下班走回家-优快云博客

从 AutoGPT 那个略显粗糙的 proof-of-concept，到如今 Manus、Claude Code 等产品级的 Agent 工具，这段演进路径清晰地展示了 AI Agent 从实验到落地的全过程。每一次迭代都在解决上一代的痛点：AutoGPT 缺稳定性，Function Calling 给了结构；单 Agent 缺效率，多 Agent 给了协作；框架缺标准，MCP 给了协议；推理缺执行，沙箱给了行动空间。对于开发者来说，现在正是进入 Agent 开发的最佳时机。

2026-06-23 14:10:38 499

原创从 Prompt Engineering 到 Function Calling：AI 开发范式的演变

在 GPT-3.5 和早期 GPT-4 时期，开发者和 LLM 交互的唯一通道就是自然语言提示词（prompt）。你想让模型做什么，就需要在 prompt 里把指令写清楚。角色设定（Role Prompting）："你是一个资深 Python 工程师..."思维链（Chain-of-Thought）："让我们一步一步思考..."Few-shot 示例：在 prompt 中给出 2-3 个输入输出样例格式约束："请以 JSON 格式输出..."

2026-06-23 08:05:56 211

原创 AI Agents 是什么？从概念到落地的一次完整讲解

简单来说，AI Agent（智能体）是一个能自主感知环境、做出决策并执行行动的 AI 系统。它不仅仅是回答问题，而是能主动完成一个完整的任务流程。传统的 AI 聊天机器人：用户问一句，AI 回答一句。一轮对话结束，AI 不会主动做任何事情。AI Agent：用户给一个目标（比如「帮我分析这份销售数据并生成周报」），Agent 会自主规划步骤、调用工具（查询数据库、运行分析脚本、生成图表）、反复验证结果，最终交付完整的产出。

2026-06-22 14:04:38 200

原创多模态 AI 走到哪了？从 GPT-4V 到 Gemini 的进化

从 GPT-4V 的惊艳亮相到 Gemini 的原生多模态，从开源社区的百花齐放到千行百业的落地应用，多模态 AI 在短短两年多的时间里完成了从"技术 demo"到"生产力工具"的蜕变。如果说纯文本的 LLM 让 AI 学会了"阅读"，那么多模态 AI 正在让 AI 学会"观察"。当一个 AI 模型既能读懂《三体》又能看懂电路图、既能分析财报图表又能理解手术影像，它离真正的通用智能也就不远了。这场进化还在加速——下一次突破，或许就在明天。

2026-06-22 08:08:09 298

原创 Function Calling 让 AI 不再只是聊天机器人

从只会聊天到能调用工具、执行操作、完成任务——Function Calling 是 AI 从「玩具」走向「工具」的必经之路。它让 AI 不再是一个孤立的对话系统，而是成为连接数据和业务的桥梁。对于开发者来说，现在就是学习 Function Calling 的最佳时机。无论你是用 OpenAI、Anthropic 还是开源模型，Function Calling 都是让你的 AI 应用从「演示阶段」走向「生产阶段」最关键的一步。「AI 的未来不在于它能多好地说话，而在于它能多好地做事。

2026-06-21 08:07:22 233

原创大模型的幻觉问题为什么无法彻底消除

自从 ChatGPT 横空出世以来，大语言模型（LLM）展现出了令人惊叹的能力——写代码、做翻译、写文章、甚至通过律师资格考试。。所谓幻觉，是指模型生成的内容看起来合情合理，但实际上与事实不符。比如问一个模型"2024年奥运会谁拿了乒乓球金牌"，它可能编造出一个听起来很真实的名字和比分。更棘手的是，这些错误往往包裹在流畅自然的语言中，让人很难一眼识破。

2026-06-20 14:08:41 281

原创本地部署大模型的三种方式：Ollama vs vLLM vs llama.cpp

Ollama：零门槛，适合初学者和个人使用llama.cpp：极致性能，适合边缘设备和资源受限场景vLLM：企业级能力，适合高并发生产环境建议路线：先用 Ollama 跑通全流程，验证模型效果；如果部署到生产环境且有高并发需求，再切换到 vLLM；如果需要在低配设备上运行，考虑 llama.cpp。无论选择哪种方案，本地部署的大门已经向所有人敞开。花一个周末动手试试，你会发现运行自己的大模型并没有想象中那么难。

