<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[小哲的博客]]></title><description><![CDATA[知识改变命运，技术成就梦想。不忘初心，继续前行！]]></description><link>https://blog.youkuaiyun.com/ARPOSPF</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ARPOSPF]]></copyright><item><title><![CDATA[别只堆 MCP：用高星 Agent Skills 拼一条「研究→交付」闭环]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/169459718</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/169459718</guid><author>ARPOSPF</author><pubDate>Thu, 05 Nov 2026 08:06:40 +0800</pubDate><description><![CDATA[代码审查、测试、可观测、安全检查类技能，对应 harness 的 L5/L6。没有独立检视，环会在「我写完了」处提前断开。好的检视技能会带着可执行检查清单，而不是只输出形容词。]]></description><category></category></item><item><title><![CDATA[Harness 工程：Agent 卡在 70 分，多半不是模型不够聪明]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/169459700</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/169459700</guid><author>ARPOSPF</author><pubDate>Tue, 03 Nov 2026 08:12:23 +0800</pubDate><description><![CDATA[调试 Agent 到凌晨并不稀奇：换旗舰模型、重写系统提示、把 RAG 切块参数拧来拧去，沙盒里明明还行，一上生产就忘两步前的结论、没做完却报成功、任务成功率死死卡在某个不上不下的区间。Nick T（Ph.D.）在 Artificial Intelligence in Plain English 上那篇导读，讲的就是这种挫败感。文中有个很典型的自述：同一套模型怎么折腾，生产成功率都很难从约 68% 再往上推；]]></description><category></category></item><item><title><![CDATA[OKF + RAG：企业 Agent 别再二选一，权威知识和大海捞针各管一摊]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/169459646</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/169459646</guid><author>ARPOSPF</author><pubDate>Sun, 01 Nov 2026 08:10:48 +0800</pubDate><description><![CDATA[问公开知识，大模型往往很稳；问自家「月流失率怎么算」「支付接口的真实契约」「数据库故障转移 runbook」，它照样能答得像模像样——只是经常是编的。过去两年，大家习惯用 RAG 顶上去：文档切块、向量库、top-k 塞进提示词。非结构化语料多的时候，这招确实有用。问题是，它找的是「语义相近」，不是「事实权威」。董事会口径的 churn 公式、支付 endpoint 的精确契约，差一点点都不行。]]></description><category></category></item><item><title><![CDATA[Google 开源 Harness²：为什么 AI Agent 的瓶颈常常不在模型，而在「工作环境」]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/169447095</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/169447095</guid><author>ARPOSPF</author><pubDate>Sat, 31 Oct 2026 08:04:29 +0800</pubDate><description><![CDATA[做 Agent 久了，大概都撞过这种墙：模型没换，只是改了系统提示、工具封装、记忆策略，或者把编排逻辑重写一遍，结果就能差出一截。反过来也成立——模型看着够聪明，长链路里照样漏步骤、乱调工具，写完文件也不回头核对。很多人第一反应是换更大的模型。Google Cloud AI Research 开源的 Harness²（论文，Apache 2.0）换了个角度看这件事：把 Agent 拆成。权重先冻住，真正能动刀、能迭代的，是提示、工具、记忆、技能和编排这一整套「马具」，也就是工作环境。]]></description><category></category></item><item><title><![CDATA[Laya：不做生成、只做决策的开源模型，和 TypeSafe Jev 比慢在哪、快在哪]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/169558483</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/169558483</guid><author>ARPOSPF</author><pubDate>Sat, 31 Oct 2026 00:59:18 +0800</pubDate><description><![CDATA[Laya 是一款开源、非自回归的决策模型，专注结构化输出（如路由、风险判断），不生成自然语言。相比生成式LLM，它省去解析与格式校验环节，延迟更低（单问约33ms），吞吐更高；与TypeSafe Jev对比，虽无严格对照实验，但公开数据显示其延迟低约7.8倍。