Wiki 知识库

技术 / LLM

1284 篇
清除

上下文工程规则已变:Anthropic 删减 80% 指令的实践

Anthropic 工程师 Thariq Shihipar 分享了构建 Claude Code 的发现,团队删除了 80% 的系统提示词后性能未受损。文章介绍了“4层上下文审计”框架,指导如何清理常驻指令、记忆、知识文件等冗余信息,以适应新模型的高推理能力,避免过度指令导致的性能下降。

技术 › LLM AI Guides 2026-07-3021.6 KB 214.4K 155

如何利用 AI 让你变聪明而不是变笨

文章探讨了如何通过特定的提示词将 AI 从应声虫转变为思考伙伴。作者指出,AI 默认倾向于附和用户,这可能导致思维懒惰。为此,文章介绍了三个提示词:解构模糊概念的 Unbundle Prompt、构建最强反驳观点的 Steelman Prompt,以及模拟挑剔客户的 Secret Shopper Prompt,以此帮助用户通过对抗性思考来打磨观点,提升智力。

技术 › LLM Nicolas Cole 2026-07-308.5 KB 14.6K 104

BestBlogs 早报 · 07-29|MCP 无状态化与多智能体编排成本

本期早报探讨 MCP 协议的无状态核心变化与 Claude 的生产化接入,分析 Codex 与 ChatGPT Work 共用的执行框架差异,并审视多智能体并行中上下文搬运的隐性成本“编排器的税”。同时涵盖图工程、vLLM 商业化及 Uber 零增长架构等速览内容。

技术 › LLM ginobefun 2026-07-2921.4 KB 4.3K 3

做完一次总体设计后,我重新理解了企业级知识库

文章基于企业级智能知识库项目的实践,探讨了企业知识库的真正门槛。指出其不仅是文档存储,更是一套涵盖构建、治理、使用和优化的闭环运行机制。重点分析了知识库与知识空间的区别、知识生命周期管理、可信溯源及权限控制,强调知识库应作为支撑未来 Agent 的企业级 AI 知识引擎。

技术 › LLM 土猛的员外 2026-07-2919.3 KB 14.2K 106

Kimi K3 技术报告拆解:全球首个开源 3T 级模型

本文拆解了 Kimi K3 的技术报告,这是一个全球首个开源的 2.8 万亿参数模型。文章详细解析了其混合注意力架构、注意力残差机制、MoE 设计以及在长文本训练和推理优化上的创新。报告指出 K3 性能虽略逊于顶级闭源模型,但在多项任务中表现优异,且具有极高的成本效率,甚至已能辅助团队进行内核优化和芯片设计。

技术 › LLM Berryxia.AI 2026-07-2920.0 KB 393.1K 186

PagedAttention & RadixAttention

本文深入探讨了 PagedAttention 和 RadixAttention 两种技术。PagedAttention 通过类似操作系统的分页机制管理 GPU 内存,解决 KV Cache 的内部和外部碎片问题,显著提升并发处理能力。RadixAttention 则利用基数树索引缓存的前缀状态,实现跨请求的计算和内存复用,进一步优化推理性能。

技术 › LLM prasanna 2026-07-2814.4 KB 43.7K 565

GEO 流量密码因子之一:Fan-out Rank

本文深入解析了 GEO(生成式引擎优化)中的核心概念 Fan-out Rank。文章阐述了 AI 搜索通过查询改写和查询扩散将用户主查询拆分为多个子查询的机制,并详细介绍了如何利用 ICP 筛选出高价值的“金矿词”,以及通过结构化内容和外部信源建设来提升 GEO 流量的实操策略。

技术 › LLM 写增长的子木 2026-07-277.5 KB 3.8K 26

炸裂,Anthropic 给 Opus 5 删掉了 80% 的系统提示词

Anthropic 团队将 Claude Code 的系统提示词删减了 80%,但编码评测没有损失。文章指出,许多规则是为老模型打的补丁,已过时。最佳实践转向:用锚点代替禁令,用接口设计代替举例,以及渐进披露。建议开发者清理“拐杖”型规则,保留护栏与品味,用评测集支撑删除决策。

技术 › LLM 码良 2026-07-2514.6 KB 2.7K 15

如何让 Claude 像博士生一样研究:斯坦福 STORM 方法

文章介绍了斯坦福大学开发的 STORM 研究系统,该方法通过多视角提问和信息检索生成高质量文章。作者将其简化为 4 个提示词,让用户能在 5 分钟内利用 Claude 生成类似博士水平的深度研究报告,包含视角分析、矛盾映射、综合综述和自我评估。

技术 › LLM Nav Toor 2026-07-2411.3 KB 3.1M 5.3K

AI 安全综述:四种恐惧与证据的重量

文章深入探讨了 AI 安全领域的四种核心恐惧:滥用、日常失效、失控及结构性风险。作者区分了 Security 与 Safety 的概念,并以证据强度为线索,剖析了从生化武器制造、网络攻击到模型对齐造假等具体问题,强调舆论关注与真实风险之间的错位。

技术 › LLM snowboat 2026-07-2459.0 KB 8.1K 10