聊聊分镜这件事：4张图怎么变成一段故事
文章探讨了AI视频创作中常见的“PPT感”问题，指出核心在于缺乏分镜思维而非图片质量。作者提出了适合AI创作者的导演视角，强调通过设计空间、主体、变化和结果来连接镜头。文中详细解析了景别的情绪功能、切镜的逻辑标准，并提供了一个实用的5镜头叙事结构，帮助创作者提升作品的连贯性与故事感。
技术 / LLM
1286 篇
开源大模型越狱：从理论到工程实现的完整指南
本文详细介绍了针对开源大模型（如Gemma-4-31B）进行“越狱”的技术原理与实操流程。不同于闭源模型的提示词工程，开源模型越狱（Abliteration）通过修改权重直接抹除模型内部的“拒绝维度”。文章涵盖了从构建对比数据集、提取激活值、计算拒绝向量、权重正交化到最终验证的完整步骤，并指出了过度顺从等副作用及相关的法律伦理风险。
搞懂缓存机制，从Gemma4到Claude Code省80%Token
文章通过本地 Gemma4 实验发现大模型对话中存在 100 倍加速的现象，深入剖析了 Transformer 的 KV 缓存原理，并逆向分析了 Claude Code 的精密缓存工程。文章解释了为何连续对话比频繁开启新 Session 更省钱，指出破坏缓存的关键行为（如切换模型、修改 System Prompt），并提供了保护缓存以节省 80% Token 的具体使用姿势。
一文彻底打通AI底层逻辑：从LLM到Agent核心概念拆解
本文是一篇基于工程视角的AI技术硬核解析，旨在厘清从LLM大模型到Agent智能体的核心概念体系。文章深入浅出地拆解了LLM的文字接龙本质、Tokenizer的翻译机制、上下文窗口的容量限制，以及Prompt工程、MCP工具协议和Agent技能的运作原理，帮助读者建立完整的底层技术认知。
如何为 Seedance 2.0 编写提示（并真正获得你想要的结果）
文章详细介绍了 Seedance 2.0 AI 视频生成工具的提示词编写技巧。该版本采用新的导演式提示词框架：主体+动作+镜头+风格+限制条件，支持多模态输入。文章通过电子游戏、动画、时尚、UGC、动态设计和商业广告六个具体案例，展示了如何精准控制镜头角度、灯光节奏和视觉风格，以生成高质量的AI视频内容。
Karpathy 的 LLM Wiki：为何爆火与深度解析
文章深入分析了 Andrej Karpathy 提出的“LLM Knowledge Bases”概念。Karpathy 批评了当前 RAG 模式缺乏知识积累的痛点，提出由 LLM 维护的一组持久化 Markdown Wiki 作为替代方案。文章拆解了该方案的“原始资料、Wiki层、规则层”三层架构，以及“摄入、查询、健康检查”的操作模式。作者结合 EverMind Memory 的产品视角，探讨了这一模式从单次交互向积累能力转变的行业趋势，以及“Idea File”作为新知识传播单位的潜力。
Codex 团队如何用 AI 重构产品开发流程
本文是 OpenAI Codex 产品负责人 Alexander Embiricos 和开发者体验负责人 Romain Huet 的访谈实录。文章详细介绍了 Codex 团队如何利用 AI Agent 重构产品开发模式：规格文档仅 10 个要点、不做中期规划、PM 职能转变为“填空人”。文章还探讨了在模型能力快速迭代的背景下，如何通过“海盗船”式的敏捷团队运作，以及通过 Codex App 将开发者工具推向大众的趋势。
Karpathy 最新分享：用 LLM 搭建个人知识库，告别 RAG 的低效循环
文章介绍了 Karpathy 提出的 LLM Wiki 方法，旨在解决传统 RAG 检索缺乏知识沉淀的问题。作者详细演示了如何在 Obsidian 中落地该方案，包括使用插件采集素材、配置图片本地化、利用图谱视图发现盲区、结合 Dataview 生成报表、使用 Marp 制作幻灯片，以及通过 Git 进行版本管理。核心思想是让 AI 承担繁琐的整理与维护工作，人类专注于思考与决策，从而构建持久增殖的个人知识库。
AI算命：闷声发大财的百亿市场与商业机会
文章深入分析了 AI 算命赛道的商业潜力。通过国内外案例（如 Astrotalk、Moonly、测测 App）揭示了“咨询+复购+周边”的闭环模式。文章指出，AI 极大降低了供给成本，而焦虑带来了高复购率。作者总结了可视化产品、AI+真人混合服务、后端周边商品、出海溢价及 B 端工具五大异常值机会，并提供了八字命理提示词实战案例。
美国 AI 圈领军人物对子女路径的结构共识：焦点已切换
文章分析了多位美国 AI 领域高管对其子女未来职业发展的建议。共识在于：未来不是技能竞赛，而是判断层级竞赛。高管们普遍不押注“具体技能”（如编程、提示词工程），而强调“结构能力”，包括通识教育、元认知、适应力以及最重要的——承担责任。核心观点是 AI 无法承担责任，稀缺性将从“认知能力”转向“信任能力”，未来的关键在于建立世界模型、提高判断密度并站在责任位置上。
