-
编辑 删除
为什么 AI Agent 重新爱上了文件系统（Filesystems）
编者按： 当大语言模型的上下文窗口不断扩张，AI 智能体是否必须依赖成百上千的专用工具、复杂的云端编排与封闭的插件生态，才能真正具备“长期记忆”与“跨平台协作”的能力？本文首先剖析了“上下文窗口不等于记忆”的架构痛点，指出传统白板式的上下文管理机制极易丢失关键信息，而文件系统通过 CLAUDE.md、技能描述文件等持久化载体，为智能体提供了可读写、可迁移的长期上下文。其次，作者
-
编辑 删除
以 Nano-vLLM 为例，深入理解 LLM 推理引擎（Part 2）
编者按： 你是否曾好奇，当我们向大语言模型输入一段文字、看着它逐字逐句生成回复时，背后那些动辄千亿参数的神经网络究竟在“计算”什么？它们又是如何在短短几秒内完成如此复杂的推理过程？我们今天为大家带来的文章，作者的观点是推理引擎的价值不仅在于调度，更在于通过重写模型代码与深度优化底层计算逻辑，将静态的权重转化为高效的智能输出。作者 | Neutree AI编译 | 岳扬01 模型内部机制、
-
编辑 删除
以 Nano-vLLM 为例，深入理解 LLM 推理引擎（Part 1）
编者按： 你是否也曾在深夜调试大语言模型服务时，对着飙升的延迟和捉襟见肘的 GPU 显存一筹莫展？为什么同样的模型，在线服务商能支撑高并发，而你自建的推理服务却频频超时？当你试图通过增大 batch size 提升吞吐量时，却换来首字延迟的恶性膨胀 —— 这些问题的根源，往往藏在黑盒般的推理引擎内部。这篇文章没有停留在理论层面，而是深入 Nano-vLLM —— 一个由 DeepSeek
-
编辑 删除
微软多模态推理模型 Phi-4-reasoning-vision 训练经验分享
编者按： 当多模态模型不断朝着更大参数、更长推理路径的方向演进时，我们是否忽略了"轻量、高效、实用"这一同样重要的维度？今天为大家带来的文章，作者的观点是：通过精细化数据设计与混合推理策略，可以训练出一款在性能与成本之间实现理想平衡的小型多模态推理模型。文章围绕微软最新开源的 Phi-4-reasoning-vision-15B 展开，系统阐述了该模型的研发初衷与关键
-
编辑 删除
解构 MCP 的伪需求与 CLI 的真价值
编者按： 当 Anthropic 推出 Model Context Protocol（MCP）时，整个行业都在欢呼 —— 但如果我们冷静下来追问：一个专门为 LLM 设计的协议，真的比历经数十年打磨的命令行工具更适合智能体吗？我们今天为大家带来的这篇文章，作者的核心观点是 MCP（模型上下文协议）并非必要，传统的 CL
-
编辑 删除
LLM 存在的一些问题，人类就不存在吗？
编者按： 当我们在习惯性地挑剔大语言模型（LLM）的种种缺陷时，如果反转视角，用评价AI的严苛技术指标来衡量人类自身的认知与对话能力，我们还能通过这场针对“智能”的测试吗？我们今天为大家带来的文章，作者的观点是：随着大语言模型的飞速进化与人类能力的相对停滞，那些曾被视为AI“缺陷”的行为特征，如今反而在人类对话中表现得更为显著，甚至在某种程度上，AI已凭借其高效的认知能力成为比人类更优质
-
编辑 删除
OpenClaw 架构详解 · 第二部分：并发、隔离以及确保智能体正常运行的不变量
编者按： 为什么你的 AI 智能体总是在生产环境中悄无声息地出错，甚至在你睡觉时做出不可预测的行为？我们今天为大家带来的文章，作者的观点是：构建可靠 AI 智能体系统的关键，不在于精巧的提示词，而在于通过强制执行少量核心不变量（Invariants）来管理并发和状态，将自主性约束在可控范围内。文章重点介绍了 OpenClaw 架构如何通过队列模型实现会话串行化与全局限流，确立了“单写入者
