大模型

Anthropic 发布 Opus 4.8 的时候，我们大多数人都在睡觉。 大多数人的反应是：“更好的编程模型。” 但仔细看的 builders 看到的却是完全不同的东西。 Claude 现在可以朝着一个明确的完成状态工作，而不是等待你的下一个提示。 ...

一、两种范式 拖拽式工作流（Dify / n8n / Coze / LangGraph）它的核心假设是：人能预见所有路径。这在简单场景下成立——“收到邮件 → 调 GPT 摘要 → 发 Slack 通知”——你可以提前画完。但当面对"分析 5000 个文件的代码库并提出重构方案"时，不可能预先画出所有节点。Dify 的 workflow canvas 在复杂场景下直接崩溃。n8n 虽然拥有 400+ 原生集成和自定义 JS/Python 节点，但它的设计哲学仍是 2020 年的自动化思维，不是 2026 年的 AI-native 思维。 ...

深度解析 Agent Harness 深入解析 Anthropic、OpenAI、Perplexity 和 LangChain 正在构建的 Agent 基础设施。涵盖编排循环、工具、记忆、上下文管理，以及将无状态 LLM 转变为强大 Agent 的一切要素。 ...

98.75% of all humans have never tried Claude. Not even once. This free guide solves this gap. Claude For Dummies. Skip this if you know Claude and have tried it. For the “pros”, I added a very last section “How pros use Claude” at the end. You never tried Claude because you either: Don’t really use AI. Or you just use ChatGPT. Or worst (!!!), you only use the FREE ChatGPT. This guide is the easiest way to get started with Claude. ...

œ我本来不想写 Hermes 新手教程。 一个已经出来这么久的工具，再写"从零开始"，听起来有点像蹭旧热度。可我最近翻了几篇旧教程，又对着 v0.13.0 重新走了一遍，反倒觉得这篇必须写。 ...

从第一性原理出发，带你了解从输入 prompt 到流式输出之间发生的一切：分词、嵌入、注意力机制、预填充/解码拆分、KV 缓存和量化。 你输入一段 prompt。几百毫秒后，文字开始一个接一个地流式返回。感觉很简单。但事实并非如此。 ...

大多数人一觉得任务复杂，就会选择多智能体系统。 但那几乎总是错误的直觉。 正确的问题不是"我该不该用多个 Agent？"，而是"这项任务实际上需要什么样的协调？" ...

Anthropic、OpenAI 和 DeepSeek 正在围绕同一个核心思想趋同：用系统提示作为奖励函数。本文完整解析从 RLHF 到 RULER 的强化学习进化之路，附带代码。 强化学习的核心非常直接：系统采取行动，环境给予奖励，智能体随时间更新行为以最大化该奖励。 ...

太长也要读 在写完《你不知道的 Claude Code：架构、治理与工程实践》、《你不知道的 Agent：原理、架构与工程实践》后，我想着继续来写第三篇，这次打算挑战下自己来梳理一下大模型训练到底怎么回事，这篇文章争取让非专业背景的人也能读得懂。 ...