间翻倍、成本飙升，而准确率并未提升。本文将这种现象定义为"认知过拟合"——模型在简单任务上使用了过度复杂的推理结构。文章深入分析了这一问题的根本原因：LLM 的讨好

这是我学习LlamaIndex框架的完整记录。通过9个递进式的本地demo，从零开始理解RAG系统的核心概念。包括Document、Node、Index、QueryEngine、ChatEngine等5个核心概念的详细讲解，以及单轮查询和多轮对话的实现方法。适合想要快速上手LlamaIndex的初学者。

代码从15行减到5行，查询速度快21%：LlamaIndex如何重新定义RAG系统

Claude Code、Skill、Agent、Clawdbot 这些 AI 概念听起来很玄乎，但如果你做过 ETL，其实早就会了。本文用 ETL 工具链类比 AI 工程化体系：Claude 模型 = SQL 语句（执行层），Skill = 存储过程（能力封装层），Claude Code = Toad（开发工具层），Agent = MOIA 作业流（任务编排层），Clawdbot = 调度平台（生

从 ReAct Agent 升级到 LangGraph 的完整复盘。通过引入 5 个核心概念（State、Node、Edge、Conditional Edge、Checkpoint），我将房产 Agent 的工作流从顺序执行升级到支持并行执行、状态持久化和复杂条件分支。对比查询的性能从 5s 降低到 3s（提升 40%），同时支持了断点续传和工作流可视化。文章详细讨论了 ReAct 的局限性、La

本文对比了 LangGraph、AutoGen、CrewAI 三大 Agent 框架。基于 100 个真实房产查询的实测数据，LangGraph 在生产环境表现最优（99.5% 成功率、4.2s 平均耗时），适合复杂工作流；AutoGen 开发效率最高（最简单直观），适合快速原型；CrewAI 最擅长多 Agent 协作（自动编排）。文章强调 LLM 推理占总耗时 90%+，框架差异主要在编排层。

上周我们优化了 RAG 检索（75% → 90%），这周优化生成端。即使检索 100% 正确，如果 LLM 理解不了上下文、不知道用户真实意图、记不住用户需求变化，用户体验仍然很差。本周通过三个技术解决这些问题：Context Engineering（结构化上下文）让 LLM 理解数据、Prompt Optimization（动态 Prompt）让 LLM 按用户意图回答、Conversation

这是我的第一个完整RAG系统Demo。用一周时间从零开始，搭建了一个房产推荐AI系统。系统涉及向量表示学习、检索增强生成(RAG)、提示工程、对话管理、LCEL编程范式等核心知识。核心流程：用户提问 → 向量化 → 检索相关房源 → LLM生成答案 → 保存对话历史。技术栈：LangChain + Chroma + DashScope + FastAPI + Streamlit。