优势在于快速、精准的choice/score/noul决策，适合工单路由、安全分诊等场景。但需注意：基座模型准确率仅0.362，依赖微调；多语种表现参差，高置信度错误频发；不适合生成解释或动态标签。]]></description><category></category></item><item><title><![CDATA[使用Jev构建Harness（智能体编排外壳）]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/166478989</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/166478989</guid><author>ARPOSPF</author><pubDate>Wed, 23 Sep 2026 13:46:43 +0800</pubDate><description><![CDATA[Jev 是 TypeSafe AI 推出的 System One 模型，专为快速、结构化决策设计，可替代传统 LLM 在智能体中的低效循环。它通过并行处理多问题请求，实现高达 200 倍的推理速度与 400 倍的成本降低。在 LangChain 中，可通过 TypeSafeClassifier 调用，用于模型路由与自动模式（AutoMode）等场景，提升智能体安全性与效率。其非生成式特性使其成为智能体编排中理想的“决策引擎”。]]></description><category></category></item><item><title><![CDATA[在 Ubuntu 22.04 上安装和配置 Neo4j]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/162530278</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/162530278</guid><author>ARPOSPF</author><pubDate>Fri, 03 Jul 2026 00:02:44 +0800</pubDate><description><![CDATA[本文提供了在Ubuntu 22.04 LTS上安装配置Neo4j图数据库的完整指南。主要内容包括：安装前提条件（需2个实例、4核CPU/8GB内存）、通过APT安装Neo4j、服务启停管理、首次登录修改密码等基础配置。详细介绍了使用cypher-shell进行数据操作（创建节点/属性/查询）的方法，并提供了远程连接配置和安全设置建议。文章还包含Neo4j Browser使用说明和图数据库基本概念介绍，适合开发者快速部署Neo4j环境。所有操作均需sudo权限，关键步骤附有命令示例和预期输出。]]></description><category></category></item><item><title><![CDATA[【Agent】OpenClaw vsHermes Agent: 2026年最优的agent harness]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/161464043</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/161464043</guid><author>ARPOSPF</author><pubDate>Fri, 29 May 2026 00:48:13 +0800</pubDate><description><![CDATA[你编写它们、下载它们或手动保存它们。这没问题，可预测，但不是真正的自我改进。Hermes Agent 围绕相反的理念构建。它观察重复的工作流并将其转化为技能。在重复的工具调用周围，它可以识别模式并创建可复用行为。]]></description><category></category></item><item><title><![CDATA[将员工蒸馏成Skills实践指南]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/161399981</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/161399981</guid><author>ARPOSPF</author><pubDate>Mon, 25 May 2026 21:44:20 +0800</pubDate><description><![CDATA[每个组织都拥有许多未被记录下来的隐性知识。你的顶尖销售代表清楚地知道该优先处理哪些异议；你最出色的客户成功经理对客户即将流失的时机有着敏锐的直觉；你经验丰富的工程师能从细微之处诊断出系统问题。这些专业知识深藏于人们的大脑中，是多年经验积累的结晶。一旦他们离开，这些知识也随之流失。当他们不堪重负时，也无法复制自己来应对海量工作。]]></description><category></category></item><item><title><![CDATA[【LLM】Mamba和State Space Models详解]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/158688731</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/158688731</guid><author>ARPOSPF</author><pubDate>Wed, 06 May 2026 12:13:17 +0800</pubDate><description><![CDATA[Transformer架构一直是大型语言模型（LLM）取得成功的重要组成部分。如今，几乎所有正在使用的大型语言模型都采用了这一架构，从开源模型如Mistral，到闭源模型如ChatGPT，无一例外。

