#AI

LangChain 是什么?它不是一个大模型,而是一套把模型、工具、提示词、记忆、检索和可观测性组织起来的应用开发框架。本文用工程视角讲清它适合什么场景、核心组件是什么,以及什么时候不该一上来就用它。

系统梳理 RCT 构词法、常见提示词技巧、反馈迭代、任务拆分与评估方法,帮助从业者把提示词优化做成可验证、可复用的工程流程。

RAG(检索增强生成)是把外部知识库接入大模型的常见方案。本文用一篇入门文章讲清楚它是什么、为什么需要、完整流程怎么跑、Embedding 和向量数据库扮演什么角色，以及落地时最容易踩的坑。

MCP（Model Context Protocol）是连接 AI 应用、外部数据源和工具的开放协议。本文用一篇入门文章讲清楚它是什么、为什么会火、Host / Client / Server 怎么协作，以及它和 Function Calling、RAG、OpenAPI 的关系。

大模型自己不会查天气、不会算精确数学、动不了你的数据库 —— Function Calling 就是给它"开外挂"的标准协议。这篇讲清楚它是什么、为什么需要、一次完整的调用长什么样,以及它和 Agent / MCP 到底是什么关系。

2025 年 2 月,Andrej Karpathy 在 X 上发了条推文,说他写代码已经变成"看一眼、说一句、跑一下、复制粘贴一下"。这个被称作 vibe coding 的工作方式,有人说是编程的未来,有人说是工程的灾难。它到底是什么?谁在用?有没有坑?

模型算出 softmax 概率分布之后,到底怎么"挑"下一个词?这一篇讲清楚贪婪解码、随机采样、温度系数这个"放飞旋钮",以及 Top-k / Top-p / Beam Search 的取舍。

上一篇把 LLM 拆成了 4 大模块,这篇深入 Transformer 块内部 —— 自注意力让词元"看别人",前馈网络让词元"想自己",两者一拍即合,堆 100 层就是 GPT。

把 LLM 看成黑盒太简单了 —— 拆解分词器、嵌入层、堆叠的 Transformer 块、语言建模头四个模块,讲清楚一句"我今天很"是怎么变成"开心"的。