AI | Category | 猎户座

从提花机道个人PC:细数计算机发展90年历史

一句话总结过去90年计算机的发展:40年筑基、10年组网、40年疯狂发展上层应用.

从chat到AI Agent再到Agentic AI

提示词工程给AI Agent提供了充足的信息、上下文工程开启了AI Agent的工程化探索, Harness Engineering则从边界视角让AI Agent的“抽风”限定在可控范围.

有人调侃说：“AI 时代，只要你学得够慢，你真的可以不用去学了。”AI 为什么会发展得这么快？这背后到底是什么力量在推动？今天，我想从大模型架构的角度来给大家盘一盘。

AI 落地的终局，不是造出一个全知全能的“神”，而是建立一个各司其职的“团队”。Multi-Agents架构就是这么来的

小龙虾好玩，但是有点费Tokens。这里演示如何打造一个整合了强大Slack、本地私有、安全可控的小龙虾。

也许AI的世界里，最强大的武器可能不是无尽的算力，而是架构本身的想象力，这是典型的四两拨千斤。

中小企业大模型微调全过程

根据大模型的参数和具体场景，搭建自己的AI生产力平台

通用型大模型训练的6大步骤：数据准备→模型架构设计→预训练→微调→评估→部署。

想要微调出业务满意的大模型，就需要对大模型的底层模型框架Transfermor有深刻的理解，这些深刻的理解，能够在面对复杂的业务环境下，帮助高效的微调大模型。

打着“全球首款通用型AI Agent产品”的旗号，Manus成功登顶AI圈子最火焦点。当然，最近两天关于Manus的声音良莠参半，大家争论的核心其实是AI产业的发展路线之争：究竟是模型参数的“军备竞赛”，还是工程化落地与场景价值的“实用主义”？。

Taylor

专注并分享科技领域前沿技术。