为进一步提升大型语言模型的性能，研究人员正在开发一些全新的架构，这些架构甚至有望超越Transformer架构。其中一种方法便是状态空间模型——Mamba。]]></description><category></category></item><item><title><![CDATA[【DataWhale】Easy Vibe从入门到精通Task2]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/158044782</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/158044782</guid><author>ARPOSPF</author><pubDate>Sat, 14 Feb 2026 02:35:55 +0800</pubDate><description><![CDATA[前面我们在 z.ai 上体验了 AI 编程，但网页版有很多限制——不能随时保存、不好管理文件、也没法做复杂项目。这一章就是帮你把开发环境搬到自己的电脑上，让你能真正独立做东西。]]></description><category></category></item><item><title><![CDATA[【DataWhale】Easy Vibe从入门到精通Task1]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/157953443</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/157953443</guid><author>ARPOSPF</author><pubDate>Wed, 11 Feb 2026 01:06:12 +0800</pubDate><description><![CDATA[本文介绍了使用Google AI Studio和z.ai平台快速开发AI小游戏的过程。通过贪吃蛇游戏的案例，展示了如何用自然语言提示词生成可玩网页，并探讨了Vibe Coding的核心概念。文章指出，AI辅助开发适合范围清晰的小型项目，但复杂系统需要拆分处理。还提出了&quot;AI原生应用&quot;的创新玩法，如让贪吃蛇吃单词生成诗歌和画作，并分享了10种创意扩展思路。最后分析了模型上下文和指令遵循能力在编程中的重要性，为开发者提供了AI辅助编程的实用指南。]]></description><category></category></item><item><title><![CDATA[【LLM】一文理解推理大模型]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/156956134</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/156956134</guid><author>ARPOSPF</author><pubDate>Tue, 20 Jan 2026 21:05:32 +0800</pubDate><description><![CDATA[本文介绍了构建推理模型的四种主要方法，即我们如何借助推理能力增强大语言模型。希望本文能为您提供有价值的见解，助您更好地把握这一领域快速发展的文献与热潮。
2024年，大语言模型领域出现了日益细化的专业化趋势。除了预训练和微调之外，我们还见证了各种专业化应用的兴起，从检索增强生成到代码助手应有尽有。我预计这一趋势将在2025年加速发展，届时将更加注重针对特定领域和应用场景的优化（即“专业化”）。]]></description><category></category></item><item><title><![CDATA[【PaperReading】Motif-Driven Contrastive Learning of Graph Representations]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/154545218</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/154545218</guid><author>ARPOSPF</author><pubDate>Mon, 01 Dec 2025 22:00:00 +0800</pubDate><description><![CDATA[本文提出学习图的motif以获得更好的子图采样，这些motif即为经常出现的子图（如分子的官能团）。作者对此提出框架 MICRO-Graph（MotIf-driven Contrastive learning Of Graph representations），该框架可以：使用GNN来从大型图数据集中提取motif；利用学到的motif帮助更具信息子图的采样以进行GNN对比学习。在这个框架下，作者将motif学习表述为一个可微分的聚类问题，并且采用EM聚类法将相似和重要的子图归为motif。在这些事先学习到]]></description><category></category></item><item><title><![CDATA[【PaperReading】Structure Is All You Need: Structural Representation Learning on Hyper-Relational Know]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/154086935</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/154086935</guid><author>ARPOSPF</author><pubDate>Thu, 06 Nov 2025 08:00:00 +0800</pubDate><description><![CDATA[本文提出MAYPL框架，一种纯粹基于结构的超关系知识图谱(HKGs)表示学习方法。该方法通过结构驱动初始化器生成初始表示，并采用注意力神经消息传递机制聚合事实级和组件级结构信息，实现仅依赖图谱结构的链接预测。实验表明，MAYPL在10个数据集上优于40种现有方法，且具备处理新实体和新关系的归纳推理能力，成为首个适用于HKGs的纯结构驱动表示学习框架。]]></description><category></category></item><item><title><![CDATA[Enhancing Molecular Property Prediction with Knowledge from Large Language Models]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/153754634</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/153754634</guid><author>ARPOSPF</author><pubDate>Fri, 31 Oct 2025 22:00:00 +0800</pubDate><description><![CDATA[本文把 LLM 提取的“知识特征”与预训练 GNN 的结构表征做可学习融合，并用 MINE 最大化二者的互信息。