把同事作为Skill
文章由GitHub项目“同事.skill”切入，探讨了利用AI将离职同事的聊天记录和文档蒸馏成数字技能的赛博朋克现象。作者分析了其背后的技术架构（Work Skill与Persona双层设计），以及由此引发的职场焦虑。核心观点指出，重复性工作终将被自动化，但人的迭代能力和面对未知时的直觉无法被代码定义。作者主张“主动蒸馏自己”，将重复流程交给AI，从而让自己专注于创造与进化，在数字时代构建不可替代的护城河。
如何提高 RAG 32x 的内存效率（附代码说明）
本文介绍了利用二进制量化技术将 RAG（检索增强生成）系统内存效率提高 32 倍的方法。作者以 Perplexity 和 Azure 为例，详细展示了如何使用 Llama Index、Milvus 向量数据库和 Groq 托管的 Kimi-K2 模型构建系统。该系统可在 30 毫秒内查询 3600 万个向量，并在 1 秒内生成响应。文章提供了从数据加载、生成二值嵌入、向量索引到检索生成的完整代码实现。
你不知道的大模型训练：原理、路径与新实践
本文深入探讨了大模型训练的全链路流程，指出2026年模型效果的差距主要源于后训练阶段。文章从预训练底座、数据配方、系统架构约束、后训练（SFT/RLHF/DPO）以及 Eval/Reward 机制五个维度，解析了如何通过工程化手段提升模型实际落地效果，并引用了 DeepSeek、Llama 等实例。
Gemma4 选型指南：8个模型该选哪个？
Google 发布 Gemma4 系列开放权重模型，本文为本地部署选型指南。文章解析了 '-it' 指令微调版与基版的区别，以及 E4B/E2B 移动端优化技术（Per-Layer Embeddings）的原理。针对不同场景推荐模型：本地对话选 26B-A4B（MoE 激活 4B）；写代码选 31B；语音助手选 E4B；树莓派尝鲜选 E2B。
如何写出让AI秒懂的好提示词？手把手教你避开3大天坑
文章指出AI输出质量差往往源于提示词编写不当，并总结了三大常见误区：信息缺失、格式空白和贪心过多。作者通过实战案例对比，详细讲解了如何通过明确角色、补充背景、量化目标、限制格式和反向约束来优化提示词，从而实现从“废话连篇”到“精准输出”的跨越，大幅提升使用效率。
100 小时深入基米：揭秘 Moonshot AI 的极客文化与生存法则
本文通过100小时的内部观察，深入剖析了Moonshot AI（Kimi）独特的企业文化与生存状态。文章记录了公司如何在DeepSeek崛起的压力下调整战略，强调了“模型能力”至上的原则。作者揭示了该公司偏爱具有“概括能力”和“品味”的天才型员工，实行无KPI、无层级的扁平化管理，并详细描述了年轻员工在高强度跨领域工作中的成长与焦虑。这不仅是一家初创公司的生存侧写，也是对AI时代人才组织模式的深刻探讨。
12G 显存，够吗？——消费级 GPU 上做 LLM 算法研究的完整路线
本文探讨了在只有 12G 显存的消费级 GPU 上进行大语言模型（LLM）算法研究的可行路线。文章指出资源限制本身可以成为研究的起点，并重新定位了研究方向为对小模型的训练算法与适配方法做贡献。文章详细计算了 12G 显存的实际边界，提出了三条可行路线（训练算法优化、结构改动、RL/推理），并介绍了如何利用 HuggingFace 生态（包括官方 Model Trainer Skill）来搭建实验环境、选择模型以及设计严格的三层验证实验（机制验证、扩展验证、现实落地）。
为什么程序员钟爱Codex，Vibe Coding的人却离不开Claude？一文弄懂它！
文章深入探讨了 AI 辅助编程领域中 Codex 与 Claude 的差异化定位。Codex 采用 MoE 架构，以模块化和高精准度成为传统程序员修复 Bug 和重构代码的利器；而 Claude 基于 Dense 架构，凭借全脑激活的细腻逻辑和对自然语言的深度理解，成为“Vibe Coding”用户进行创意原型开发的首选。文章最后建议在实际工作流中混合使用，取长补短。
国内免费 API 渠道汇总
文章整理了国内主流大模型平台的免费 API Token 渠道，包括智谱 AI、Moonshot、MiniMax、讯飞星火、腾讯云、阿里云百炼、硅基流动等。作者详细列出了各平台的新用户注册赠送额度、有效期内包含的模型种类（如 GLM、Kimi、DeepSeek 等），并针对开发者提供了接入 OpenClaw 等工具的建议。文末还提醒用户注意实名认证要求及额度有效期，避免超额扣费。
NotebookLM：斯坦福与纽大教授的学术研究革命
文章详细介绍了纽约大学、斯坦福等顶尖学府的教授如何利用Google NotebookLM完成从课程构建到学术研究的全流程革新。通过上传整个阅读清单、利用深度研究功能和音频生成，教授们将原本需要数周的课程准备和文献综述工作缩短至数小时。这一工具不仅极大提升了教学效率，也改变了学生的学习体验，被视为学术研究20年来最大的转变。
