sirius_mchao

摘要： 很多人第一次认真做大模型应用，都会遇到一个相似的时刻。 你把需求写得很完整：背景、目标、约束、参考材料，一条不落。结果模型的回答却开始变得奇怪： 有些关键点被忽略，有些结论前后打架，有些地方甚至像“没看到你的输入”。 直觉上我们会觉得：是不是 Prompt 还不够清楚？ 但在不少场景里，真正的问题不 阅读全文

摘要： 我们可能听过很多对 RAG 的描述： “给 AI 接个知识库，它就能查资料了”； “加上 RAG，模型就不会胡说八道”； “RAG 就是让模型学会联网搜索”。 这些说法有一点道理，但都不够准确。 因为从系统机制上看，大语言模型本身并不会“查资料”。 它不会主动访问数据库，不会自己执行检索，更不会在推 阅读全文

摘要： 你可能有过这种体验： 昨天和 AI 聊过你的项目，它今天还能接着聊； 你让它“记住我的偏好”，它似乎也做到了； 在长对话里，它看起来像一个“有连续记忆”的协作者。 于是一个看似简单的问题出现了： 模型真的记住了吗？ 这篇文章给一个清晰结论： 大模型本身并不“记忆”，它只是在每次推理时重新读取输入。所 阅读全文

摘要： 如果必须用一句话概括大模型时代最重要的工程发现，那就是： 在模型参数固定的情况下，AI 的能力上限，主要由它在推理时能够同时访问的“有效信息量”所决定。 这不是比喻。而是一条在工程实践中反复被验证的系统规律。 理解这一点，几乎可以解释过去几年 AI 领域所有看似神奇的能力跃迁。 一、被忽略的事实 模 阅读全文

摘要： 当人们第一次接触大语言模型时，最直观的体验是： 只要输入一句话，AI 就会按要求完成任务。 于是一个几乎本能的结论产生了： 👉 Prompt 就是在给 AI 下命令。 这听起来非常合理： “帮我写一篇文章” “总结以下内容” “翻译成英文” 这些表达方式与人类日常交流中的指令形式高度一致。 但如果 阅读全文

摘要： 过去几十年，人类始终在追问一个问题： 机器能否真正思考？ 当大语言模型出现后，这个问题第一次变得不再抽象—— 因为它们的表现确实像在思考。 它们能写代码、分析问题、总结复杂资料，甚至可以进行多步骤推理。 与之对话时，人们很容易产生一种直觉： 这不像工具，更像一个"理解世界的智能体"。 然而，如果我们 阅读全文

摘要： 导读：本文作为《LLM进化史》三部曲终章，让我们看穿AI世界层出不穷的新概念背后的真正本质——所有技术演进，其实都是围绕"谁来决定AI的行为"这一核心问题展开的控制权之争。 一、AI圈最大的幻觉：每天都在诞生新技术 图：AI控制权之争的核心概念示意图 如果在AI圈待过一年，大概率会产生一种错觉：每天 阅读全文

摘要： 导读：上一篇我们扒掉了大模型的第一层外衣，这篇继续拆解AI能力增强的底层逻辑，扒一扒Agent是如何把“只会接话的天才”变成“能干活的员工”的。 一、Prompt：人类给模型装上的第一层“幻觉” 让我们回到最原始的LLM，它的工作模式只有一句话：输入 → 预测下一个token → 输出 → 结束。很 阅读全文

摘要： 导读：本文用生动的职场类比，带你看懂大语言模型从"复读机"到"智能助手"的完整进化路径，理解AI能力增强的底层逻辑。 一个只会接话的天才 你雇了个天才员工：上知天文下知地理，问啥都能立刻接话，但聊完就失忆，更别提帮你查资料、写代码——这就是早期大语言模型（LLM）的真实写照。 图：大语言模型核心工作 阅读全文

摘要： Consul windows部署见上篇 Consul Windows部署 - 咸鱼翻身？ - 博客园 (cnblogs.com) 一、创建Web API 项目并安装Consul包 打开命令行并运行以下命令创建一个新的 Web API 项目： dotnet new webapi -n ConsulDe 阅读全文