[{"data":1,"prerenderedAt":453},["ShallowReactive",2],{"content-\u002Fposts\u002Fmy-thoughts-on-the-ai-industry":3,"blog-posts":181},{"id":4,"title":5,"body":6,"categories":166,"date":167,"description":168,"draft":169,"extension":170,"meta":171,"navigation":172,"path":173,"seo":174,"stem":175,"tags":176,"__hash__":180},"posts\u002Fposts\u002Fmy-thoughts-on-the-AI-industry.md","简单聊聊对 AI Agent 行业的理解",{"type":7,"value":8,"toc":157},"minimark",[9,13,16,19,22,27,30,33,36,42,45,50,53,57,60,71,74,77,80,83,86,89,92,95,98,102,105,112,118,121,127,133,139,146,151,154],[10,11,12],"p",{},"我印象里 AI Agent 的概念在 2024 年的时候就逐步走向成熟了。凭我模糊的回忆说一下（不保证正确）。",[10,14,15],{},"一开始 22 年 ChatGPT 就以 ChatBot 的形式爆火。那个时候还称不上现在的 Agent，充其量就是浓缩了大量世界知识的 ChatBot。23 年 24 年开始有了\"Agent\"应用，一开始的那个忘了叫什么名字了（Logo 长得像个骆驼的），是 AI 写小说的。我是看见一个学长研究生毕业做的，这个我印象很深。从这里开始，我们不仅仅只是用一个集人类精华的存在去 Chat，而是通过一种组织的形式，发挥它的知识和能力，开始有意识根据模型本身的能力设计一个系统，让模型在这个系统中完成任务，这可以说是早期的 harness 了。",[10,17,18],{},"而 tool-calling 之类的能力，也是在这种系统性地使用模型能力的时候的自发实践。就像很早的 GPT-Academic，就是自己实现 function，配合 prompt 完成对 paper 的拆解。这份能力太过广泛和基础，下游的使用促使上游模型训练端让模型 tool-calling 的能力进一步加强，成为 ReasoningLLM 的标准能力。后面则是对这份 tool-calling 能力的扩展，从原本的工具调用会出错，到单次工具调用成功，再到多次工具调用——模型在工具使用上已经成了专家。",[10,20,21],{},"而能够使用工具，就是 Agentic 能力的一个关键点。在此之前的所谓 Agent，不过是 prompt APPs 罢了。让我来梳理之前 LLM 发展的趋势。",[23,24,26],"h2",{"id":25},"_2024augmented-llmtool-userag","2024：Augmented LLM、tool use、RAG",[10,28,29],{},"在2022年的时候，ChatGPT5天达到了1M的DAU。人们意识到这是一个伟大产品的诞生。在学术上，人们达成了共识，未来LLM发展，除了模型本身的能力，很大程度上是围绕模型增强模型的能力。2023-2024年出现了部分如今的agent harness。有人开发一个软件系统，让人能够和AI持续交互，同时",[10,31,32],{},"我在 24 年暑假关注到了 AstrBot 这个项目，那个时候 LLMs 的能力刚好够到能进行工具调用的程度，但鲜少有 QQBot 的项目把 tool-call LLM 作为一等公民接入 QQ，AstrBot 做了。比较早期的就跟进了 MCP，沙箱执行，工具调用。我当时顺手给 AstrBot 提了个 typo fix，修了下启动时的 logo，哈哈。但我后续在使用 AstrBot 的时候感到了厌倦——我没有感受到它带给了我什么。让 Bot 更像人？和人交互？我根本用不上。",[10,34,35],{},"2024 年有些 PaaS Agent APP 平台，比如 Dify、Coze 等等。RAG 的概念也是作为增强模型能力的一个方法为人所熟知，一个是可以解决 AI 幻觉问题，一个是解决 AI 上下文不够长的问题。",[37,38,39],"note",{},[10,40,41],{},"2026 年 10 月 29 日，Coze 发布《企业版下线公告》：企业标准版、企业旗舰版11月30日起停止新售，旧版套餐2026年12月31日下线，新版最晚2027年12月31日全面下线。",[10,43,44],{},"而这个时候，token 的消耗量并没有那么大, dsr1 context length 128k，单次对话就调用一个工具。但现在不一样，2026年Q2以后，市面上的 AI 都能在一个 turn 中进行多个乃至上百个 step，而每一次 step 就会通过无状态的 LLM API 发送一次请求，这样的 Token 使用量是 O(step^2) 级别增长的。2026年一天的 token 使用量，比过去几年的使用量加起来还要多。",[37,46,47],{},[10,48,49],{},"当需要多 step 的 agent 场景的时候，缓存命中是极其关键的。Serving LLM 端的缓存命中，可以在同样的负载下 serving 更多的 token, 同时不会影响 serving 整体的性能。Serving LLM 的时候缓存命中是极其关键的，意味着更低的 TTFT。对于客户端（Harness）来说，缓存命中意味着更低的价格。