AI 基础知识

不需要动手的底层原理与概念地图。读它是为了「听懂」，不是为了「会用」。

9 篇

  1. 01

    大模型发展史：从 Transformer 到 AGI 前夜

    从2017年Transformer架构横空出世，到2026年百模大战格局初定——本文梳理大模型发展的关键时间线、主要玩家、代表性模型，并解释核心术语，帮你建立完整的LLM知识图谱。

    2026-05-01 · 读 5 分钟

  2. 02

    LLM 算力全景：CPU、GPU、NPU、TPU 大比拼

    训练一个顶级大模型需要什么样的算力？推理又有何不同？本文从CPU、GPU、NPU、TPU的架构差异出发，横向对比Nvidia、AMD、Google、华为、苹果等主要供应商的产品，分析其在LLM场景下的强弱利弊。

    2026-05-15 · 读 6 分钟

  3. 03

    大模型是怎么炼成的：LLM 训练过程全解析

    一个顶级大模型从零到可用，究竟经历了哪些阶段？本文从预训练数据准备、模型架构、分布式训练、SFT监督微调、RLHF对齐，到最终评估上线，完整还原一个典型LLM的诞生过程，并解析其背后的核心机制。

    2026-05-05 · 读 7 分钟

  4. 04

    LLM 推理过程揭秘：Token 生成、KV Cache 与性能优化

    训练好的大模型是如何一步步生成回答的？本文深入解析LLM推理的完整机制：从输入Token化、自回归解码、KV缓存命中，到批量推理优化和投机采样，帮你彻底理解大模型推理的工作原理。

    2026-05-10 · 读 7 分钟

  5. 05

    AI 涌现的底层逻辑：高维信息对低维知识系统的降维打击

    为什么大模型突然"学会"了推理、写代码甚至讲笑话？本文从高维几何的视角解析 AI 涌现的底层机制——那不是魔法，而是高维信息流形对人类低维符号系统的结构性碾压。

    2026-06-30 · 读 9 分钟

  6. 06

    2026看AI：Agent时代的个人、企业与社会变革

    从Agent的技术本质出发，深度剖析AI对个人能力模型、企业组织架构、政府治理体系的全面冲击，并探讨我们在这场变革中的行动路径。本版补充工程侧的判断清单与行动顺序，便于逐项自查；事实与数据与源文一致。

    2026-05-28 · 读 11 分钟

  7. 07

    LLM定制之道：LoRA 微调 vs RAG 增强，如何选择？

    当你需要为企业或个人场景定制一个专属LLM时，两条主流路径摆在面前：LoRA微调和RAG增强。本文深入对比二者的技术原理、适用场景、工程成本与落地效果，帮你做出正确决策。

    2026-05-25 · 读 5 分钟

  8. 09

    三层工程范式：Prompt Engineering → Context Engineering → Harness Engineering

    从 Prompt Engineering 到 Context Engineering，再到 Harness Engineering，AI 工程的核心范式已完成三次迭代升级。本文系统梳理三种范式的定义、关键技术、适用场景与演进逻辑，并给出工程师能力迁移的判断清单。

    2026-05-20 · 读 11 分钟

  9. 10

    AI Agent 架构设计模式：从 ReAct 到多智能体协作

    AI Agent正在从概念走向生产落地。本文系统梳理ReAct、Plan-and-Execute、Reflection、Multi-Agent等核心架构模式，分析各自的适用场景与工程权衡，帮你为具体业务选择最合适的Agent设计方案。

    2026-05-26 · 读 7 分钟

继续深入

本专辑暂无深版。可以先看对应课程，或订阅开课通知。

查看课程 / 订阅开课通知 →