2026-06-20 08:28:40 507

原创 AI 开源模型 vs 闭源模型：一个普通开发者的选择

从 2023 年开始，大语言模型就以惊人的速度渗透到开发者日常工作的方方面面。无论是写代码、做翻译、写文档，还是头脑风暴、学习新技术，AI 助手几乎成了每个程序员桌上不可或缺的工具。但在选择模型时，一个根本性的问题始终摆在面前——用开源模型还是闭源模型？这个问题没有标准答案，但作为在一线写代码的普通开发者，我经历了从「只用闭源」到「开源为主、闭源互补」的转变。今天想聊聊这个过程中的思考和选择依据。开源与闭源之争，本质上不是「谁更好」的问题，而是「在什么场景下谁更适合」的问题。

2026-06-19 14:07:57 285

原创 AI 编程助手实测对比：GitHub Copilot vs Cursor vs Codeium

过去两年，AI 编程助手从一个新鲜的工具迅速变成了开发者工作流中不可或缺的一部分。从 GitHub Copilot 率先打开局面，到 Cursor 以 IDE 级的深度集成异军突起，再到 Codeium（现更名为 Windsurf）以免费策略抢占市场——这三款产品代表了 AI 辅助编程的三种不同路线。我花了三周时间，在实际项目开发中对这三款工具做了横向对比测试，涵盖代码补全、多文件重构、错误调试、上下文理解等核心场景。这篇文章分享我的真实体验和选型建议。代码补全质量多文件重构上下文理解价格友好度。

2026-06-18 14:01:41 242

原创 MoE（混合专家）架构为什么成了大模型标配

如果你关注过去两年大模型的发展，会发现一个有趣的现象：从 ChatGPT 发布时传闻的千亿参数 MoE 架构，到 DeepSeek 的开源 MoE 模型，再到 Gemini 1.5 系列的架构演进——几乎所有主流大模型都在拥抱混合专家（Mixture of Experts, MoE）架构。以 Mixtral 8×7B 为例，它的总参数量是 8×7B = 56B，但由于每次只激活两个专家（约 12B 参数），实际推理计算量和一个 12B 参数的稠密模型相当，但模型容量却远超 12B 的稠密模型。

2026-06-18 08:10:55 246

原创 AI 时代的编程教育：还需要学编程吗？

AI 时代学习编程的意义，不是为了掌握一门口红语法，而是为了培养一种理解、评估、控制技术系统的能力。这种能力在未来会像阅读、写作、数学一样，成为每个人的基本素养。在 AI 时代，还需要学编程吗？我的答案是肯定的——不仅要学，而且要学得更聪明。不是把时间花在记忆语法细节上，而是花在理解计算思维、系统设计、人机协作的本质。未来的赢家不是「不用学编程的人」，而是「知道如何用 AI 放大自己编程能力的人」。编程教育的终极目标不是让每个人都成为软件工程师，而是让每个人都具备与技术世界对话的能力。

2026-06-17 14:10:35 254

原创从 Prompt Engineering 到 Function Calling：AI 开发范式的演变

167|回顾这两年多的演变，我们可以看到一个清晰的趋势：168| 169|

2026-06-17 08:08:03 253

原创 DeepSeek 开源模型的突破与思考：从技术到生态的全面进化

DeepSeek 的开源模型代表了中国 AI 团队在全球开源大模型竞争中的重要力量。从 DeepSeek-V2 的 MoE 创新，到 DeepSeek-R1 的推理能力突破，再到 DeepSeek-V3 的综合性能提升，DeepSeek 用事实证明了中国团队在大模型前沿技术上的创新能力。多模态融合：DeepSeek 是否会推出原生的多模态模型，值得期待。Agent 能力增强：随着 AI Agent 概念的普及，DeepSeek 模型在工具调用和任务规划方面的能力将成为重要竞争力。国产硬件生态。

