如何在 2026 年成为AI工程师
文章指出 2026 年 AI 工程师的门槛已变，不再看重学历，而是看重作品集与交付能力。作者拆解了 AI 工程师的三个核心能力：软件工程、LLM 使用及产品思维，并规划了一份为期 12 个月的六阶段实战路线图，涵盖 Python 基础、LLM API、RAG、Agent 系统开发、评估部署及求职准备。
全部文档 / 标签: LLM
1042 篇
私有知识库实战：查询改写、混合检索与重排优化 RAG
本文是私有知识库构建系列的第 3 篇，旨在解决基础 RAG 系统在短问题召回、关键词匹配及结果排序上的缺陷。作者详细介绍了通过 LLM 进行查询改写以补全上下文，利用 PostgreSQL 结合 Jieba 实现混合检索（向量+BM25），以及使用 RRF 算法融合检索结果，从而显著提升知识库的日常可用性。
我把斯坦福最火的一门课，做成了Prompt来帮我设计人生
本文作者受斯坦福课程《人生设计课》启发，设计了一套Prompt（提示词），利用Claude等AI模型辅助进行人生规划。该Prompt将书中“看清现状”、“找到指南针”、“寻路”、“奥德赛计划”等设计思维转化为四个阶段的AI对话流程。作者通过实测发现，AI的持续追问能有效帮助用户梳理内心潜藏的价值观与焦虑，最终生成包含人生蓝图、原型行动和失败免疫在内的深度分析报告。
全面对比 grill-me 和 Superpowers
文章深入对比了当前热门的两种 AI 编程工作流 grill-me 和 Superpowers。作者从设计初衷出发，分析了两者在多轮问答、需求对齐及执行计划上的差异。grill-me 假设开发者已有方案，通过大量提问完善细节；Superpowers 则通过 Brainstorming 引导方向，并引入多轮 Reviewer 保证质量。文章指出，选择哪种工具取决于模型的智能程度以及对长程任务处理的偏好。
阿里开源 Zvec：像 SQLite 一样极简的嵌入式向量数据库
阿里开源了一款名为 Zvec 的向量数据库项目，主打“纯本地、内嵌式”极简体验，号称向量界的 SQLite。该项目基于 C++ 编写，支持零配置安装，性能强悍（毫秒级搜索数十亿向量），同时兼容稠密、稀疏向量及全文检索。它非常适合本地大模型、RAG 和个人知识库开发，彻底免去了部署繁琐的后端向量服务。
从零到 AI 工程师的 4 个月速成路径
本文指出 AI 工程是当前增长最快的高薪职位之一，且学历门槛正在降低。文章为转行者规划了一条为期 4 个月的高效学习路径，强调跳过繁重的数学理论，专注于 API 调用、Prompt 设计和 RAG 等工程落地技能，并分析了常见的转型误区与市场机遇。
Hermes Agent 架构详细拆解：工业级 Agent 框架底层运行时揭秘
本文详细拆解了 Hermes Agent 的底层架构，将其定义为工业级运行时而非简单的 LLM 循环。文章类比前端工程模式，阐述了 Agent = Harness + Model 的核心公式。重点解析了从平台入口、适配器层、事件总线、GatewayRunner 核心调度层到 AI Agent 执行层的五层架构，揭示了 Hermes 如何通过共享线程池、会话复用和生命周期管理，实现高并发、有状态且安全可靠的 Agent 运行环境。
如何从头构建一个 RL 环境：以 Othello 游戏为例
本文介绍了如何使用 Prime Intellect 的 Verifiers 框架从零开始构建一个用于强化学习（RL）的 Othello（黑白棋）游戏环境。文章解释了 RL 循环的基本组成部分（状态、动作、奖励、环境），并利用 GRPO 算法替代传统的人工偏好模型。文中详细展示了技术栈、游戏循环逻辑以及内置的 Minimax 对手引擎代码，旨在帮助开发者理解并掌握构建模型无关的 RL 环境的核心方法。
2026年AI工程师全攻略（无CS学位）
本文阐述了在2026年如何无需计算机学位成为一名AI工程师。文章指出，当前的招聘市场更看重实际构建能力而非学历背景，并明确区分了AI工程师（系统集成与落地）与机器学习研究员（模型训练）的区别。作者提供了一套完整的学习路径（技术栈），包括Python、SQL、API集成、向量搜索、RAG及Agent框架等，并建议通过构建RAG应用、工具使用Agent及全栈部署产品这三个具体项目来证明能力，从而获得工作机会。
Fable 实战指南：如何发现与处理你的盲点
文章探讨了在使用 Claude Fable 5 进行 AI 辅助编程时，“地图”（提示词）与“领土”（实际代码库）之间的差异，即“未知数”。作者提出了将未知数分为已知的已知、已知的未知、未知的已知和未知的未知四个维度。为了解决这些瓶颈，文章详细介绍了在实施前通过“盲点排查”、头脑风暴与原型、访谈和引用参考四种模式来帮助 Claude 更好地理解上下文，从而提升 Agent 编码的质量。