如今在多个 turn 的情况下，Anthropic 格式的 API 通常能够达到 95% 以上的 cache hit, OpenAI Response 格式的 API 通常能够达到 99%。一般 coding agent 场景很容易达到很大的缓存命中率。",[10,51,52],{},"另外，IDE 也在因为 AI 的能力增长而发生改变。21年以前，是通过 VS Code 插件的形式，提供 Tab 补全\u002F预测 等功能。而2023\u002F2024年左右，Cursor\u002FWindsurf这种面向 AI 的 IDE 就已经出现。并且在2026年 coding agent 爆发的时候，也受到影响，迭代了至少三个大版本的 IDE，甚至连 VS Code也受到了影响，现在发生了很大的变化。具体可以看 捕蛇者说 的某一期。",[23,54,56],{"id":55},"_2025agentic-ai","2025：Agentic AI",[10,58,59],{},"Open AI o1发布不久后，DeepSeek R1发布，把 LLM 推到了 Reasoner 的程度，LLM 极度火热，再一次进入了大众的视野。",[10,61,62,63,70],{},"在 2025 年 Q2，Agentic AI 的概念已经被提出来了（与此同时是大量的 agentic 框架，这是 25Q2 有人列举的",[64,65,69],"a",{"href":66,"rel":67},"https:\u002F\u002Fdocs.google.com\u002Fspreadsheets\u002Fd\u002F1B37VxTBuGLeTSPVWtz7UMsCdtXrqV5hCjWkbHN8tfAo\u002Fedit?ref=blog.langchain.dev&pli=1&gid=0#gid=0",[68],"nofollow","不同 agent 框架之间的对比","），并且就是我们现在常谈论的 agent，而非之前的改改 system prompt 的 'agent'。那个时候还有很多 agent 框架，不管是非常早就出来的 LangChain、还是算比较新的 autogen、LangGraph 这些都是很方便去构建 workflow 式的 agent 的平台，开发 agent 的门槛变得很低。但这个时候业界反应还没有那么大（2025Q2）——相应的就是机会非常多，因为绝大多数人都没有做过 agent。而今一年过去了，体感上各种培训班已经满天飞了。",[10,72,73],{},"另外一个，token 消耗量在模型长上下文普及和长程任务能力越来越强的现在激增。我一天开发一个项目最高能烧掉 1B 的 token，这换在 ChatBot 时代是无法想象的。而海量的 token 就代表着海量的数据，而且还是之前现实世界没有的，agentic 的 long horizon 任务执行的轨迹数据，这是新一轮的数据飞轮。随着 Transformer 架构的不断升级，现在 dsv4 解决了 KV Cache 算力、显存消耗太大的问题（之前只是解决 Attn 上的算力和显存问题，而长上下文中 KV Cache 带来的问题没有解决），能够在 128k 的上下文做预训练，这是以前不敢想的。人类产生数据的速度也在激增。这有点像烧着能源，让大模型有了左脚踩右脚的能力，当然中间少不了人类做 pilot 和 steer，以保证模型和人类 align。",[10,75,76],{},"2025 年 vibe coding 的概念就已经深入人心。25 五一的时候，有同学问我课程项目（前端后端数据库）能不能全用 vibe coding，我说试试，应该能。他最后全 vibe coding 成功了。那个时候就有所谓'前端已死'的论调，并在 Gemini 3（2025Q4）的时候极为强烈。",[10,78,79],{},"之后出现的 AI 产品五花八门。AI 陪伴类的一直都有（酒馆、MiniMax 的星野 etc.），这种情感类的反馈周期长，算法的 reward 太多太广太复杂，很难有好的确切的标准做 SFT，并且需要长周期的反馈，很难直接 eval 效果。还有 AI Researcher，印象里这个 OpenAI 先做的，然后 Kimi 似乎是跟进的不错的那个。Kimi Research，记得当时他们的模型做到了一次对话能够调用上百个工具，出了个产品 OK Computer，来做单次请求的长程解决，这个时候（2025Q3）似乎各家就能做到单次 30 分钟以上的持续执行了。2025Q4 的 skills 概念的提出让 Agentic AI 的易用性进一步降低，（skills 这个概念真神了）skills，可以说是 LLM Infra 中的 FlashAttention。将修改模型上下文的权利下放（而这是 agentic 系统中至关重要的），通过 skills 可以直接给模型传输经验、方法、流程、领域知识、思路，等等等等。直接让通用模型的能力轻松落地。而且通过三步渐进暴露的方式做了漂亮的 context engineering，是 Agent 在 C 端变得高可用的一个至关重要的概念。",[10,81,82],{},"写到这里，我发现模型变动的速度太快了。两个月甚至一个月模型厂商就能把新一代的 post-training 的模型端上来。模型能力的提升从上游往下游不断传播，影响巨大。",[10,84,85],{},"一个类似玩笑的说法是，这个月你用 AI Coding 感到棘手的项目，你大可放置一段时间，等新一代模型发布的时候，过去的难题可能就迎刃而解了。这反应在行业里面很残酷——就像做垂直领域的一些 AI Agent 产品，现在正在被通用的 Codex 吃掉市场份额一样。",[10,87,88],{},"其实也告诉了我们时间很重要。这个月是这样，下个月情况可能就会反转，像 Fable 5 这样的事情，之前已经发生过，未来一定还会发生。