鐵人檔案
今天講回來AI Agent的地板，模型- LLM，也是AI Agent的大腦。 大語言模型(LLM)，是AI Agent的決策核心。收到用戶的請求後，它需要先解...
說回到昨天的問題? 如果模型持續變強，那Harness會不會被吃掉?看了幾篇文章與前人的解讀(說前人會不會有點誇張)，基本上共識是"方向認同，節奏務實...
大語言模型(LLM)在近年來取得令人矚目的進展，尤其2026，其能力邊界不斷拓展，應用場景日益豐富。然而，這些成就的背後，離不開對模型規模、數據量和計算資源之間...
昨天講的縮放法則證明訓練數據量與模型規模有一個平衡點，今天要來講大家在使用AI時，多少遇到的問題。 模型幻覺 模型幻覺(Hallucination)：通常指的是...
經過前兩天的番外篇，或許可以給大家一些LLM目前困境與瓶頸的認識。 在我們了解了Agent的3大組件，接下來的問題是：它們怎麼協同合作?ReAct循環就是讓LL...
前段時間我們在講LLM與環境的交互關係時，有講解到Harness的架構。看到這裡，你也已經稍微理解了Agent的工作原理 ---LLM通過ReAct循環，在上下...
接續昨天的內容，上述的5個功能構成一個閉環：上下文與工具讓Agent"能做事" -- 理解任務並採取行動;約束預防錯誤，驗證發現偏差，糾爭完...
回顧AI應用工程的發展，可以看到一條清晰的演進弧線： Prompt Engineering(提示工程)是第一波創新 -- 通過優化輸入給模型的自然語言指令來提升...
我想在假日開一個番外篇，如同上週講述模型的侷限與縮放法則。這周我想講RAG。 平常你們在使用ChatGPT/Gemini/Claude查詢資訊時(你想要最新資訊...
昨天介紹了RAG的基本介紹以及發展。今天會稍微深入去探討它的原理。 複習一下RAG的流程：檢索相關片段→注入上下文→LLM基於上下文生成答案。 下面先看文檔進入...