长时间运行的应用开发中的编排框架设计
本文探讨了如何通过改进编排框架来解决 Claude 在长时间运行任务（如前端设计和全栈开发）中的局限性。作者受 GAN 启发，设计了包含规划器、生成器和评估器的多智能体架构。通过引入上下文重置机制、制定明确评分标准以及分离生成与评估环节，该框架成功实现了自主构建高质量全栈应用的能力，显著优于单智能体模式。
从构建 Claude Code 中汲取的经验教训：提示缓存至关重要
文章详细阐述了提示缓存在构建 Claude Code 等 AI 代理中的关键作用。核心经验包括：利用前缀匹配机制规划缓存、通过消息传递更新而非修改系统提示以保持缓存、避免中途切换模型或工具、以及利用“延迟加载”和“缓存安全分叉”等技术优化上下文管理。围绕缓存设计系统架构能显著降低延迟与成本。
LLM 中的 KV 缓存机制详解
文章深入解释了大型语言模型（LLM）中的 KV 缓存技术。作者指出，LLM 生成文本时首个令牌较慢而后续令牌迅速的现象，归功于 KV 缓存的工程优化。该技术通过存储已计算键值向量，避免在自回归生成过程中的冗余计算，以 GPU 内存为代价换取显著的计算加速。文中详细解析了注意力机制的冗余问题、KV 缓存的工作原理、首令牌延迟（TTFT）的产生原因，以及内存与计算资源之间的权衡取舍。
打造多顾问思维系统：在AI中集成德鲁克、乔布斯与马斯克
文章作者分享了如何利用 AI 构建一套独特的个人工作系统。他将德鲁克、乔布斯、芒格、巴菲特、原研哉和马斯克六位大师的思维模型，封装成不同的 Agent 顾问，分别负责商务增长、产品设计、系统架构、投资决策、商业聚焦和执行推动。作者通过这套系统解决了认知局限，提升了决策质量和执行效率，并详细展示了系统的架构设计和运行逻辑。
克劳德提示大师班：如何获得精英级成果
本文是一份关于如何高效使用 Claude 模型的实战指南。作者指出提示工程是当下最值得学习的 AI 技能，并详细剖析了缺乏上下文、指令含糊和不迭代这三大常见陷阱。文章基于 Anthropic 官方文档，总结了构建优秀提示的五大要素，并分享了结构化提示、反向提示、深度思考触发等高级技巧，旨在帮助用户掌握与 AI 沟通的艺术，从而获得高质量的输出结果。
Claude 对话框变成了可视化工作台：Interactive Charts 实战指南
文章介绍了 Claude 的 Interactive Diagrams & Charts 功能，允许用户直接在对话框中渲染可交互的图表、动画和播放器，无需跳转或下载。作者通过六个实战场景展示了该功能的用法，包括教程可视化、数据图表生成、时序图绘制、项目甘特图制作、方案对比组件以及音频可视化。文章还分享了编写 Prompt 的技巧和注意事项，强调该功能作为快速生成可视化工具的低摩擦优势。
67个AI编程必会知识，1.6w字一次讲透！
本文是程序员鱼皮撰写的 AI 编程术语词典，旨在用通俗易懂的语言解释 Vibe Coding 和 Agentic Engineering 中的核心概念。文章详细涵盖了 AI 基础（如大语言模型、Token、上下文窗口）、提示词工程（如系统提示词、思维链）、以及前沿的智能体编程模式（如 Agent Teams、Subagents）。这是一份帮助开发者理解 AI 编程逻辑、掌握新范式的必读指南。
提示词救不了平庸的 AI 写作
文章指出 AI 写作的质量关键不在于提示词，而在于素材质量、模型能力和审稿能力。作者将 AI 写作比作做菜，认为只有提供高质量的素材（食材），选择顶级的模型（厨艺），并具备优秀的审稿能力（试菜），才能产出优质内容。提示词仅相当于调料，只能起到锦上添花的作用。
人们只会做他们已经在做的事——Claude Code 背后的产品哲学
文章记录了 Claude Code 创始人 Boris Cherny 在 YC 播客中的对话，回顾了该产品从终端原型发展至年化收入 10 亿美元的历程。Boris 分享了 Anthropic 的产品哲学，包括挖掘潜在需求、不为当下模型构建而押注未来模型进化的理念。文章深入探讨了 Plan Mode 的技术实现、多 Agent 协作模式（如“Mama Claude”）以及 AI 对编程效率的颠覆性提升，指出传统软件工程师角色将随着 AGI 的发展而逐渐消亡。
高中辍学生靠 ChatGPT 自学成才成了 OpenAI 的研究科学家
本文讲述了 Gabriel Petersson 从高中辍学凭借 ChatGPT 自学数学与机器学习，最终成为 OpenAI Sora 团队研究科学家的经历。他主张“自上而下”的递归学习法，认为教育效率低下。文章还分享了他作为辍学生通过 Demo 求职、利用 Stack Overflow 申请 O-1 签证的独特路径，以及对传统大学教育和职场招聘的犀利观点。