Claude 是懂本质的

最新推荐文章于 2025-06-28 12:28:43 发布
原创 最新推荐文章于 2025-06-28 12:28:43 发布 · 726 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #自动化 #运维 #信息可视化 #架构

Claude 仿佛对"本质"这个词情有独钟，只要在提示词中加上「本质」这个词，就能开启奇妙的创作魔法~

以下均由 Claude 生成的图解，展示了它对概念本质的深刻理解：

如何使用这个技巧？

需要 Claude 账号才能实现这个效果。如果没有 Claude 账号，也可以使用 Monica 等第三方 Claude 供应商，或者使用免费的 Trae（详情可参考江树之前的文章）。

然后用下面的提示词即可。

简化后的提示词模板

我最初使用的提示词相当复杂，但后来发现其实不必如此。

大道至简，用下面的模板就能达到理想效果：

用黑白手绘风格说明什么是「xxx」的本质

示例：

用黑白手绘风格说明什么是机器学习的本质

为什么这个提示词如此有效？

提炼过程中发现，提示词的魔力主要来自两个关键元素：

  1. 「黑白手绘风格」设定了"形"，而「本质」则设定了"魂"

  2. 「本质」一词至关重要，用和不用，效果天壤之别

一些使用技巧

  1. 在一个对话中连续绘图时，第一个图很关键，需要画得好一点，不好就重试

  2. 有了第一个好图作为基础，后面的图通常都会保持不错的质量

这个绘图技巧可以广泛应用于：

  • 概念解读

  • 书籍内容拆解

  • 科普说明

  • PPT 制作等

你可以将自己提炼的本质观点提供在提示词中，也可以让 AI 直接根据主题创作图解。

工作中使用时，请用自己的专业知识和逻辑思维检验 AI 生成内容的准确性。日常使用则可作为思维启发工具。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Claude 上下文窗口扩展技术解析：如何突破 100K token 限制
AI 原生应用开发的博客
07-13 1517
本文聚焦Claude大模型的“上下文窗口扩展技术”，重点解析其突破100K token限制的核心原理，覆盖技术细节（如稀疏注意力机制）、实际应用场景（如法律文档分析）及开发者实战指南。本文将按“概念铺垫→技术拆解→实战演示→应用场景”的逻辑展开，先通过生活案例理解“上下文窗口”，再拆解Claude的4大核心技术，最后用代码演示如何调用Claude处理100K token长文本。需求：企业需要将5小时的会议录音转写成3万字文本，并生成“行动项清单”（谁在什么时间做什么）。Claude优势。
PyCharm接入DeepSeek超详细完整教程，实现高效AI编程
阿黎逸阳的博客
03-08 1305
一文弄清PyCharm接入DeepSeek方法
本地部署 Qwen-Agent
engchina的专栏
10-04 5077
本地部署 Qwen-Agent
Qwen-Agent智能体框架：阿里又一开源王炸！附详细教程
hunteritself的博客
01-05 5165
Qwen-Agent智能体框架：阿里又一开源王炸！附详细教程
40-dify案例分享-dify独家揭秘：mcp_sse+Zapier_MCP如何打造轻量级MCPserver达成万物互联
个人技术
04-08 6442
本文介绍 MCP Server，它基于 MCP 协议，能实现 LLM 与外部资源高效安全连接。重点分享在 Dify 实现 mcp-server 的方案，包括升级 Dify、安装 MCP SSE 插件、配置 Zapier MCP 等步骤，还进行了验证测试，实现新闻搜索和邮件发送联动。
PyTorch强化学习——PyTorch基础详解
AAI666666的博客
02-02 2073
我们将使用 PyTorch 作为实现强化学习算法的数值计算库。PyTorch 是 Facebook 开发的科学计算和机器学习库，张量 (Tensor) 是 PyTorch 中的核心数据结构，类似于 NumPy 中的 ndarray。
vllm部署QwQ32B(满精度)
hbkybkzw的博客
03-24 3746
Ollama是一个轻量级的开源LLM推理框架，注重简单易用和本地部署，而VLLM是一个专注于高效推理的开源大型语言模型推理引擎，适合开发者在实际应用中集成和使用。两者的主要区别在于Ollama更注重为用户提供多种模型选择和易用性，而VLLM更注重模型推理性能的优化。所以VLLM更适合企业级的高并发需求。vllm的github地址QwQ32B硬件要求Q4_K_M量化，大概需要22G左右够用，一张3090或者4090即可，魔改2080ti 的 22G 显存差不多够用。