但是这个具体的变动谁也不清楚，不身处在水中，怎么能摸到第一线的变化？",[23,90,91],{"id":91},"破圈",[10,93,94],{},"2026Q1 Opus 4.6 发布之后，我第一次感觉到 Agentic AI 真正意义上的破圈了，好像 AI 真的突破了某种能力的上限，而那种上限格外诱人，各个行业和领域的人都开始为之疯狂。当然这种 FOMO 并非 2026 才发生的，更早就有了。",[10,96,97],{},"另一个破圈的是 OpenClaw（ClawBot），这玩意我记得在 Dev 中有过一次传播，但似乎大家没有这么在意。隔了一两个月在 Q1 和 Q2 之间的时候，OpenClaw 突然破圈了，引起了一波 Claw 潮。我其实到现在也没有想明白是为什么？难道是真的发现了 AI Agent 的能力已经足够在生产生活中起到作用了吗？但是资本似乎从此刻就开始狂欢。智谱、MiniMax 接连港股上市，而今估值快万亿。",[23,99,101],{"id":100},"agent-在做什么","Agent 在做什么",[10,103,104],{},"上面啰嗦了这么多，其实真正想聊的是这个：抛开产品和概念，Agent 到底是什么，以及它现在到底能做什么。",[10,106,107,108],{},"只说 agent 类型的话，可以分作 workflow 和 agent 两种，以及两者之间的东西。但我觉得这个二分法本身没那么重要——更重要的是想清楚一个问题：",[109,110,111],"strong",{},"你的业务里，哪些环节需要 agentic，需要到什么程度？",[113,114,115],"important",{},[10,116,117],{},"随着模型能力越来越强，plan、todo、workflow 这种规划能力已经被模型内化，模型会在自己的 CoT 中动态的规划，确认自己进行到了哪一步，而不一定需要显式的 workflow 框架，比如 Dify、Coze 等等 Agent 编排框架进行编排。更多是通过某种方式提供所需要的上下文。比如算子相关的 Kernel Agent 中，除了算子优化能力的补足（提供优化方式\u002F技巧\u002F优化方法论），还需要记录做了哪些优化，哪些尝试，当前在什么阶段。",[10,119,120],{},"现在的 agent harness 提供了基本的限制。更多的限制，需要根据自己的业务开展。",[10,122,123,126],{},[109,124,125],{},"业务流程清晰、规律、稳定、门槛不高","。这些场景用 workflow 就够了。workflow 的优势不是能力，是可控。每一步的输入输出是确定的，出问题你能定位到具体环节。而一个完全自主的 agent，它做对了你不知道为什么对，做错了你也不知道在哪一步开始偏的。对于大多数企业场景，可控性比智能程度更值钱。当然如果胡乱让一个 Agent 做十次都没有出错，在做好了基本的错误处理后，其实可以放弃 workflow。",[10,128,129,132],{},[109,130,131],{},"垂直领域","不同。通用模型 + skills 在垂直领域的效果往往不好，而且可预计的未来通用模型在这些领域的数据都比较稀缺。这时候要么训练\u002F微调，要么结合领域知识的 RAG。如果做不到微调模型，就只能用 workflow 去逼近效果。这不是最好的方案，但是是可行的方案。但是随着基础模型的能力越来越强，能够做的工作不是提高模型能力，而是在具体的场景中提供上下文，对接数据，工具。",[10,134,135,138],{},[109,136,137],{},"共识：上下文是核心","。不管是 workflow 还是 agent，让模型接收到正确的、充足的、合适的上下文，决定了整个系统的上限。上下文给少了模型瞎猜，给多了模型被噪声淹没，给错了方向整个就偏了。这件事说起来简单，实际上极其依赖对业务的理解——你得知道什么信息对决策是关键的，什么信息是噪音。这不是技术问题，是领域知识问题。",[10,140,141,142,145],{},"另一个同样关键但更难的是",[109,143,144],{},"评估","。怎么知道你的 agent 系统在变好还是变坏？模型一更新，prompt 一改，工具一换，行为就可能变了。如果没有一套评估手段，就是在碰运气。但评估 agent 比评估模型难得多，因为 agent 的输出不是单点的，是多步的、有状态的、和环境交互的。单次工具调用对不对？连续调用的顺序对不对？最终结果对不对？三个维度的评估，目前行业里也没有很好的统一方案。",[37,147,148],{},[10,149,150],{},"说起 eval, 基模厂发布模型的时候都会附上 benchmark 来说明自己模型的能力。2026 年，很多 bench（比如tb）都通过容器（sandbox）的方式给 AI 提供完整的环境去做评估。那些 bench 具体的 tasks 都有公布，看看测过的 tasks，初步确认模型能力。",[10,152,153],{},"这也是为什么我说 OpenClaw 的破圈让我困惑。如果 agent 系统的基础设施——上下文工程、评估体系——都还处在这种\"大家各做各的\"阶段，那它真的准备好进入生产生活了吗？还是说我们又一次高估了短期，而低估了长期？",[10,155,156],{},"后记：写这篇文章的初衷，是我发觉逐渐忘了前两个月的 AI\u002FLLMs 是什么样的能力和情况了。行业的节奏快到你来不及消化今天的东西，明天又变了。我想把现在的理解写下来，是为了过几个月回头再看的时候，能看到自己当时站在哪里，看到了什么，又看漏了什么。