如何像 MIT 和斯坦福的学生一样，用 Kimi 写完整篇研究论文
文章介绍了利用 Kimi AI 超长上下文窗口（100万 token）的 6 步工作流，辅助完成研究论文写作。通过一次性上传海量文献，可快速完成文献梳理、空白挖掘、综述撰写、方法论论证及逻辑检查，将原本需数月的前期准备压缩至一周。
全部文档 / 标签: LLM
1042 篇
利用 Claude 直接分析 YouTube 视频与 PDF 的实操指南
本文介绍了在 2026 年 5 月利用 Claude 分析 YouTube 视频和 PDF 的最新工作流。通过上传 PDF 并粘贴视频字幕，用户可以在 60-90 秒内完成原本需要数小时的交叉分析。文章详细阐述了三种核心模式（视频优先、平衡检查、分层专家审查），并提供了具体的操作步骤、提示词构建技巧及常见误区规避方案。
Claude Code新版本 + CodeGraph + MCP 组合拳！大型代码库直接起飞！
文章介绍了Claude Code 2.1.142、CodeGraph与MCP的“组合拳”方案，有效解决了大型代码库探索中tool call过多、上下文爆炸等问题。通过CodeGraph构建语义知识图谱，结合MCP持久化记忆与新版优化，实现了Tool call减少92%、代码探索速度提升71%的显著效果，并提供了详细的安装配置流程与实战场景指南。
How to Become a Hermes Agent Operator
本文介绍了由 Nous Research 开源的高杠杆 AI 框架 Hermes Agent。文章详细阐述了其架构（大脑、个性、技能集）、具备记忆与自学习能力的闭环机制，以及如何从单机部署扩展为 VPS 上的自动化营销团队。作者分享了将其作为营销基础设施的实际经验与配置指南。
Agent 工程的四个深坑：Demo 到生产没有捷径
作者分享了将 AI Agent 从 Demo 推向生产环境过程中遇到的四个“深坑”：Function Calling 的不可预测性需加代码校验兜底；多步任务必须引入状态机和 checkpoint 防止重复执行或死无对证；记忆管理需分层以解决 token 爆炸和“丢失中间”问题；权限控制是最大风险，需防范 prompt injection 并建立分级审计机制。
Claude Code 在大型代码库中的运作方式：最佳实践与入门指南
文章深入探讨了 Claude Code 如何在大型代码库（如单体仓库、遗留系统）中高效工作。与依赖过时索引的 RAG 工具不同，Claude 采用代理式搜索遍历本地文件系统。文章指出，工具链（包括 CLAUDE.md、钩子、技能、插件、MCP 服务器和 LSP 集成）对性能的影响往往大于模型本身。通过建立正确的上下文层次和渐进式采用策略，团队可显著提升开发效率。
Agent Hooks: 为 Agent 工作流引入确定性控制
文章介绍了 Agent Hooks 机制，旨在解决 Agent 工作流中不可控的问题。通过在生命周期的特定节点（如 SessionStart, PreToolUse 等）挂载自定义处理器，开发者可以强制执行策略、校验操作并记录状态。Hooks 将特定的规则检查从依赖模型记忆转变为显式的确定性控制，弥补了仅使用 Prompt 指令的不足。
终极指南：Attention 机制、QKV 与 KV Cache
本文深入剖析了 AI 领域核心的注意力机制。文章回顾了 Attention 从早期神经机器翻译到 Transformer 架构的演变历史，详细解析了其解决固定长度向量瓶颈的原理。同时，通过图文并茂的方式，逐步拆解了从 Embedding 到上下文表示的过程，重点阐述了 Queries、Keys、Values (QKV) 机制的运作逻辑及其在现代大模型中的关键作用。
AI 社会工程学：200 美元引发的信任危机
文章探讨了 AI 技术如何将社会工程学（骗术）的门槛从“十年经验”降至“200 美元”。通过语音克隆和 FraudGPT 等工具，诈骗已实现规模化和工业化。作者指出，AI 社会工程学不仅带来了巨大的经济损失，更深层地破坏了社会的信任基石，导致社会运转成本剧增，我们已身处一场全新的战争。
代理型 AI 经济入门指南
文章介绍了 AI 代理经济的现状与未来。通过 OpenClaw 和 Claude Code 等案例，阐述了软件构建方式从聊天机器人向自主任务型 AI 的结构性转变。虽然技术潜力巨大（如 Anthropic 收入暴增），但实际部署中仍面临频繁失败的风险。文章提出了一个五层框架来分析代理技术栈，探讨了价值积累与商品化的分布，并指出技术可能性与实际部署之间的差距即是投资机会。
别再让你的 Claude Code 裸奔了，4 套 Agent Harness 总有一款适合你