-
编辑 删除
OpenClaw 架构详解 · 第一部分：控制平面、会话管理与事件循环
编者按： 当我们惊叹于OpenClaw仿佛“活过来”般的自主行为时，我们究竟在惊叹什么——是模型真的拥有了某种意识，还是我们被某种精妙的工程机制“欺骗”了？今天为大家带来的这篇文章，作者给出了一个清晰而坚定的答案：OpenClaw 的“自主性”并非源于神秘的涌现能力，而是一套严谨、可解释的事件驱动架构所带来的工程成果。本文深入技术底层，为读者抽丝剥茧地解析了 OpenClaw 的核心架构
-
编辑 删除
目前市场上似乎只有三类真正可行的 AI 产品
编者按： 在大模型技术狂飙突进的今天，市面上层出不穷的 AI 产品，究竟有多少是真正跑通了商业闭环的“硬通货”，又有多少只是包装精美的“伪需求”？我们今天为大家带来的文章，作者给出了一个犀利而冷静的判断：在喧嚣的 AI 热潮背后，目前真正行之有效的大语言模型产品仅有 Chatbots、智能补全产品和智能体这三类。文章深入剖析了这三种产品形态的生存逻辑与潜在困境：作者指出，Chatbots
-
编辑 删除
为什么 AI 巨头们放弃私有壁垒，争相拥抱 Agent Skills
编者按： 在 AI 智能体赛道竞争白热化的今天，为何巨头们会突然放弃私有壁垒，共同拥抱同一套技术标准？我们今天为大家带来的文章，作者的观点是：Agent Skills 之所以能在 90 天内从私有功能演变为行业标准，关键在于其“渐进式披露”的架构设计解决了 Token 经济学痛点，以及“一次编写，处处运行”的可移植性打破了平台壁垒。文章详细回顾了 2025 年 10 月至 12 月间，A
-
编辑 删除
在 Anthropic 的这两年，我学会了 13 件事
The Dance Class by Edgar Degas, 1874作者 | Karina Nguyen编译 | 岳扬我确定，Anthropic 再也不会是我当初加入时的那个样子了，而我自己也变了很多。大约两年前，我以前端工程师的身份加入，当时公司只有大约 50 人。而当我离开时，已是一名研究员，公司规模已超过 700 人。期间我学到的东西是：1）一个团队前进的速度，很大程度上取决于两件事：一
-
编辑 删除
回头看 RLHF、PPO、DPO、GRPO 与 RLVR 的发展路径
编者按： 当我们在惊叹AI竟能自主推导数学定理、重构百万行代码时，是否还该用“它不过是在猜下一个词”来解释这一切？这种始于2023年的简化论调，如今是否已成了我们理解智能本质的认知枷锁？我们今天为大家带来的文章，作者的核心观点是：现代大模型早已超越“Next Token Prediction”的原始范式，正通过 RLVR 等优化机制，完成从机械模仿到策略性推理的认知跃迁。文章以生动的比喻
-
编辑 删除
HackerNews 热榜第一名：AGI 的 A，原来代表的是 Ads（广告）
编者按： 当全球顶尖的人工智能实验室手握数千亿美元估值、剑指通用人工智能（AGI）的终极愿景时，你是否想过——我们花费巨额算力与顶尖人才所培育的"超级大脑"，其商业化的第一站究竟会通向何方？是彻底颠覆生产力的工具平台，还是另一个更精准、更隐蔽、更具侵入性的广告分发引擎？文章以详实的数据拆解了 OpenAI 2025 年的爆发式增长（400 亿美元融资、2600 亿美元
-
编辑 删除
Prompt caching 技术是如何实现 1 折的推理成本优化的？