人的记忆真的忘的太快了。",{"title":158,"searchDepth":159,"depth":160,"links":161},"",2,3,[162,163,164,165],{"id":25,"depth":159,"text":26},{"id":55,"depth":159,"text":56},{"id":91,"depth":159,"text":91},{"id":100,"depth":159,"text":101},"技术杂谈","2026-06-20 13:14:25","写这篇文章的初衷，是我发觉逐渐忘了前两个月的 AI\u002FLLMs 是什么样的能力和情况了。意识中似乎某些在突然加速，但理性和直觉告诉我这不对，作为行内人，我知道这是一个渐进的、累积的过程。我想自己回忆一下，Agent的发展。",false,"md",{},true,"\u002Fposts\u002Fmy-thoughts-on-the-ai-industry",{"title":5,"description":168},"posts\u002Fmy-thoughts-on-the-AI-industry",[177,178,179],"LLMs","AI Agent","Agent","8LvLCT_Ab0UC7dp1GgdODav8azpANplzHfJxOPc6ozg",[182,191,197,204,209,219,228,234,238,246,255,261,267,275,279,283,293,300,306,310,314,322,329,335,340,342,348,353,358,365,372,379,385,392,400,406,412,418,424,429,438,446],{"path":183,"title":184,"description":185,"date":186,"categories":187,"tags":188,"draft":172},"\u002Fposts\u002Ftransposition-borrowed-chords","平移借用：大调里立刻能用的和弦","把大调整体平移，借用各调的顺阶和弦；有符号平移量 ±2、±3、±5、±7 给出七个近关系调，合计 25 个现成三和弦与 31 个现成七和弦，全部 12 个平移量给 36 与 48。","2026-11-08 16:20:00","音乐",[189,190],"乐理","和弦",{"path":192,"title":193,"description":194,"date":195,"categories":187,"tags":196,"draft":172},"\u002Fposts\u002Fdiatonic-chords-major-system","大调体系下的三和弦和七和弦","以同主音 C 为基准，逐个推出七套音阶的顺阶三和弦与七和弦，标注每个和弦的出处，去重后得到 21 个三和弦与 28 个七和弦。","2026-11-08 15:20:00",[189,190],{"path":198,"title":199,"description":158,"date":200,"categories":201,"tags":202,"draft":172},"\u002Fposts\u002F作息感慨","作息感慨","2026-11-04 07:15:08","生活杂谈",[203],"日常",{"path":205,"title":206,"description":158,"date":207,"categories":158,"tags":208,"draft":172},"\u002Fposts\u002Fgp-tab-测试","gp-tab-测试","2026-10-12 10:51:22",null,{"path":210,"title":211,"description":212,"date":213,"categories":214,"tags":215,"draft":169},"\u002Fposts\u002Fnetwork-clean","怎么让网络变得干净","一个干净的网络，让人省心的使用服务。","2026-10-11 19:40:02","技术",[216,217,218],"VPN","网络","AI",{"path":220,"title":221,"description":222,"date":223,"categories":201,"tags":224,"draft":169},"\u002Fposts\u002Fthe-age-of-hesitation","[搬运] 不敢投入的时代","为什么我们现在越来越不敢投入了。很多时候我们以为的选择，比如你有两个工作offer，现在选择好像是我到底应该考公还是考编。明明这两个选项都不是真正的选项，因为你还没有开始，也不知道最后能不能成。这个时候我们就已经开始犹豫了。","2026-10-10 11:44:12",[225,226,227],"翻译","搬运","心理学",{"path":229,"title":230,"description":231,"date":232,"categories":201,"tags":233,"draft":172},"\u002Fposts\u002Fwhy-happiness-look-like-same","[搬运] 为什么大家的幸福都长一个样？","为什么大家的幸福都长一个样？