deephub

摘要： 多智能体系统是 2026 年主流构建方式，Claude 的智能体团队功能、OpenAI 的 Swarm 框架、LangGraph 的编排层以及 CrewAI都指向同一个结论：复杂任务需要协调配合的专家，而非一个万能通才。 为什么单个智能体会失效 一个智能体包揽一切，就像一人创业公司——小规模时凑合， 阅读全文

摘要： 一旦模型能读完所有内容检索增强生成（RAG）就没有存在的必要了，开发者只需要把整个代码库或者多年的聊天记录塞进 prompt，让模型自行处理，所以AI行业花了好几年追逐更大的上下文窗口：4K → 32K → 128K → 1M tokens。 但是真正在生产环境里这么做的时候就出了问题,因为答案变差 阅读全文

摘要： 多数关于 LangGraph 和 Semantic Kernel 的比较文章已经过时。过去六个月里，两个框架分别进行了重大的更新，所以本文将梳理的是实际发生的变化、当前的代码形态，以及如何进行技术选型。 2026 年构建 Python AI Agent 的现实状况是：都足够成熟的可选框架有两个，多数 阅读全文

摘要： 传统统计方法在时间序列分析中既简洁又有力，但面对大规模时间序列集合时，扩展性往往不尽如人意。现实中的趋势变化往往微弱、带有噪声、数量也不止一个，靠肉眼判断既不可靠也不现实。一旦需要处理数十乃至数百条时间序列，人工识别就更不可行了。Figure 1: Identify the optimal numb 阅读全文

摘要： 多数开发者通过教程学Python，教程教的是语法——循环、类、字典。但有经验的Python工程师依赖一套完全不同的工具：惰性求值、描述符、动态类创建、函数式管道。 这些不是入门技巧，是架构层面的武器。 开始使用它们之后，项目体积缩小了，维护成本降低了，自动化也顺畅得多。以下是改变一切的七个技巧。 h 阅读全文

摘要： 把 AI agent 的逻辑拆分到多个独立运行的服务中，听起来复杂做起来也确实容易乱。LangGraph 的 RemoteGraph 特性算是一个干净的方案：本地编排器负责流程控制，远程图服务器承担具体计算，状态管理和控制流的职责边界清晰。 本文要构建的项目是一个循环数学引擎：本地图编排一个远程图： 阅读全文

摘要： 和 AI 对话超过 20 轮之后，看着它慢慢开始胡说八道，如果有过这种经历，那么你就应该看看这篇论文 跟 AI 聊天机器人对话时，用户输入的每一个字都会被保存，模型给出的每一条回复同样会被保存。所有历史内容在下一轮对话中被回传给模型，再下一轮，再下一轮，像河底的沉积物越堆越高。 每一个聊天机器人、每 阅读全文

摘要： Microsoft AutoGen 曾是构建 LLM 多智能体系统的标杆性开源框架。2023 年末由 Microsoft Research 发布后迅速成为研究人员和开发者的默认选择：智能体之间可以互相对话、调用工具、编写并执行代码、在流程中引入人类审批，以对话式的协调方式取代了单条长 Prompt 阅读全文

摘要： 训练集和测试集如果来自不同的分布，会怎样？ 类似的问题不是没遇到过只是语境不同，比如说模型上次构建以来是否发生了数据漂移？销售分析中产品 A 和产品 B 的分布是否存在差异？归结下来问的都是同一件事，如何量化两个分布之间的差异。 https://avoid.overfit.cn/post/7e479 阅读全文

摘要： AI 和 LLM 的进步通常归因于三个方面的持续改进：模型、数据、计算。三者互相关联。要跑起那些参数量庞大的模型，就需要足够的计算资源来支撑。Llama 3 最大的模型超过 4000 亿参数在 16000 块 GPU 上训练了数周乃至数月，优化计算意味着在更低的成本下训练更大的模型。 本文将介绍 G 阅读全文