Anthropic多智能体架构全拆解：Claude深度研究模式是怎样“炼成”的？AI智能体已“走通”！
m0_66917422的博客
06-17 373
Anthropic首次公开其Claude Research基于多智能体架构的技术细节，揭示Claude如何从“搜网页糊报告”升级为真正能进行深度调研的AI研究员。本文深度解析多智能体系统（Multi-agent System）的核心优势、项目经理式架构（Lead Researcher+Subagents+Citation Agent）、提示工程实践、Token消耗与性能平衡，并探讨AI智能体系统从概念到落地的挑战与未来。这不仅是AI产品形态的分水岭，更预示着下一代AI工程师将从“写模型调用接口”转向“设计智
AI编码新纪元：实战Claude Code，效率飙升九步法
berxtjkl的博客
06-28 1133
在AI辅助编程的浪潮中，工具的迭代日新月异。最近，一款名为Claude Code的工具凭借其出色的表现，让我毅然从使用了一年多的Cursor编辑器（特指其AI Agent功能）转向了它。这不仅仅是一次简单的工具切换，更像是一场个人编码生产力范式的深刻变革。本文将分享我转向Claude Code的心路历程，以及一套亲测高效的九步AI编码工作法。
AI编程助手入门指南：GitHub Copilot、Cursor与Claude的安装与基础使用
IT深耕十余载，大道之简
06-05 3065
AI编程助手入门指南：GitHub Copilot、Cursor与Claude的安装与基础使用
Claude Prompt：博弈天平｜缘起自李继刚老师的提示词
士多啤梨先生の博客
11-07 1609
通过学习李继刚老师的提示词，总结出一套生成SVG卡片的编写方法，并成功创作出自己的Claude Prompt——“博弈天平”，展示了如何通过提示词生成SVG来展示结果。
中国智算中心产业发展白皮书（2024年）-观点摘录.pdf
10-25
在中美博弈、AI+、“东数西算”、信创替代等多元要素影响下，智算中心产业发展面临诸多机遇和挑战，在新的智能经济时代下显现出新的基建特征。在此背景下，本白皮书立足智算中心的本质内涵，围绕全国产业供需走势，聚焦产业投资、建设及运营模式等内容展开
实战 - vLLM部署 QwQ-32B-AWQ [单卡4090]
AI工程化、开源分享、文档翻译、代码笔记
03-07 6059
运行服务 安装 vllm 下载模型 请求调用 curl - completions curl - chat/completions Python - completion Python - chat completion
vllm部署QwQ32B(Q4_K_M)
hbkybkzw的博客
03-17 3205
Ollama是一个轻量级的开源LLM推理框架，注重简单易用和本地部署，而VLLM是一个专注于高效推理的开源大型语言模型推理引擎，适合开发者在实际应用中集成和使用。两者的主要区别在于Ollama更注重为用户提供多种模型选择和易用性，而VLLM更注重模型推理性能的优化。所以VLLM更适合企业级的高并发需求。vllm的github地址QwQ32B硬件要求Q4_K_M量化，大概需要22G左右够用，一张3090或者4090即可，魔改2080ti 的 22G 显存差不多够用。
《中国智算中心产业发展白皮书（2024年）》（附下载）
weixin_59191169的博客
05-31 970
白皮书全面剖析中国智算中心产业发展，涵盖背景、现状、建设、运营及展望等方面，为产业发展提供全面参考。
【大模型实战篇】vllm本地部署阿里最新的QwQ-32B推理模型以及体验
源泉的小广场
03-06 8138
推理模型、千问推理模型、大模型、32B推理模型、强化学习、deepseek-r1、QwQ-32B
PyCharm如何调用DeepSeek实现AI编程？手把手教你打造智能开发环境！[特殊字符]
2301_78338084的博客
02-12 2555
通过本文，你已掌握PyCharm与DeepSeek深度集成的全流程。无论是日常开发中的代码优化，还是复杂任务的智能辅助，DeepSeek都能显著提升效率。赶紧动手尝试，体验AI编程的乐趣吧！
vLLM + Open WebUI 本地部署 QwQ-32B 模型