编者按： 你是否曾好奇过，那些声称能将长文本输入成本降低90%、延迟减少85%的"Prompt Caching"技术，背后究竟缓存了什么？是简单的文本复用，还是某种更深层的计算优化？我们今天为大家带来的文章，作者的核心观点是：Prompt Caching的本质并非简单的文本字符串缓存，而是对Transformer注意力机制中Key-Value（KV）矩阵计算结果的复用
-
编辑 删除
分享一些编程助手使用过程中的经验教训与观察思考
编者按： 文章内容涵盖作者近18个月的深度实践观察：首先，作者指出AI助手在主流语言代码生成、长期任务连贯性方面取得显著突破，但在UI框架抽象层处理上仍显笨拙；其次，他揭示了模型“求快”的默认性格需通过“惯用性”提示词加以约束，并惊叹于Opus 4.5与GPT 5.2在Bug定位上的惊人能力，但也警示，过度依赖AI会导致开发者心智模型保真度快速衰减，进而缩短代码库的“品质半衰期”；最后，
-
编辑 删除
GPU 应该怎么选择？写给 AI 工程师的 GPU 选型指南
编者按： 在 AI 大模型浪潮中，GPU 选型究竟隐藏着哪些工程师必须掌握的核心门道？我们今天为大家带来的文章，作者的核心观点是：GPU 并非一个黑箱式的整体产品，而是一个由微架构、内存子系统与互联方式共同构成的复杂技术系统 —— 只有理解其内在结构，AI 工程师才能做出真正高效、可扩展的硬件选择。文章首先从“计算能力”这一核心概念切入，解释了其如何决定硬件
-
编辑 删除
Claude Code中的Commands→Skills→Agents是进阶路径？你可能理解错了
编者按： 在 Claude Code 中，我们到底该用 Command、Skill 还是 Agent？这三者究竟是新手到高手的进阶阶梯，还是各司其职的协作组件？我们今天为大家带来的文章，作者的观点是：Commands、Skills 和 Agents 并非技能等级，而是同一系统中分别负责“何时触发”与“执行什么”的三种协同角色。文章深入剖析了三者的本质区别：Commands 和 Skill
-
编辑 删除
强化学习比你想象的还要更为低效...
编者按： 为什么在强化学习（RL）中，模型往往需要消耗比有监督学习多出数个数量级的计算资源，却只能换来看似微薄的性能提升，且常常陷入训练不稳定的泥潭？本文从信息论角度出发，对比了有监督学习与强化学习在单位样本中可获取信息量的根本差异：前者通过明确的正确标签直接提供高信息密度的学习信号，而后者仅依赖二元的成功/失败反馈，其信息熵在通过率极低或极高时趋近于零。作者进一步指出，只有当模型的“通
-
编辑 删除
微调后的Qwen3-4B在多项基准测试上战平或胜过GPT-OSS-120B
编者按： 如果你正在为边缘计算、本地部署或资源受限场景寻找高效的语言模型解决方案，你是否曾困惑：在众多小型语言模型（SLM）中，哪一个才是微调的最佳起点？是否真的存在“小而强”的模型，能在微调后媲美甚至超越规模大数十倍的教师模型？近期，distil labs 团队进行了一项严谨的基准研究，或许能为你提供数据驱动的答案。他们在 8 类任务（涵盖分类、信息抽取、开卷与闭卷问答）上，对 12
-
编辑 删除
Skills 与延迟加载工具定义的 MCP，目前哪个更高效、稳定和可控？
编者按： 我们今天为大家带来的这篇文章，作者的核心观点是：相较于依赖复杂且高成本的动态 MCP 工具加载机制，以 Skills 为核心的能力摘要与自维护模式，在当前阶段反而更加高效、稳定且可控。文章系统梳理了延迟工具加载（deferred tool loading）的工程现实与限制，指出即便工具可以延后注入，对话级别的工具集合仍然是静态的，且发现机制高度依赖正则匹配，收益并不如预期。作者