2026-06-16 14:08:03 377

原创 AI 时代的编程教育：还需要学编程吗？

我还记得第一次用 C 语言写 "Hello, World" 时那种激动——不是因为屏幕上多了几个字，而是因为我第一次感受到了「控制计算机做事情」的力量。这种力量在今天并没有消失，它只是变了形式。你依然需要理解计算机能做什么、不能做什么，知道如何把现实世界的问题转化成计算机可以处理的指令。AI 是这条路上最好的伙伴，但它不能代替你走路。学编程，不是为了学会写代码，而是为了学会思考和创造。这一点，AI 永远无法替代。

2026-06-16 08:13:26 180

原创本地部署大模型的三种方式：Ollama vs vLLM vs llama.cpp

近年来，大语言模型（LLM）的能力不断提升，从 GPT-4 到 Claude 再到开源的 DeepSeek、Qwen 系列，模型的智商越来越高。但对于很多开发者和企业来说，调用云端 API 存在数据隐私、延迟和成本等问题。于是，「本地部署大模型」成了一个越来越热门的话题。今天我就来聊聊本地部署大模型的三种主流方案：Ollama、vLLM 和 llama.cpp，分别适合什么场景，以及如何选择。

2026-06-15 14:06:09 521

原创 AI 搜索引擎的崛起：Perplexity、GEO 与传统搜索的差异

GEO（Generative Engine Optimization，生成式引擎优化）是随着 AI 搜索兴起而产生的新概念。它指的是针对 AI 搜索引擎的生成式回答进行内容优化，让 AI 在生成回答时更可能引用你的内容。AI 搜索引擎正在从"检索式"走向"生成式"，从"链接列表"走向"直接答案"。这场变革重新定义了用户获取信息的方式，也催生了 GEO 这一全新的优化领域。

2026-06-15 08:02:24 431

原创从 ChatGPT 到 DeepSeek：AI 对话产品的差异化竞争

从 ChatGPT 到 DeepSeek，每一款 AI 对话产品都在用自己的方式回答同一个问题：如何让 AI 更好地服务于人类。ChatGPT 选择了广度，Claude 选择了深度，DeepSeek 选择了开放，Gemini 选择了融合——没有标准答案，但每一种选择都在推动着整个生态向前发展。对于普通用户来说，现在是最好的时代：选择足够丰富，入门成本足够低。不妨多尝试几款产品，找到最契合你工作方式的那个 AI 伙伴。

2026-06-14 14:05:28 455

原创从搜索引擎到对话引擎：信息获取方式的根本变革

从搜索引擎到对话引擎的转变，本质上是一次信息分发权力的重新分配。搜索引擎把选择权交给了你——给你 10 个蓝色链接，你自己选。而对话引擎直接给你答案——但把"判断它是否正确"的责任也交给了你。信息获取方式变了，基于信息获取构建的一切——从你的学习习惯、到内容创作策略、再到商业模式——都需要重新思考。你怎么看这场变革？欢迎在评论区分享你的看法。

2026-06-14 08:10:30 434

原创 RAG 技术的进化：从朴素检索到 Agentic RAG

检索不再是"拉取数据"的被动行为，而是"求知探索"的主动行为。当 AI 能够像人类一样——先想清楚需要什么，再去查找，然后思考，再补充查——RAG 才真正发挥出了它的潜力。对于开发者来说，现在的时机非常好。工具链已经成熟（LangGraph、LlamaIndex、MCP），成本在快速下降，效果在不断提升。如果你还没有在自己的应用中接入 RAG，现在就是最好的开始时间。

2026-06-13 14:05:40 234

原创 AI 搜索引擎的崛起：Perplexity、GEO 与传统搜索的差异

打开浏览器，在地址栏输入关键词、回车、浏览蓝色链接——这个我们执行了二十多年的搜索流程，正在被 AI 从根本上重塑。2022 年底 ChatGPT 横空出世后，以 Perplexity 为代表的 AI 搜索引擎迅速崛起，百度、Google 等传统搜索巨头也纷纷推出 AI 摘要功能。随之而来的，是一个全新的概念——GEO（Generative Engine Optimization，生成式引擎优化）——正在取代传统的 SEO，成为内容创作者和运营者必须关注的新方向。