一种认知被广泛传播后似乎变得不断扁平，这种感觉很奇怪。","2026-10-09 13:57:15",[225,226,227],{"path":235,"title":236,"description":158,"date":237,"categories":201,"tags":208,"draft":172},"\u002Fposts\u002Feverything-is-paid-twice","任何事情都要被消费两次","2026-10-06 12:30:06",{"path":239,"title":240,"description":241,"date":242,"categories":166,"tags":243,"draft":169},"\u002Fposts\u002Fllm","为什么模型上线后，体感像是“降智”了？","权重与 KV cache 的量化都能降低 serving 成本，也可能改变输出；但体感变弱不足以证明服务后来切换了精度。","2026-09-29 21:44:08",[177,244,245],"Serving","量化",{"path":247,"title":248,"description":249,"date":250,"categories":214,"tags":251,"draft":169},"\u002Fposts\u002Fspinning-up-policy-optimization","[译] 深度强化学习入门（三）：策略优化入门","OpenAI Spinning Up 教程第三部分的全文翻译：推导最简单的策略梯度、log-derivative trick、EGLP 引理、reward-to-go 与基线，配 PyTorch 示例代码。","2026-09-28 17:49:25",[252,253,254,225],"强化学习","RL","Spinning Up",{"path":256,"title":257,"description":258,"date":259,"categories":214,"tags":260,"draft":169},"\u002Fposts\u002Fspinning-up-rl-intro-2","[译] 深度强化学习入门（二）：强化学习算法的分类","OpenAI Spinning Up 第二部分的全文翻译：无模型与基于模型的 RL、策略优化与 Q-learning 的取舍，以及规划、专家迭代和经验增强等方法。","2026-09-28 10:20:21",[252,253,254,225],{"path":262,"title":263,"description":264,"date":265,"categories":214,"tags":266,"draft":169},"\u002Fposts\u002Fspinning-up-rl-intro","[译] 深度强化学习入门（一）：RL 的关键概念","OpenAI Spinning Up 教程第一部分的全文翻译：智能体与环境、状态与观测、动作空间、策略、轨迹、奖励与回报、价值函数、贝尔曼方程、优势函数，附 MDP 形式化。","2026-09-28 09:29:40",[252,253,254,225],{"path":268,"title":269,"description":270,"date":271,"categories":201,"tags":272,"draft":172},"\u002Fposts\u002Fwhen-machines-come-alive","冰箱之后，生活还会怎样改变？","从厨房里的果蝇想到冰箱、移动互联网与 AI 的多轮调用：AGI 已经到来，只是昂贵的智能会怎样改变生活？","2026-09-25 06:36:22",[218,273,274],"随笔","科技",{"path":276,"title":277,"description":158,"date":278,"categories":158,"tags":208,"draft":172},"\u002Fposts\u002Fmathematical-foundations-of-llms-1","LLM的数学基础（1）：","2026-09-19 22:59:55",{"path":280,"title":281,"description":158,"date":282,"categories":158,"tags":208,"draft":172},"\u002Fposts\u002Ftowards-maximize-serving-capatity","如何在 offline bench 里最大化 LLM serving system 的吞吐","2026-09-19 05:45:05",{"path":284,"title":285,"description":286,"date":287,"categories":166,"tags":288,"draft":169},"\u002Fposts\u002Fllm-memory-compute-tradeoff","LLM 的 Memory-Compute Trade-off：从 MHA 到 MLA、Sparse 与 Linear Attention","ds4.1f 上线了。它的架构 novel 在哪，便宜和快又是从哪省出来的。","2026-09-11 12:00:00",[177,289,290,291,292],"Attention","MLA","DeepSeek","长上下文",{"path":294,"title":295,"description":296,"date":297,"categories":166,"tags":298,"draft":172},"\u002Fposts\u002Fmarkdown-extensions","Markdown 扩展语法速查","本站 Markdown 支持的扩展语法演示与速查：admonition 提示块、GitHub 仓库卡片、spoiler 遮罩、ABC 乐谱、GP 乐谱、音频播放器、浏览器可运行代码块。","2026-09-01 15:30:00",[299],"博客",{"path":301,"title":302,"description":303,"date":304,"categories":201,"tags":305,"draft":172},"\u002Fposts","为什么还需要手写博客？","AI这么强，还要古法写博客吗？","2026-09-01 