在 MoleculeNet 上，多数预训练骨干接入 LLM 知识后都有提升；而“把所有 RDKit 描述符一股脑拼上”反而常常掉点。作者还统计了 LLM 规则的重复/冲突率，展示“知识清洗”的必要性。]]></description><category></category></item><item><title><![CDATA[ParaThinker: Native Parallel Thinking as a New Paradigm to Scale LLM Test-time Compute]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/153751366</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/153751366</guid><author>ARPOSPF</author><pubDate>Fri, 31 Oct 2025 08:00:00 +0800</pubDate><description><![CDATA[“ParaThinker”旨在通过并行思考来突破传统LLM在推理阶段的性能瓶颈。研究发现，当前LLM的推理性能受限于其对初始思路的依赖，导致了所谓的“隧道视野”现象，即初始错误的想法会限制后续正确答案的生成。为了解决这一问题，文中介绍了一个基于并行思考的框架，该框架允许模型同时生成多个独立但相关的推理路径，并从这些路径中综合出最终答案。特别地，通过引入特殊的控制令牌、路径特定的位姿编码以及两阶段注意力机制设计，ParaThinker能够有效促进多样性思考的同时避免思维冲突。]]></description><category></category></item><item><title><![CDATA[【AI4S】Motif-Driven Contrastive Learning of Graph Representations]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/153819926</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/153819926</guid><author>ARPOSPF</author><pubDate>Fri, 24 Oct 2025 20:00:00 +0800</pubDate><description><![CDATA[本文介绍一篇名为"MOTIF-Driven Contrastive Learning of Graph Representations"的论文，该论文提出了一种新的图学习框架MOTIF，可以同时训练图神经网络（GNN）来学习子图表示，并基于它们的语义将这些表示聚类成模式（motif）。作者通过在分子属性预测数据集上进行实验验证了MOTIF的有效性，并且与现有的自监督方法进行了比较。MOTIF还可以增强药物发现和量子化学中的分子属性预测能力，并且更加可解释。]]></description><category></category></item><item><title><![CDATA[【AI安全】Stronger Adaptive Attacks Bypass Defenses Against Llm Jailbreaks and Prompt Injections]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/153659503</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/153659503</guid><author>ARPOSPF</author><pubDate>Fri, 24 Oct 2025 08:00:00 +0800</pubDate><description><![CDATA[OpenAI、Anthropic和Google DeepMind联合发表论文，提出通用自适应攻击框架，评估语言模型防御机制的鲁棒性。研究显示，现有12种防御措施在自适应攻击下成功率超90%，其中人工红队测试可攻破所有防御。论文强调，当前基于固定样本的静态评估存在缺陷，未来防御研究需纳入更强攻击测试。四种攻击方法（梯度下降、强化学习、随机搜索和人工红队）均能有效绕过提示工程、对抗训练、过滤模型和秘密知识等防御策略。研究呼吁采用动态优化的对抗样本进行训练，以提升模型真实防御能力。]]></description><category></category></item><item><title><![CDATA[【药物设计】5分钟快速了解药物设计中什么是motifs?]]></title><link>https://blog.youkuaiyun.com/ARPOSPF/article/details/153258993</link><guid>https://blog.youkuaiyun.com/ARPOSPF/article/details/153258993</guid><author>ARPOSPF</author><pubDate>Thu, 23 Oct 2025 08:00:00 +0800</pubDate><description><![CDATA[本文介绍了药物设计中的motifs概念及其应用。Motifs是指分子图中高频出现且具有统计学意义的子结构，与普通分子片段的区别在于其出现频率和特殊化学性质。文中通过示例说明如何识别有效的motif，并强调学习motif有助于分子图表示学习，可类比NLP中的词嵌入技术。此外，文章还介绍了构建motif字典的方法，建议采用环结构分解等高效算法来提取基础子结构，以平衡字典规模和信息完整性。整体而言，motif分析为药物分子设计提供了重要的结构特征提取思路。]]></description><category></category></item></channel></rss>