文章指出 Claude Code 直接使用存在上下文腐烂、缺乏流程约束等工程问题，提出利用 Harness（Agent 系统架构）来规范 AI 行为。作者详细对比了四套方案：Super Powers（纪律层）、GSD（上下文层）、G-Stack（角色层）和 Archon（编排层），并分析了各自的适用场景、优缺点及实施代价，建议开发者根据需求循序渐进地搭建 AI 开发工作流。
Codex CLI 内存机制详解
文章深入解析了 OpenAI Codex CLI 的内存架构，该工具通过本地 Markdown 文件异步生成和汇总记忆。文章详细介绍了记忆的写入与加载流程，指出其缺乏向量数据库、仅依赖关键词匹配及受限于本地文件系统等局限。最后，文章引入 Mem0 作为解决方案，通过 MCP 协议提供跨机器、跨工具的持久化智能记忆层，解决原生功能在扩展性和同步方面的不足。
Hermes Agent Masterclass：架构详解与实战指南
本文是 Hermes Agent 的深度教程。Hermes 是一个能够在使用中不断自我进化的 AI Agent，与 OpenClaw 等其他 Agent 不同，它具备跨会话记忆、自编写/修剪技能以及通过 GEPA 引擎进行离线验证的独特能力。文章详细剖析了其包含 SOUL.md 身份层在内的三层记忆系统，并指导读者如何从零配置运行多个具备独立个性的 Agent。
从 0 开始：用 Hooks 打造自动化 Claude Code 工作流
文章深入介绍了 Claude Code 的 Hooks 机制，这是一种在 Claude 生命周期固定节点自动执行 Shell 命令的功能。通过配置 PostToolUse、PreToolUse 等五个关键事件，开发者可以实现自动格式化、拦截危险命令、发送桌面通知和强制 Git 提交规范等自动化流程。文章提供了具体的配置示例和代码，建议将关键流程从 Prompt 转移到环境机制中，以确保代码质量和开发效率。
AI Agent 记忆机制原理与实战解析
文章深入浅出地讲解了 AI Agent 记忆系统的工作原理，从基础的单会话与多会话记忆保持切入，引出 Google 提出的情景、语义与程序性记忆三分法。通过对比 OpenClaw 的实现方式与存在的问题，重点剖析了企业级方案 EverOS 的架构。EverOS 将记忆细分为六大类，并通过语义巩固、主动上下文重建等技术优化记忆的抽取、更新与检索。文章还包含 EverOS 的 API 调用示例及 20 个真实落地场景，为开发者提供了 Agent 记忆系统的全景指南。
当知识廉价时，洞察力至关重要：杰文斯悖论在妥拉学习中的应用
文章引用经济学家杰文斯关于煤炭的悖论，指出效率的提升会导致需求的爆炸性增长，而非减少。作者将此逻辑应用于AI时代的犹太经典学习：尽管大语言模型（如Yochai）大幅降低了获取传统知识的门槛，但这并不会取代拉比，反而会释放对“洞察力（Chiddush）”的巨大需求。当获取知识的成本极低时，瓶颈转移到了从旧材料中产生真知新见的能力上，而这才是学习的终极目的。
Karpathy 把 HTML 这件事讲到了神经科学层面，但他留了两个口子
本文分析了 Andrej Karpathy 关于 LLM 输出 HTML 格式的观点。Karpathy 从神经科学角度指出，视觉是 AI 偏好的输出，HTML 是通往未来“神经模拟”的必经之路。作者结合自己的观察，对比了用户行为与科学原理的异同，并提出了 Karpathy 未尽的两个观点：一是输入端（人机交互）的滞后，二是 HTML 可能因工程上的局部最优而长期存在，不仅是过渡方案。
Claude 多智能体系统：从零到单人运行 4 个智能体的完整指南
本文详细介绍了如何利用 Claude 构建一个多智能体系统。文章主张专家团队的表现优于单打独斗的通才，通过设立研究、生产、质量和分发四个专门的智能体，配合一个主编排器，可以实现高效的并行工作流。文中提供了从环境搭建、文件夹结构配置到首个研究智能体的系统提示词（Prompt）编写的完整实操指南。
全奖 PhD，硅谷十一年，startup 上市了。AI 来了，我失眠了。
文章讲述了作者作为拥有全奖 PhD 背景的硅谷工程师，在 AI 时代下的职业焦虑与转型。虽然曾参与上市 Startup 并拥有十余年技术积累，但面对 Claude 等 AI 工具的强大生产力，作者一度感到迷茫。随后，作者利用 AI 实现了个人生产力的飞跃，独立开发了 6 款产品，并深入探讨了 AI 对硅谷工作流、初级工程师生存空间以及职业断层的深刻影响。
SkillOS 详解：自进化 Agent 的技能策展机制
文章详细解读了 Google 关于 SkillOS 的最新论文。SkillOS 是一个帮助 LLM Agent 通过管理可复用“技能”来实现自我进化的框架。该框架包含一个冻结的 Agent Executor 和一个可训练的 Skill Curator，后者利用强化学习（RL）从执行轨迹中自动提取、更新或删除技能，从而实现从经验到技能的转化。
深度拆解：AI Agent Harness 的构造
