- 博客(19)
- 收藏
- 关注
RSS订阅原创 Jev：让大模型精准判断的革命性工具
Jev是首个SystemOne模型，专为程序化判断设计，输入状态与类型化问题，输出带概率的结构化答案，无需文本生成与解析。相比传统LLM，它通过RLCD训练实现概率校准，支持Choice、Score、Noul三类原语，可并行处理多问题，延迟低、成本仅$0.04/千次。适用于工单分级、路由分流、幻觉检测等场景，强调原子性提问与代码组合逻辑，适合高并发、高可靠性系统。
2026-10-22 02:34:14
298
原创 TypeSafe 架构模式实战：一个 Notebook 实验读懂推测性扇出、置信度门控、复合评分与意图路由
本文基于TypeSafe架构模式实验，系统验证了推测性扇出、置信度门控路由、复合评分与意图路由四种AI驱动软件范式。通过中文场景下的真实案例，展示如何以类型化、可校准的模型输出构建可靠、可控、可观测的智能应用。核心思想是：控制流在代码中，模型仅负责狭窄、原子化的判断，所有决策均基于可解释的信号（如概率、置信度），实现高效、安全的自动化。
2026-10-19 02:24:14
112
原创 JEV 核心概念详解：System One 判断模型的完整知识体系
基于 Datawhale jev-cookbook 第二章，系统梳理 JEV / System One 核心概念：state 证据设计、三种判断原语、置信度与不确定性、应用构建范式，以及图像输入与 box 定位。
2026-10-17 03:00:38
211
原创 告别“生成+解析“：一文认识 Jev——第一个 System One 模型
你有没有写过这样的代码：让大模型判断一条工单是否紧急，于是你在 prompt 里写「请只返回 JSON，格式如下……」，然后拿到一堆带 ```json 标记、夹着「好的，我认为……」的文字，再用正则去抠、用try/except兜底、失败就重试一遍。Jev 想干掉的就是这一步。它是 TypeSafe 的旗舰模型，也是第一个所谓System One模型：输入是「状态（state）+ 一组类型化的问题（questions）」，输出是「类型化的答案 + 概率分布」。不生成文本，也不需要解析。
2026-10-14 00:35:31
276
原创 如何撰写一个高质量的 AI Skill：撰写指南
前几章分别从结构、模式、模板三个维度拆解了 Skill 的撰写方法论。本章聚焦最后的"工程兜底"——在生产环境中，一个 Skill 能否稳定运行，取决于它对边界情况的处理能力。
2026-08-10 23:33:37
291
原创 Agent 核心概念
智能体(Agent)的核心架构可归纳为"大模型+记忆+工具"。主流架构包括：ReAct(观察-思考-行动循环)、Plan-and-Solve(规划与执行分离)、Reflection(执行-反思-优化)等。ReAct适合简单决策，Plan-and-Solve适用于多步骤任务，Reflection则面向高精度需求。各架构在复杂度、控制力和适用场景上各有侧重，如LangChain适合复杂工作流，AutoGPT侧重自主探索。Agent通过输入解析、记忆检索、推理决策、执行反馈的闭环数据流实现自主
2025-12-20 23:15:52
734
原创 大模型开发知识
摘要：大模型应用开发聚焦利用现有模型能力解决实际问题，核心包括大模型（如ChatGPT）、开发框架（如LangChain）和向量数据库（如Chroma）。开发流程涵盖数据向量化、Prompt设计、验证迭代等步骤，并通过前后端分离架构实现工程化。进阶功能涉及智能体（Agent）和模型微调。建议从简单项目入手，逐步优化，积累经验成为大模型开发专家。
2025-12-17 23:09:56
411
原创 YC创业名录：精准对接高潜力初创公司
YC Startup Directory是一个依托YC投资生态的高价值创业公司名录和精准对接平台，整合了2005年以来YC投资的优质创业公司资源。主要面向求职者、企业合作伙伴、投资者和创业观察者，提供多维度检索和求职/合作对接功能。其核心优势在于YC品牌背书、精准垂直定位和极简功能设计，解决了优质初创公司曝光不足、求职者筛选成本高等痛点。相比AngelList、Crunchbase等竞品，YC名录更聚焦YC系公司，数据质量更高。产品采用轻量化技术架构，通过分阶段增长策略从冷启动逐步发展为全球顶级初创公司对接
2025-12-17 18:15:28
807
原创 智能体开发全链路生态平台
一、核心方向速览1. 技术深化（框架迭代与核心能力升级）2. 场景拓展（垂直领域深耕与虚实融合落地）3. 社区生态（共建共享机制构建与参与门槛降低）4. 教育赋能（分层人才培养与技术普及推广）→ 最终目标：从“智能体入门学习教程”升级为“覆盖全开发流程的智能体开发生态平台”，实现“理论学习-工具复用-案例孵化-商业落地”的全链路支撑。
2025-11-25 02:12:27
1195
原创 多Agent系统：协作模式与规划全解析
本文系统分析了多代理系统的核心特点与协作模式。多代理系统通过任务分解、模块化和专注性实现高效处理，具有突破上下文限制和节约成本的优势。协作模式包括线性、双层、多层和去中心化等类型，各具适用场景。规划设计模式通过任务理解、路径规划和执行提升系统灵活性，涉及优化算法建模。文章指出多代理系统的关键在于模块化、优化和自主决策，建议结合具体场景选择模式并强化误差分析。这些原则可迁移至其他复杂系统设计，掌握相关技能将提升AI工程领域的竞争力。
