技术栈：Obsidian · AI Agent 框架 · SQLite FTS5 · Python

让这颗大脑真正有用的东西，叫 Harness：套在 LLM 外面的运行时脚手架，给它装上感官、双手和记忆。事件接入、Agent 编排、持久化状态、自愈循环、可观...

在人工智能发展史上，2026年被视为大语言模型（LLM）从“技术奇点”转向“产业奇点”的关键节点。这一转变的核心驱动力已不再仅仅是模型参数规模的线性扩张，而是围...

设想你和一个 AI 助手聊了三个月。某天你问它：「我朋友 Caroline 七月那会儿在忙什么来着？」

这个问题听起来既科幻又有点危险。它指向 AI 圈子里一个长期被搁置的概念——Recursive Self-Improvement（RSI，递归自我改进）。它由 ...

让我们先看看主流 Video LLM 的标准架构：一个 Vision Transformer 把视频逐帧编码成 token，对齐到 LLM 的 embeddin...

过去两年，让大模型"会思考"的主流路径是 Chain-of-Thought：模型在给答案前先把推理过程一段段地"说出来"。它有效，但也有清晰的代价——输出越长，...

那个高维空间，就是这两年"机制可解释性""激活引导""latent reasoning"都在围着转的 latent space。要真正看懂今天的 LLM，你必须...

Schema（行为约束层） —— 决定页面命名规则、新建时机、引用规范、矛盾处理方式。没有 Schema，LLM 只是写作者；有了 Schema，LLM 才是知...

很多人一提到 Agent，第一反应就是：给大模型接上搜索、数据库、浏览器、代码解释器，再加几个 API，它不就能自己干活了吗？

长期以来，研究者们一直盯着 Transformer 结构中那个最“臃肿”的部分——前馈网络（FFN）。在现代 LLM 中，FFN 占据了超过三分之二的参数量和 ...

今天，我们要深入探讨一个大语言模型（LLM）领域的核心议题：后训练（Post-Training）。当我们谈论让一个基础模型（如Llama、Qwen）变得更强大、...

RL4LLM（Reinforcement Learning for LLM）的初衷是好的：通过奖励信号，引导模型生成更高质量的推理过程。然而，由于LLM训练的复...

今天，我们要深入探讨一篇来自微软研究团队的重磅论文。如果你也对大语言模型（LLM）的未来充满期待，同时又对其惊人的计算成本感到忧虑，那么这篇论文绝对不容错过。它...

就在我们似乎陷入僵局时，一篇来自清华大学与字节跳动合作的论文《MemAgent: Reshaping Long-Context LLM with Multi-C...

LLM Agent，这个概念大家可能已经不陌生了。它就像一个拥有超级大脑（LLM）的“数字员工”，能够自主规划、调用工具（如搜索引擎、计算器、代码执行器），一步...