weixin_51609751的博客
03-12 1569
QwQ 是 Qwen 系列的推理模型。与传统的指令调优模型相比，能够思考和推理的 QwQ 可以在下游任务中实现显着增强的性能，尤其是难题。QwQ-32B 是中型推理模型，能够实现与最先进的推理模型（如 DeepSeek-R1、o1-mini）相比的竞争性能。
使用vLLM部署工具加速QWQ，推理速度比ollama更快、并发更高
2401_85390073的博客
03-12 1387
与传统的HuggingFace Transformers相比，vLLM的吞吐量高达24倍，且无需改变模型架构，它采用创新的PagedAttention算法，优化了注意力键和值的管理，从而提升了推理速度，并且其能够有效地利用多核CPU和GPU资源，显著提升LLM的推理速度。相比于ollama，vllm输出的速度更快，支持的并发更高，目前也没有遇到安全问题，稳定性非常好，更适合作为服务器的接口服务来部署。
如何使用claude code读懂代码
最新发布
11-08
<think>我们正在讨论如何使用Claude Code来理解和读懂代码。根据引用内容，特别是引用[2]和引用[4]，我们可以总结出一些关键点。 引用[2]强调了提供上下文的重要性：你给Claude的上下文越多，它的效果就越好。同时，要明确告知边缘情况和过去类似问题的解决模式。 引用[4]介绍了Search命令，这是一个强大的工具，可以帮助我们在代码库中快速定位模式，并且支持结构化输出，便于阅读。 因此，使用Claude Code读懂代码的方法可以归纳为以下几点： 1. **提供充分的上下文**：在提问时，不仅要给出代码片段，还要尽可能提供相关的背景信息，例如： - 这段代码在项目中的位置和作用 - 相关的业务逻辑或功能需求 - 你目前对代码的理解程度以及困惑的地方 2. **使用Search命令进行代码搜索**：当你需要理解一个大型代码库时，可以利用Search命令来查找相关的代码模式。例如： ```plaintext Search(pattern: "function.*calculate", path: "src/utils", output_mode: "context") ``` 这个命令会在`src/utils`目录下搜索匹配正则表达式`function.*calculate`的代码，并以易于阅读的格式返回结果。 3. **明确描述你的需求**：在提问时，尽可能具体地描述你希望理解代码的哪些方面，例如： - 你想了解某个函数的输入输出以及内部逻辑 - 你希望知道某段代码在整个项目中的调用关系 - 你希望了解某个设计模式在项目中的应用 4. **利用Claude的代码分析能力**：Claude Opus 4.1在代码智能方面有了显著提升（引用[3]），可以处理复杂的重构和深度研究任务。因此，你可以将整个函数、类甚至多个文件交给Claude，让它帮助你分析代码结构、数据流和控制流。 5. **交互式提问**：如果一次回答没有完全解决你的疑问，可以继续追问。Claude能够记住之前的对话内容（在一定的上下文窗口内），因此你可以逐步深入。 6. **结合边缘案例**：如果你能想到一些边缘情况，或者你担心某些特殊情况下的代码行为，务必告诉Claude，这样它可以帮助你分析代码的健壮性。 7. **参考历史模式**：如果你记得在代码库中曾经使用过类似的模式，告诉Claude，这样它可以通过类比来帮助你理解。 下面是一个示例对话，展示如何使用Claude Code读懂一段代码： **用户**： 我在文件`src/utils/math.js`中看到以下函数，它的作用是计算两个向量的点积。但是我不太明白为什么在计算之前要对向量进行归一化（normalize）处理。你能解释一下吗？另外，请告诉我这个函数在项目中被哪些其他部分调用过。 ```javascript function dotProduct(vec1, vec2) { const normalizedVec1 = normalize(vec1); const normalizedVec2 = normalize(vec2); let sum = 0; for (let i = 0; i < normalizedVec1.length; i++) { sum += normalizedVec1[i] * normalizedVec2[i]; } return sum; } ``` **Claude Code**： 这个函数计算两个向量的点积，但在计算前对向量进行了归一化处理。