2025-11-22 23:58:15
598
原创 智能旅行助手实战：多智能体协作全解析
配套提供可交互的Jupyter Notebook示例，允许修改参数观察系统行为变化。增加MCP协议的具体实现代码示例，补充NoteTool在不同场景下的使用差异说明。添加旅行助手处理突发事件的完整对话流程，展示从问题识别到方案调整的智能体协作过程。分析现有章节的层级关系，确认每个部分的核心功能与相互关系。注意技术术语的一致性，确保修改后的内容仍保持专业性与连贯性。区分必要修改与可选优化，优先处理影响核心功能的内容。为所有专业术语添加锚点链接到前置章节，在修改后的版本中建立术语索引表。
2025-11-21 01:27:58
177
原创 Agentic AI--“智能体优化策略”
本文系统阐述了提升智能体性能的四种优化策略：继续预训练扩充知识储备、微调规范行为逻辑、人类反馈强化学习（RLHF）塑造价值观，以及提示工程激活应用能力。这四种方法分别从知识基础、行为规范、伦理保障和落地应用四个维度形成互补，构成智能体优化的完整技术框架。文章分析了各策略的核心定位、实施要点及挑战，强调需根据任务需求合理组合策略，在保证效果的同时平衡成本。未来研究方向包括自适应优化框架构建、RLHF效率提升及多智能体协同优化等。
2025-11-20 02:12:32
387
原创 智能体通信协议
本文比较了三种智能体通信协议的设计理念：MCP（智能体与工具间标准化接口）、A2A（智能体间对等通信）和ANP（去中心化服务发现）。MCP实现智能体与外部服务的统一访问，A2A支持智能体间直接协作，ANP则构建大规模智能体网络基础设施。三者在应用场景、设计哲学和功能特性上各有侧重，共同推动智能体系统的互操作性、可扩展性和动态服务发现能力。
2025-11-20 01:57:42
961
原创 HelloAgents框架构建
摘要：HelloAgents框架针对现有Agent工具过度封装的问题，采用精简设计（<500行核心代码），基于Python标准协议实现透明化架构。支持快速部署（仅需5个基础依赖）、灵活扩展（通过Tool基类集成新功能）和多模型接入（包括本地VLLM服务）。框架提供从单Agent到多Agent协作的渐进式学习路径，具有环境变量自动检测、类型安全等工业级特性，适用于教学和定制开发场景。典型应用场景包括工具扩展、多LLM提供商接入等，可通过简洁API实现复杂功能。
2025-11-18 02:54:24
321
原创 AI工具拓展语言模型能力边界
摘要：工具调用技术通过请求执行外部代码扩展LLM能力，实现实时数据获取和精确计算。典型应用包括网络搜索、数据库查询和金融计算等，支持多工具协同完成复杂任务（如会议安排）。开发方式从传统手动提示演进到现代自动调用，只需描述工具功能。该技术突破AI知识限制，显著提升实用价值，广泛应用于推荐系统、数据分析等场景（150字）。
2025-11-16 02:49:23
454
原创 第四章 智能体经典范式构建笔记
摘要：本章作为智能体开发实践的开篇，系统介绍了ReAct、Plan-and-Solve和Reflection三大经典智能体范式，通过代码实现帮助读者掌握核心工作机制。作为理论到实践的关键过渡，本章为后续框架开发和多智能体协作等进阶内容奠定基础，建议学习者重点比较不同范式的特点与适用场景，为实际应用选择最优方案。（98字）
2025-11-15 02:52:24
198
原创 AI设计助手：从粗糙图表到专业可视化
摘要：本文演示了通过"反思设计模式"结合多模态AI优化数据可视化的完整流程。以咖啡销售数据为例，首先生成堆叠柱状图初稿，随后利用多模态LLM进行视觉评估，识别出图表不直观、专业性不足等问题。通过分工协作，不同模型分别负责初始代码生成和专家级改进建议，最终迭代出更清晰专业的可视化作品。该过程展示了AI如何像人类专家一样审视和改进自身输出，为数据可视化工作提供了高效解决方案。（148字）
2025-11-13 01:02:50
402
原创 大语言模型基础
模型为了完成“预测下一个词”这个任务，会不断调整每个词的向量位置，最终使这些向量能够蕴含丰富的语义信息。其核心思想是：我们不必回溯一个词的全部历史，可以近似地认为，一个词的出现概率只与它前面有限的 n−1 个词有关，如图3.1所示。这个函数的输入是前 n−1 个词的词向量，输出是词汇表中每个词在当前上下文后出现的概率分布。：创建一个高维的连续向量空间，然后将词汇表中的每个词都映射为该空间中的一个点。在这个空间里，语义上相近的词，它们对应的向量在空间中的位置也相近。，它也无法将这个知识泛化到语义相似的词上。
2025-11-12 01:32:09
702
原创 初识智能体
智能体是通过传感器感知环境并通过执行器采取行动的自主实体。它能分解目标为子任务（如出行规划），调用外部工具（如天气查询）补全信息，并根据用户反馈动态调整计划（如酒店预算）。智能体结合了快速直觉（系统1）与逻辑推理（系统2）的思维方式，神经符号主义使其兼具模式识别与结构化推理能力。其运作遵循感知-思考-行动循环：通过传感器接收输入，进行规划与工具选择，再执行具体行动。智能体框架常采用结构化交互协议，包含思考过程和行动指令。相比固定工作流，智能体更具自主性与动态适应性，应用包括开发者工具（如GitHub Cop
2025-11-11 02:08:56
648
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人