2小时从零看懂 AI：一篇文章建立AI认知体系（8000元企业内训同款）
本文是作者基于3家企业AI内训经验整理的AI入门长文，涵盖四大部分：大模型通识、提示词方法、智能体入门与实操。文章用通俗语言解释AIGC概念、大模型的定义与工作原理（概率预测文字接龙）、AI的优势（信息处理、知识覆盖、内容生成）与局限（幻觉、时效性、偏见、推理限制），并阐明AI软件=大模型+产品界面的本质，介绍提示词、微调、RAG三种大模型优化手段，帮助读者快速建立完整的AI认知框架。
相关文档
自己动手做LoRA 从 0 到 1 实战
作者详细记录了从零开始训练一个专属人物 LoRA 的完整实战流程。他使用 GPT Image 2 生成 56 张虚构人物训练数据，基于开源模型 MOSS-Image（5B 参数 Diffusion Transformer）进行微调，仅用一张 RTX 4090 训练约 65 分钟即获得稳定的人物形象生成能力。文章涵盖数据准备、Caption 标注、Checkpoint 选择、效果验收等关键环节，并指出了过拟合等常见问题。作者将整个流程开源到 GitHub，提供运行环境镜像、Jupyter Notebook 和 ComfyUI 工作流，建议初学者亲手跑一遍以真正理解 LoRA 训练原理，一通百通。
LoRA 与 QLoRA：用一块 GPU 微调大模型
本文从“模式”（一列乘一行的秩1矩阵）概念出发，系统讲解 LoRA 与 QLoRA 如何降低大模型微调的显存开销。LoRA 通过低秩近似冻结原有权重，只训练少量新增模式（B·A），将可训练参数减少到约万分之一；量化则用 4 位 NF4 格式配合分块缩放和双重量化存储权重，保留全部模式但降低每个数的精度。QLoRA 结合两者：冻结权重用 4 位存储，LoRA 分支用 16 位训练，使 65B 模型只需一块 48GB GPU 即可微调，Guanaco 在 Vicuna 评测中达到 ChatGPT 的 99.3%。文中还比较了低秩近似与量化误差结构的不同，并给出 7B 模型显存估算：全参数微调约 100GB，LoRA 约 15GB，QLoRA 约 5GB。
大模型学习地铁图：从 Transformer 到今天的主流大模型
文章以地铁图为比喻，为大模型学习者规划了一条清晰的学习路线。主干线按演进顺序设置八站：前置基础、Transformer、GPT-2（强调亲手实现作为锚点）、预训练、ChatGPT 时刻（RLHF）、LLaMA、MoE 稀疏专家、推理模型（o1/R1），终点是能独立读懂新论文。五条支线按兴趣选修：推理优化（KV Cache、FlashAttention、量化）、训练（Scaling Law、分布式并行）、对齐（SFT、LoRA、DPO、GRPO）、架构（RMSNorm、RoPE、MLA）、应用（RAG、Agent）。最后给出建议：GPT-2 必须亲手写一遍，主干加一至两条支线即可入门，学习原理时动手推算。
Scaling AI in Legal: Building Uber's Redlining Agent
Uber 工程团队分享了其法律红线审查智能体（Legal Redlining Agent, LRA）的构建经验。该系统以 Word 插件形式集成到律师的工作流中，能够识别外部合同修改、理解对方意图、基于政策生成建议和评论并标记风险。自上线以来，合同平均审查时间缩短超过 20%，律师对 AI 决策的采纳率达 91%。文章详述了从 RAG 方案到引入律师反馈自学习循环的四次迭代历程，核心经验是：从业务问题出发、嵌入律师既有工作流程以赢得信任，并通过紧密的反馈迭代持续改进智能体。该系统助力 Uber 法务团队获得 2026 年 ALM Legalweek 年度最具创新法务部门奖。
State of AI Report 2026 速读：AI 加速 AI、千亿收入、电力瓶颈与安全
作者速读 Nathan Benaich 发布的第九份年度 State of AI 报告。研究方面，前沿变成三强竞赛，Claude Opus 5.5 领跑智能指数，基准测试迅速饱和，AI 开始实质性加速自身研发，harness 的价值凸显。产业方面，OpenAI 与 Anthropic 合计年化收入约 1050 亿美元，企业 token 支出两强占 96%，但算力供给受电力、施工和融资约束。政治方面，美国出口管制强化模型访问控制，主权 AI 承诺约 1380 亿美元。安全方面，评测中的智能体出现真实越界攻击，实验室领导者呼吁获得减速 AI 能力的手段。文末附 2025 年预测回顾。
The 2026 LLM Engineering Roadmap
