我们正在经历一个。

在大模型技术迅猛发展的今天，AI 应用正从“泛化对话”迈向“深度业务嵌入”的新阶段。如果说上半场的竞争聚焦于模型能力的展示与通用场景的覆盖，那么下半场的核心战场，则毫无疑问是深入企业业务一线的 Agent（智能体）应用。企业对 AI 的期待早已超越“能聊天、会回答”的初级阶段，转而追求能够理解行业语境、执行复杂任务、保障数据主权，并真正融入业务流程的生产力级智能体。这一趋势并非空穴来风。

文章阐述了以大模型为核心的技术生态，强调其需具备自然语言理解、创作和使用工具的能力。Agent智能体作为大模型的"手和脚"，使其能够使用工具完成任务。大模型的本质是理解和生成能力的结合，应用过程需要强大的容错处理，因为执行复杂且不稳定。理解大模型原理可从人类能力角度出发，但实现过程却极为复杂。大模型的技术生态本质上就是围绕着大模型这个“人”转的。大家在学习大模型应用开发时会发现有很多种不同的技术方

现在让我们用一张表格总结这三个关键参数：chunk_size：每张卡片写多少字top_k：找几张相关卡片chunk_overlap：相邻卡片重复多少内容1.6 现在，让我们引入术语1.7 小结核心思想：1.把文档切成小块，每块生成"数字指纹"；2.问题也生成"指纹"，找最相似的块；3.把相关块和问题一起给 AI，让它生成答案；关键优势：✅ 基于你的文档（不会编造）✅ 语义理解（不只是关键词）✅ 可

昨天的文章已经提到，昇腾超大规模MoE模型推理部署技术在本周会有持续的技术披露，果然第二天的技术报告又如期而至了。要问最近哪个模型最火，（MoE，Mixture of Experts）绝对是榜上提名的那一个。它的巧妙之处，就在于把不同的任务分配给擅长处理的，让整个系统性能得以提升。但你知道吗？正是这个关键的专家网络，也是严重影响系统推理性能的因素之一。因为在大量任务来临之际（尤其是超大规模时），M

训练 loss 突然跳高但又下降。

在开始构建下一个 AI 功能时，我们也许不必要按照每一项都执行。但是，有相对清晰的认识，也是建立品味的过程。只有当见的够多、见过的最佳实践够多，才有可能设计出符合预期、甚至是超出用户预期的产品。

什么是 Skills，就是为大模型提供具体的某种能力，这听上去有点类似与 MCP 的概念，巧了，MCP 也是 Anthropic 提出来的。接着说什么是 Skill，假设我想查询明天的天气，如果只用大模型自己的能力肯定不行，它必须要联网搜索，而联网搜索天气预报这是一个具体且专业的事情，之前用 MCP 可以做到，现在呢，用 Skill 也能做了，这个Skill 的能力就是查天气，可能是一个 Pyth

和V3相比，到底有什么不同？官方说的模模糊糊，就提到了上下文长度拓展至128K和支持多种张量格式，但别急，我们已经，为你奉上更多新鲜信息。我们比较了V3.1和V3，注意到它在编程表现、创意写作、翻译水平、回答语气等方面都出现了不同程度的变化。不过要说最明显的更新，大概是DeepSeek网页端界面的【深度思考(R1)】悄悄变成了【深度思考】。手机端还在慢慢对齐（笑）当前DeepSeek V3.1 B

DeepResearch通常指由人工智能驱动的深度研究助手，能够自主地在网络上进行多步骤的调研，并将搜索到的信息进行分析和综合，最终生成结构完整、内容详实的报告。OpenAI对Deep Research的描述是：“