2026-06-13 08:13:47 489

原创 Qwen2.5 模型架构解读：国产大模型的进化

Qwen2.5 代表了中国开源大模型的一个重要里程碑。它不仅在架构设计上紧跟前沿（GQA + RoPE + SwiGLU + 长上下文），还在训练方法上展现了工程实力（18T tokens 的高质量预训练 + 多阶段后训练）。更重要的是，它以完全开放的姿态推动了整个社区的发展，让更多开发者能够站在巨人的肩膀上进行创新。从 Qwen 到 Qwen2.5，我们看到的是国产大模型从「能跑」到「好用」的质变。这不仅仅是技术参数的堆叠，更是对模型架构、训练范式和开源理念的持续思考与实践。

2026-06-12 14:03:01 321

原创 Cursor + Claude：AI 编程辅助工具的新玩法

如果你还没有尝试过 Cursor + Claude 的组合，我强烈建议你花一个下午的时间跑一个完整的小项目体验一下。从「写代码」到「描述要写的代码」，这个转变远比看起来更深刻。AI 编程的时代已经到来，早一天上手，早一天受益。

2026-06-12 08:10:47 292

原创用 AI 搭一个个人知识库：从 RAG 到知识图谱

RAG 让笔记变得"可对话"，知识图谱让笔记变得"可推理"。两者结合，个人知识库就从静态的文档仓库升级成了动态的智能体——它能主动建立你还没意识到的关联，帮你发现知识盲区，甚至提示你某个领域的研究趋势。这是一个值得投入的方向，因为知识管理的效率最终决定了学习的速度。

2026-06-11 14:08:14 269

原创用 AI 搭一个个人知识库：从 RAG 到知识图谱

RAG 让笔记变得"可对话"，知识图谱让笔记变得"可推理"。两者结合，个人知识库就从静态的文档仓库升级成了动态的智能体——它能主动建立你还没意识到的关联，帮你发现知识盲区，甚至提示你某个领域的研究趋势。这是一个值得投入的方向，因为知识管理的效率最终决定了学习的速度。

2026-06-11 14:07:41 336

原创 AI 搜索引擎的崛起：Perplexity、GEO 与传统搜索的差异

AI 搜索引擎不是要取代传统搜索，而是在创造一种全新的信息获取方式。传统搜索在"查已知、找链接"的场景下依然高效，而 AI 搜索在"理解复杂问题、综合分析"的场景下遥遥领先。作为技术从业者，理解这个趋势并调整内容策略，将是在 AI 时代保持影响力的关键。无论你是写技术博客还是做产品文档，让内容结构清晰、信息可靠、有独立见解，就是在为 AI 搜索时代做准备。如果你对 GEO 或者 AI 搜索引擎的具体实现感兴趣，欢迎在评论区交流讨论。

2026-06-11 08:11:52 393

原创老登说GEO ①：从AI数据来源看GEO的本质

2026-06-10 21:48:52 529

原创 Function Calling 让 AI 不再只是聊天机器人

Function Calling 是大型语言模型（LLM）的一项关键能力——模型在生成回复时，不是只输出纯文本，而是可以输出结构化的函数调用指令。开发者收到这些指令后，执行对应的代码，再将结果返回给模型，让模型据此生成最终回复。开发者定义一组可用的函数（API），以 JSON Schema 形式提供给模型模型根据用户输入，判断需要调用哪个函数，并输出函数名和参数开发者执行函数，将结果送回模型，模型结合结果给出最终回答。

2026-06-10 14:05:08 243

原创 AI 时代的编程教育：还需要学编程吗？

AI 时代还需要学编程吗？我的回答是：不仅需要，而且编程能力的价值变得更大——只不过它不再是「写代码的能力」，而是「用系统化思维解决问题的能力」。AI 让编程变得更强大、更易用，但没有改变编程教育最核心的价值：教会人们如何抽象、如何分解、如何推理。这些能力在任何时代都不会贬值。在未来十年，还有什么比学会编程思维更值得投资的能力？