13:17:53",[299],{"path":307,"title":308,"description":158,"date":309,"categories":158,"tags":208,"draft":172},"\u002Fposts\u002Fllm-serving-1","LLM Serving（一）:以在H200上部署GLM-5.2为例","2026-07-21 06:15:44",{"path":311,"title":312,"description":158,"date":313,"categories":187,"tags":208,"draft":169},"\u002Fposts\u002Finteresting-music-rhythm","有趣的音乐节奏","2026-07-16 12:47:24",{"path":315,"title":316,"description":317,"date":318,"categories":214,"tags":319,"draft":169},"\u002Fposts\u002Ftowards-monosemanticity","LLM 可解释性（一）：SAE与单语义","读 Anthropic《Towards Monosemanticity》。从难以解释的神经元出发, 讲清superposition为什么让单个神经元混成一团, SAE怎么把多语义的激活分解成单语义特征。","2026-07-12 22:00:00",[177,320,321],"可解释性","SAE",{"path":323,"title":324,"description":325,"date":326,"categories":201,"tags":327,"draft":172},"\u002Fposts\u002Fpiketty-ai-china-k-shaped","用皮凯蒂的镜头看 AI 与中国 K 型社会","一次凌晨的对话整理。从 r>g 出发，看 AI 时代的资本分配、中国的世袭化趋势、体制内的二元劳动力市场，以及一个普通 00 后在一线打拼的真实牌面。","2026-06-24 03:00:00",[273,328,218],"经济",{"path":330,"title":331,"description":158,"date":332,"categories":158,"tags":333,"draft":172},"\u002Fposts\u002Fclaude-code-compact-behavior","cluade code compact 行为","2026-06-23 20:17:42",[179,178,334],"Claude Code",{"path":336,"title":337,"description":158,"date":338,"categories":214,"tags":339,"draft":172},"\u002Fposts\u002Fclaude-code-settings","Claude Code 配置分享","2026-06-23 14:22:12",[177,178,179,334],{"path":173,"title":5,"description":168,"date":167,"categories":166,"tags":341,"draft":169},[177,178,179],{"path":343,"title":344,"description":158,"date":345,"categories":214,"tags":346,"draft":169},"\u002Fposts\u002Frotational-positional-encoding","RoPE","2026-06-17 18:31:40",[177,347,344],"Transformer",{"path":349,"title":350,"description":158,"date":351,"categories":214,"tags":352,"draft":169},"\u002Fposts\u002Fintroduction-to-large-language-model","大语言模型入门基础","2026-06-16 22:36:11",[347,177],{"path":354,"title":355,"description":158,"date":356,"categories":166,"tags":357,"draft":172},"\u002Fposts\u002Fcoding-agent","关于 Coding Agent 使用的遐思","2026-06-03 17:54:20",[179],{"path":359,"title":360,"description":361,"date":362,"categories":214,"tags":363,"draft":172},"\u002Fposts\u002Fabout-ssh-usage","关于SSH的使用——客户端篇","介绍SSH客户端的用法。","2025-06-17 02:44:57",[364],"工具",{"path":366,"title":367,"description":368,"date":369,"categories":166,"tags":370,"draft":169},"\u002Fposts\u002Fopensourcesoftwarestarttutorial","如何开始一个开源项目？","浅谈我对开源项目的认知。","2025-04-17 