Claude Code 官方循环工程入门指南
本文介绍了 Claude Code 中的“循环”概念，即智能体重复执行任务直到满足停止条件。文章详细讲解了基于回合、基于目标、基于时间和主动式四种循环类型，并提供了相应的使用场景与示例。同时，文章还分享了保持代码质量和管理 Token 用量的最佳实践，帮助开发者高效利用 Claude Code 完成复杂的自动化任务。
Agent 自治级别：从单一代理到多代理编排
本文探讨了智能体工程中从单一代理到多代理编排的演变，提出了一个新的双轴模型：代理自治和编排。文章详细介绍了从辅助级别到并行委托级别的六个自治层级，以及 Claude Code 和 Codex 等工具在实现不同级别上的具体应用。
AI 视频剪辑 Skill 分享：video-use
文章介绍了开源项目 video-use，这是一套面向 AI Coding Agents 的视频剪辑 Skill。其核心理念是让 LLM 通过“阅读转写文本”而非直接观看视频来理解内容，结合 ffmpeg 等工具实现自动化剪辑。文章详细阐述了从转写、打包、决策到渲染的完整技术流水线，并分享了包括分段拼接、淡入淡出、时移对齐等关键的工程实现细节与“铁律”规则，旨在实现生产级的视频自动化处理。
人工智能的工程全景（中）：推理，后训练，对齐和安全
本文是AI工程全景的中篇，深入探讨了模型训练完成后的工程化路径。首先详述了推理优化的核心手段，包括模型瘦身（量化、蒸馏、剪枝、MoE）、投机解码以及主流推理引擎（vLLM, TensorRT-LLM, SGLang）的生态格局。文章分析了成本、延迟与吞吐的“不可能三角”，并重点介绍了“测试时计算”这一范式转变，即通过在推理阶段增加计算量来动态提升模型智能。
人工智能的工程全景（下）：Agent 全解
本文是《人工智能的工程全景》系列的下篇，深入探讨了2025-2026年AI行业的竞争焦点——Agent工程层。文章从Agent定义的演变出发，区分了Workflow与Agent的本质差异，解析了ReAct架构与关键能力清单。重点介绍了Function Calling的工业化起点、MCP协议带来的工具调用标准化，以及Context Engineering与Harness Engineering在Agent系统构建中的核心地位。
2026 年，如何成为一名 AI 工程师（不卡学历）
本文提供了 2026 年成为 AI 工程师的 12 个月路线图。作者区分了模型研究员与 AI 工程师，强调后者更看重实战能力而非高学历。路线图涵盖 Python 基础、大模型 API 调用、RAG 系统构建、Agent 开发以及 MLOps 评估与部署。通过完成三个核心项目（RAG 应用、多 Agent 系统、带监控的上线系统），建立能胜任工作的作品集，即使没有 CS 学位也能入行。
OPENAI 的反思：PRD 没死，PM 别砍
本文基于 OpenAI Codex 负责人 Andrew Ambrosino 的播客访谈，探讨了 AI 时代下产品管理与开发流程的反思。文章指出 PRD 未死，关键在于选对媒介；反对盲目裁撤 PM，强调学科积累的最佳实践不应被抛弃。Andrew 提出角色应由实际交付内容定义，而非头衔。他警示人们应与结果而非流程结婚，在 AI 降低实现成本的当下，人的判断力、品味与经验变得更为昂贵和稀缺。
LLM 推理原理详解：从 Prefill 到 Decode
本文深入解析了大语言模型（LLM）推理的计算流程。文章指出，LLM 推理主要包含 Prefill（处理提示词，计算密集型）和 Decode（逐词生成，显存带宽密集型）两个阶段。作者详细阐述了分词、Embedding、Transformer 层及 KV Cache 的工作原理，并分析了 KV Cache 带来的内存挑战及 vLLM 的优化方案。最后，探讨了 DeepSeek-V4 等新架构通过重新设计注意力机制来从根本上压缩 KV Cache 的创新思路。
Karpathy's Agentic Engineering Finally Has Proper Tooling
文章介绍了 Google 发布的 Agents CLI 工具，它填补了 Karpathy 所定义的“代理工程”中的工具链空白。该工具将脚手架搭建、评估循环和部署整合到一个工作流中，并将 7 种核心技能注入到 Claude Code、Cursor 等编码 Agent 中。作者演示了如何利用该工具从零开始构建、评估、部署并注册一个企业级 RAG Agent，实现了仅通过自然语言指令即可完成从开发到生产环境的全生命周期管理。
Horizon：开源 AI 新闻雷达，打造你的专属双语日报