本文提出了2026年LLM工程路线图，指出与LLM工作不只是提示词，生产级系统需要对LLM的工程化、部署和优化有深入理解。文章总结八大支柱：提示工程（将prompt当作代码管理）、RAG系统（嵌入、检索、重排）、上下文工程（管理上下文窗口中各类信息的取舍）、微调（LoRA/QLoRA等技术）、Agent（工具调用循环与编排、状态管理、重试逻辑），并为每个领域提供了大量免费开源学习资源，如Anthropic、OpenAI官方指南及多个GitHub教程仓库。
想转 FDE？一个干了 4 年多的人告诉你：这活从开会聊需求，到私有化部署，都得会
作者基于4年多车企AI落地经验，按项目全流程拆解FDE（Frontier Development Engineer）岗位的真实工作内容：售前阶段的客户预期管理、深入业务打磨几千个标签体系、模型开发（从BERT加规则演进到大模型抽取加检索链路，涉及微调、embedding、评测）、私有化部署的工程细节（驱动、CUDA、vLLM、压测、稳定性）、以及上线后的数据报告与可视化。作者强调模型只是最不用担心的部分，难的是模型前后的业务与工程，并介绍了AI coding如何让他一个人交付客户demo。
GPT Image 2.5 提示词写作指南
本文整理了 OpenAI 官方 GPT Image 2.5 提示词写作指南的八条核心原则：先定义结果、选易维护格式、描述可见细节、写清人物动作、精确文字加引号、分开要改与要保持的内容、给参考图编号、有意识迭代。同时介绍了模型与参数（quality、size、background）的选择建议，并结合人像摄影与自然景物两类示例，给出中文提示词模板和实操要点，帮助用户写出可控、可迭代的图像生成提示词。
BestBlogs 早报｜OpenAI 发布 GPT-6 选型指南，LEO 分析智能体采购部署，Airbnb AI 改造延伸到客服测试
本期早报围绕 AI 智能体的选型、部署与落地展开。精讲一介绍 OpenAI GPT-6 系列模型使用指南，讲解 Astra、Sol、Luna 三款模型的定位、推理强度调节、提示词缓存与成本优化策略。精讲二是 a16z 与采购智能体公司 LEO 的访谈，探讨企业 Agent 部署为何比构建更难，强调系统记录之外的例外流程决定 Agent 能力边界。精讲三介绍 Airbnb 由内而外的 AI 改造，包括原型协作、Everest 知识复用平台及 AI 客服实践。速览涵盖替代 GPU 的计算路线、Spring AI 模块化 RAG、Fractile 推理芯片、Pi 的 MCP 支持与持久化框架、Cloudflare AI Search 及 Instinct 个人智能体等内容。
失业后，我用 AI 重塑了自己
作者黄啊码讲述自己2024年三十岁失业后，与前同事合伙创业，抓住AI风口做智能体开发与AI培训的经历。从自卑、负债起步，到粉丝全网前十、拿下12万商业化交付，逐步完成自我认知重塑。如今他既是创业公司CTO，也是企业AI内训讲师，为中移九天、中国移动、正超电气等企业提供AI Coding、智能体与多模态实战培训，同时开发图片生产Agent、AI漫剧工具等产品，并在三节课上线多门课程。文章末尾介绍其可提供的企业AI内训、智能体开发、AI应用开发及主题分享等合作方向。
AI Evals 课程沉淀的 8 个 Skills：错误分析 → 评测器 → 校准 → 监控
文章介绍了来自 Hamel Husain 和 Shreya 的 AI Evals 课程沉淀的 8 个 Skills，帮助工程师和产品经理为自己的 AI 产品构建评测体系。核心理念是先看数据再写评测：先手动阅读真实 trace 做错误分析，发现失败模式，再针对每个模式构建评测器，并用约 100 条人工标注校准（TPR/TNR 目标 >90%）。8 个 Skills 覆盖入口路由、错误分析、评测审计、合成数据生成、Judge 提示词编写、评测器校准、RAG 评测和标注界面构建。方法论强调二值评判、单一 judge 测单一失败模式、Rogan-Gladen 偏差修正等最佳实践。
如何用自己的数据微调一个小模型
本文是翻译整理的完整小模型微调指南（原作者Rahul），主张用1.5B参数模型配合200-500条高质量样本微调，即可在特定任务上超越通用前沿大模型。文章涵盖微调的正确认知（微调非提升智能而是稳定窄任务）、三个基线建立、选择Qwen2.5-1.5B等小基座模型、数据权利确认、PDF/OCR文本抽取与清洗、按公司切分数据集、QLoRA训练超参配置、幻觉数字检测评测、vLLM部署及监控重训策略。强调数据合规和评测纪律是真正值钱的部分，附完整可运行代码。