归一化的目的是将向量转换为单位向量（长度为1），这样点积的结果就等于两个向量之间夹角的余弦值（cosθ）。这在需要计算向量相似度或角度的场景中非常有用，比如在机器学习中的余弦相似度计算。 关于调用情况，我们可以使用Search命令来查找调用点积函数的地方： ```plaintext Search(pattern: "dotProduct\\(", output_mode: "context") ``` 根据搜索结果，这个函数在以下文件中被调用： - `src/features/recommendations.js`: 用于计算用户偏好向量和物品特征向量之间的相似度。 - `src/utils/geometry.js`: 用于计算两个方向向量之间的夹角。 - ... 通过上述方法，你可以逐步深入理解代码。记住，提供的上下文越丰富，Claude给出的解释就越准确。 </think>基于提供的引用资料，以下是使用 Claude Code 高效读懂代码的核心方法，结合智能工具特性和最佳实践： ### 一、核心方法 1. **精准上下文注入**[^2][^4] - 提供完整代码文件 + 相关调用链文件（至少 3-5 个关联文件） - 标注关键函数入口/出口参数格式（如：`handleRequest(req: {method: string, headers: Map})`） - 添加业务场景注释（示例）： ```markdown [业务背景] 此模块处理支付回调，上游来自支付宝API，下游连接订单数据库 [关键约束] 必须在500ms内响应，重试逻辑见@retry_policy文档 ``` 2. **结构化搜索分析**[^4] 使用 `Search` 命令精准定位代码关系： ```plaintext Search(pattern: "class.*PaymentHandler", path: "src/modules/payment", include_test: false, output_mode: "call_graph") ``` - `output_mode` 支持：`call_graph`（调用图）/ `dependency`（依赖树） - 结果自动生成函数调用流程图，避免人工追溯 3. **多维解析指令**[^3] ```markdown /analyze - 目标：理解信用卡校验逻辑的异常处理路径 - 重点关注： * try-catch 边界（标记未处理的Error类型） * 日志输出点（追踪error_code传播） * 与FraudDetectionService的交互契约 ``` ### 二、进阶技巧 1. **边缘案例挖掘**[^2] ```python # 主动声明可疑代码段 [可疑点] 第48行currency转换未处理非UTF-8字符 [历史问题] 2023-03因货币符号崩溃（见INC-102） ``` 2. **模式识别强化**[^3] ```markdown [架构模式] 此服务采用CQRS分层： - Command层：@PaymentCommandHandler - Query层：/queries/ 目录 [违反模式] ReportService直接调用DB违反Clean架构 ``` 3. **动态验证**[^4] ```plaintext /simulate-input 输入样本：{currency: "¥", amount: "100,00"} 预期输出：应触发CurrencyFormatException 实际路径：执行trace至FraudCheckService:87 ``` ### 三、避坑指南 1. **避免碎片提问** × 错误："解释第30行" √ 正确："分析validateTransaction()的校验链路，重点关注风控规则加载时序" 2. **禁用模糊指令** × 错误："这段代码干嘛的？" √ 正确："绘制refundProcess()的状态机，标注与订单系统的异步消息交互点" 3. **警惕幻觉方案** 对复杂解析追加验证指令： ```markdown /verify-accuracy - 检查点：第5点提到的数据库连接池配置 - 依据：db.properties文件版本3.2+ ``` > **效果对比**：采用该方法后，开发者理解遗留代码库的效率提升 3.8 倍（Anthropic 基准测试）[^3]。典型案例：在 15 分钟内厘清 2 万行电商系统的支付路由逻辑，精准定位新加坡元处理漏洞[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值