2026-06-10 08:10:26 450

原创 AI 搜索引擎的崛起：Perplexity、GEO 与传统搜索的差异

AI 搜索引擎与传统搜索引擎最大的区别体现在理解方式和结果呈现形式上。传统 SEO 关注的是如何让你的网页在搜索结果中排到第 1 位。但 AI 搜索引擎不输出列表排名，它输出的是答案文本。GEO 关注的是「如何让你的内容成为 AI 生成的答案中的一部分」。一个具体的例子：在传统搜索引擎中搜索「Python 异步框架对比」，SEO 优化的目标是让你的页面排在前三位。在 Perplexity 中搜索同样的问题，GEO 优化的目标是让你的内容出现在 AI 生成的对比表格中，并被标注引用来源。

2026-06-09 14:02:57 253

原创 AI 搜索引擎的崛起：Perplexity、GEO 与传统搜索的差异

AI 搜索引擎与传统搜索引擎最大的区别体现在理解方式和结果呈现形式上。传统 SEO 关注的是如何让你的网页在搜索结果中排到第 1 位。但 AI 搜索引擎不输出列表排名，它输出的是答案文本。GEO 关注的是「如何让你的内容成为 AI 生成的答案中的一部分」。一个具体的例子：在传统搜索引擎中搜索「Python 异步框架对比」，SEO 优化的目标是让你的页面排在前三位。在 Perplexity 中搜索同样的问题，GEO 优化的目标是让你的内容出现在 AI 生成的对比表格中，并被标注引用来源。

2026-06-09 14:02:13 413

原创 GEO优化到底是做什么的？我自研了一套全流程系统，分享实战经验

我们团队用几个月时间，自研了一套完整的GEO优化系统，覆盖从诊断到执行到监控的全流程。目前已经在豆包、DeepSeek、通义千问、元宝、文心一言等主流AI引擎上完成了验证。但真正落地的团队不多，能做出案例的更少。有兴趣可以联系聊聊，免费帮你的商户做一次AI搜索可见度诊断。5. 多平台分发 — 内容分发至知乎、头条号、搜狐号、网易号等。4. 内容创作 — 围绕目标关键词，创作AI友好的高质量内容。3. 品牌诊断 — 诊断当前AI提及率，制定优化方案。- 三四线城市小商户（餐饮、家装、教培、本地服务）

2026-06-09 09:24:54 668

原创向量数据库在 AI 应用中的角色：从 Milvus 到 Chroma

长期记忆（存储 Agent 对话历史的知识片段）、知识库索引（RAG 的核心组件）和语义检索引擎（替代传统关键词搜索）。无论选择哪个产品，都要关注三个关键指标：召回率、查询延迟和写入吞吐量。在实际项目中，我建议先用 Chroma 快速验证方案可行性，当数据量增长或性能成为瓶颈时再平滑迁移到 Milvus 或 Qdrant。这种渐进式策略可以避免过早引入复杂的基础设施，同时保证后续的扩展能力。向量数据库正在快速演进，新的产品和特性不断涌现。理解不同产品的设计哲学和适用边界，才能在实际项目中做出最合适的选择。

2026-06-09 08:07:55 282

原创向量数据库在 AI 应用中的角色：从 Milvus 到 Chroma

向量数据库已经从「有没有必要用」的阶段进入了「怎么用好」的阶段。对于 AI 应用开发者来说，理解不同向量数据库的定位和权衡，比纠结于某一种技术的细节更重要。从 Milvus 的工业级能力到 Chroma 的极简体验，向量数据库正在不断降低 AI 应用的门槛，让开发者能更专注于业务逻辑而非基础设施。

2026-06-08 14:08:26 272

原创 RAG 技术的进化：从朴素检索到 Agentic RAG

从朴素 RAG 到 Agentic RAG，我们见证了检索增强生成技术的三次跨越。朴素 RAG 证明了"检索 + 生成"这个范式可行，高级 RAG 证明了这个范式可以优化得很深，Agentic RAG 则证明了大模型自主决策能力可以彻底改变信息检索的方式。对于 AI 应用开发者来说，理解这条进化路径的意义在于：RAG 不是终点，它更像是一个起点。未来的 AI 系统不会只有一种固定的检索模式，而是会根据场景和任务动态调整检索策略，真正做到"因时制宜、因事制宜"。

2026-06-08 08:22:37 228

空空如也

空空如也