下面是一张嵌入正文的在线表格，支持表头排序与关键词筛选：正文结束。

"Harness"原意是马具——缰绳、鞍具、嚼子——用来驾驭一匹强大但不可预测的动物的完整装备。这个比喻是刻意的：马 = AI 模型：强大、快速，但自己不知道该往哪里走马具 = Harness：引导、约束、使力量变得可控且有方向Agent = Model + Harness上下文模块感知模块感知模块是系统的入口，其核心任务是将非结构化的信息转化为结构化的信息，并理解其意图，从而

提示工程一个好的提示工程由下面的几个部分组成，可能我们之前认为给大模型提示不就是描述清除就行么，底层逻辑是没问题的，不过需要有了下面这个模板能够帮我我们更好的描述任务，进而减低成本达成目的。指令任务本身。指令应该尽可能具体，避免留下太大的解释空间。上下文描述问题或任务背景的附加信息。它回答了“为什么提出这个指令”这样的问题。格式LLM 输出生成文本的格式。如果不指定格式，LLM 会自行决定格式，这

当前这个时间点， 我们似乎正在经历异常技术平权的革命， 因为大模型的出现， 让原来很多需要花费很多精力的工作变得毫无意义（这里就不便举例子）， 也让我由此感慨一下，接下来主要看看我们在算法这个方向是如何看待算法工作与大模型的关系。

MOE结构MOE结构是DeepSeek比较大的创新， 不管是从模型性能上，还是计算性能上， 都是非常好的设计。这一个部分其实替换掉传统的Transformer中的FFN的结构。我们来分开看当前的网络结构专家网络MOE结构中有多个专家网络，设计的预期是希望能够让多个专家能够各自负责不同领域的知识内容，完成任务的结构。门控网路门控专家是整个网路的一个路由，这个路由是要识别不同问题需要找那些专家。这个部

胜多负少

今天我们来介绍大语言模型使用，Agent的构建和开发。基础知识Agent定义和核心机制Agent是一种通过感知环境（传感器）并主动与环境交互（执行器）的智能实体。LLM Agent通过结合大语言模型（LLM）与外部工具、内存和规划能力，突破传统LLM的对话局限，实现复杂任务拆解与执行。其核心是通过工具调用（如API、代码）弥补LLM在数学计算、事实检索等方面的短板，形成“指令－目标－决定－执行”的