文章深入探讨了“AI Agent Harness”的概念，即包裹在大语言模型之外、使其转变为智能体的完整软件架构。作者详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、工具、记忆、上下文管理等），对比了 Anthropic、OpenAI 和 LangChain 的不同实现路径，并指出 Harness 工程是决定 AI 应用性能的关键。
如何构建一个每月20美元完成5人工作的AI智能体（完整教程）
文章介绍了一套完整的多Agent系统架构，旨在通过构建5个专业化AI智能体（研究、内容、客服、运营、分析），替代初级到中级员工的工作流程。文章详细阐述了每个Agent的Prompt设计、N8N工作流自动化配置及Voice Profile（语音档案）提取方法，强调以专业化分工替代通用AI，实现高效、低成本的业务自动化。
基于 HyperFrames 构建 LLM 驱动的视频生成应用
文章介绍了如何利用 HyperFrames 和 LLM（大语言模型）构建低成本的视频生成系统。作者对比了传统图像生成模型（高昂成本、易产生幻觉）与基于代码生成（HTML）的方法，展示了如何以极低成本（低至 $0.02）生成可编辑的视觉故事。文章详细阐述了技术栈（Next.js, Vercel, AI SDK）和应用场景，如动画日志、数据视频化等。
LoRA - LLMs 的低秩适配详解
文章详细介绍了 LoRA (Low-Rank Adaptation) 技术，这是一种用于高效微调大型语言模型的方法。通过冻结原始权重并学习两个极小的低秩矩阵，LoRA 能够在保持模型性能的同时，大幅降低显存占用、训练成本和存储空间。文章还解释了 LoRA 的核心数学原理、具体实施步骤以及为何全量微调成本高昂的原因。
非向量 RAG 框架 PageIndex：用 LLM 推理替代 Embedding
文章介绍了 VectifyAI 开源的 PageIndex 框架，这是一种不使用向量嵌入的 RAG（检索增强生成）方法。它通过构建文档的层次树结构，利用 LLM 的推理能力来精确定位答案页面。该框架在 GitHub 获得了超过 2.9 万星，其构建的 Mafin 2.5 在金融问答基准测试中取得了 98.7% 的高准确率。
Build Your First Agent
文章旨在通过简洁易懂的语言，帮助初学者在一下午的时间内构建第一个 AI Agent。作者指出 Agent 本质上是一个包含模型、工具集和循环的简单程序，并提出了“四步构建法”：定义目标、列出工具、选择运行时、编写系统提示。此外，文章还分享了五条实用规则（如展示工作过程、使用计划模式等）以避免常见陷阱，并列举了适合初学者的实践项目，强调构建 Agent 的核心在于理解其循环逻辑。
如何构建 Agent 平台
文章以云计算和数据平台的发展史为鉴，指出 Agent 时代正从分散走向整合。作者提出构建统一的 Agent 平台至关重要，该平台包含 Runtime、Storage、Connectors、Interfaces 和 Infrastructure 五大核心组件。文章提供了一套基于 FastAPI 和 Docker 的基础代码库，演示了如何在本地或 Railway 上运行平台，并利用 Claude Code 实现无需编码即可创建、测试、递归改进 Agent 以及通过 Evals 锁定行为的完整闭环。
40 个大多数人从未构建过的 Claude Skills
文章详细介绍了 40 个实用的 Claude Skills（技能），分为写作、研究等多个类别。作者指出 Skill 是 Claude 最强大的功能，通过创建 SKILL.md 文件，用户可以一次性构建并在多处复用特定任务指令，从而避免重复输入提示词，大幅提升工作效率。
Claude Code 学术研究入门指南
这是一份面向学术研究者的 Claude Code 入门教程（第一至三部分）。文章指出，Claude Code 不同于浏览器端的 ChatGPT，它能直接运行在本地项目文件夹中，读取、编辑并创建文件，从而成为能实际执行任务的研究助理。教程涵盖了工具的基本定义、安装方法及如何通过 CLAUDE.md 配置文件来设定 AI 的角色与写作标准，特别强调了其在处理大量文献和数据分析方面的优势。
超越 Ralph 循环：构建高效的长运行 Agent 系统
作者通过实验发现，仅靠简单的 Ralph 循环（重复运行相同提示词）来驱动长运行 Agent 效果有限，容易导致歧义累积和目标偏离。文章指出 Codex 的 /goal 功能虽然解决了中断问题，但存在方向性偏差和缺乏反馈的缺陷。为此，作者提出了一套更优的工作流：在开始编码前进行严格的“设置阶段”，通过 /interview 命令让 AI 提问以消除模糊性；并采用多智能体协作模式，利用编排器管理子团队，以提高任务完成的质量和准确性。