18:00:00",[371],"开源",{"path":373,"title":374,"description":375,"date":376,"categories":377,"tags":378,"draft":172},"\u002Fposts\u002Fmotivation","渴求动力","有意识的生活并主动地行动会使得生活更美好。","2025-03-05 00:44:57","生活-情感",[273],{"path":380,"title":381,"description":382,"date":383,"categories":377,"tags":384,"draft":172},"\u002Fposts\u002F2024summary","2024年终总结","啊，痛彻的时光；啊，悲怆的人！","2025-01-01 01:00:00",[273],{"path":386,"title":387,"description":388,"date":389,"categories":214,"tags":390,"draft":172},"\u002Fposts\u002Fvps-crash-startup","快速搭建个人VPS","如何快速搭建个人VPS。","2024-12-31 19:00:00",[391],"VPS",{"path":393,"title":394,"description":395,"date":396,"categories":214,"tags":397,"draft":172},"\u002Fposts\u002Fdata-label-software","AI数据（自动）标注软件概述","对市面上目前的AI数据（自动）标注软件进行调研。","2024-12-20 14:00:00",[398,399],"数据标注","深度学习",{"path":401,"title":402,"description":403,"date":404,"categories":377,"tags":405,"draft":169},"\u002Fposts\u002Fself-destruction","生活的崩坏与自我毁灭","是什么在牵引着我？我的行为，我的思想？我的感受？我所处的地方？它们在何处？","2024-12-19 12:00:00",[273],{"path":407,"title":408,"description":409,"date":410,"categories":214,"tags":411,"draft":172},"\u002Fposts\u002Fcs194-196_llmagents","LLM Agents 课程笔记","UCB CS294\u002F194-196 Large Language Model Agents 的课程笔记。","2024-11-30 20:00:00",[179],{"path":413,"title":414,"description":415,"date":416,"categories":377,"tags":417,"draft":172},"\u002Fposts\u002Fwhatsyourworth","价值、位置","你们的生存究竟有何价值？如果毫无价值，你们究竟为何存在？","2024-11-29 02:00:00",[273],{"path":419,"title":420,"description":421,"date":422,"categories":377,"tags":423,"draft":169},"\u002Fposts\u002Fblogrelifever2","重启博客v2","忙里偷闲学习前端，还是决定结合想法手搓一个自己的博客。","2024-11-25 00:00:00",[299],{"path":425,"title":426,"description":427,"date":428,"categories":377,"tags":208,"draft":172},"\u002Fposts\u002Fblogrelife","重启博客","在我的表达欲与现实所需(问题解决记录)驱动下，我决定重写博客。","2024-10-21 20:44:57",{"path":430,"title":431,"description":432,"date":433,"categories":201,"tags":434,"draft":169},"\u002Fposts\u002Fsurvival-welcome-to-university","生存手册——欢迎来到大学","大学同时生产三样东西：可验证技能、认证信号和驯化资本。你付了四年的钱，真正拿到手的是哪一样，取决于你毕业时要进的那个市场在为什么付费。","2024-10-12 20:00:00",[435,436,437],"大学","求职","方法论",{"path":439,"title":440,"description":441,"date":442,"categories":377,"tags":443,"draft":169},"\u002Fposts\u002Frevival","240205 复活","好吧，断更了许久，我又终于回来了，我又终于回来了。","2024-02-05 20:00:00",[273,444,445],"生活","返乡",{"path":447,"title":448,"description":449,"date":450,"categories":377,"tags":451,"draft":172},"\u002Fposts\u002Fclouds","「230717」云","我已经很久忘记了不我已经很少把自己的想法在lofter上发布的。","2023-07-17 20:00:00",[273,452],"散文",1795115926095]