介绍了一款名为 Horizon 的开源 AI 新闻雷达工具。该工具支持抓取 HN、Reddit、GitHub 等多平台一手信息，利用大模型自动打分、去重、总结，并生成中英双语日报。支持 Docker 一键部署及多种订阅方式，旨在解决信息过载和二手信息泛滥的问题。
Gemini预训练负责人总结：如何进入头部AI团队的10条经验
Gemini预训练团队负责人撰文分享如何进入头部AI实验室。文章指出顶尖人才普遍具备方向准、数学硬、拼劲足三大特质。针对普通人，作者建议避开正面竞争，转而在底层优化或上层Agent系统发力，强调了开源项目、数学基础、动手复现及长期坚持的重要性。
30 分钟给你的 Agent 搭好永久记忆
本文介绍了一种为编码 Agent 添加持久记忆的轻量级方案。针对 Agent 上下文窗口有限且容易遗忘历史信息的问题，作者选择了开源项目 EverOS。与传统的黑箱向量数据库不同，EverOS 将记忆存储为本地 Markdown 文件，透明且可编辑。文章详细讲解了从环境准备、安装初始化到验证记忆写入与检索的全过程，帮助开发者在半小时内赋予 Agent 跨会话的长期记忆能力。
构架师教程：Foundation Engineering —— 祛魅 Loop Engineering
文章深刻剖析了被神化的“Loop Engineering（循环工程）”，指出其实质是古老的闭环控制系统。作者强调，随着AI执行能力的普及化，“怎么写”已不再重要，真正的稀缺能力是定义“什么算对”的判定标准（立法能力）。文中提出了“Maker/Checker分离”、“判定证据路径”以及“颗粒度决定成败”等核心观点，并用TSC（类型系统）作为最冷酷的判定工具，揭示了AI时代地基工程的关键在于用确定性约束去驾驭不确定的执行机构。
构建生产级 AI 系统必须掌握的 6 个核心概念
本文由作者因遭遇 AI 智能体失控产生高昂费用的经历引出，旨在阐述构建生产级 AI 系统必须掌握的核心概念。文章提出了 AI 系统的通用公式：记忆（RAG）+ 思考（LLM + Tokens）+ 行动（Agents）+ 测量（Evals）。文中重点解析了 Tokens 与上下文窗口的成本与限制、嵌入向量与语义搜索的原理、RAG 检索增强生成的正确姿势、智能体循环中的工具使用与停止条件等关键技术细节，帮助开发者从“调参侠”进阶为真正的 AI 工程师。
构建 Agent 技能的自我改进循环
本文介绍了如何通过“自我改进循环”提升 Agent 的技能质量。作者以 Issue 分类为例，展示了如何构建双层循环架构：内层循环负责执行具体的分类任务，外层循环则根据人工反馈自动调整技能代码。利用 GitHub Actions 和云代理平台，系统能持续从历史交互中学习并优化自身。
AI内容创作的地基：信息源建设指南
本文阐述了高质量信息源是 AI 内容创作的核心基础，指出 AI 内容质量取决于输入信源的质量。文章系统梳理了 9 类通用信息源（如 X 关注列表、必读书籍、论文库、产品平台等），并以 AI 领域为例，详细列举了值得关注的大佬、书籍、博客、播客及 YouTube 频道，为构建 AI 知识库提供了详尽的参考清单。
The 9-Step Loop That Turns Claude Code Into a Senior Engineer
文章指出大多数开发者像使用初级工程师一样使用 Claude Code，缺乏有效的流程。作者提出了一套利用 Claude Code 内置原语（Plan Mode、Subagents、Hooks 等）构建的 9 步闭环流程，旨在模拟资深工程师的工作方式。该流程强调在编写代码前先探索代码库并制定计划，使用 CLAUDE.md 固化标准，利用 Hooks 强制执行不可协商的规则，并通过独立 Agent 进行代码审查，从而实现高质量、自动化的代码交付。
Factory 2.0: 从编程代理到软件工厂
文章探讨了软件工程的下一个阶段：软件工厂。该系统通过整合 AI 智能体，实现从需求到部署的端到端自动化闭环。文章强调了模型独立性、主权智能和持续学习的重要性，并指出工程师的角色将从单纯的代码编写者转变为构建自动化系统的架构师。
为什么你学了很多 Agent 工具，还是做不出真正可用的 Agent？
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
如何从零开始构建自己的大语言模型 (LLM)
文章揭秘了 GPT、Claude 等 LLM 背后通用的五阶段构建流程，指出数据质量而非架构才是核心。作者详细阐述了数据清洗、分词、训练目标（预测下一个 Token）及 Transformer 架构实现，并提供了包含 Tokenizer 和 PyTorch 模型的代码示例。