今天突然想写一些比较虚的东西。想结合人类的决策因素来讲讲我对人工智能的理解。人来“决策”每个人在生活中要面临各种各样的决策/判定，那么一个问题是我比较好奇的， 我们平时决策的时候究竟有哪些因素影响我们，能让我们在漫漫人生长河中能做出来相对正确的决策到底是因为什么呢？ 如果能搞清楚，是不是就能推导出模型学习的过程到底在做什么呢？这个就是今天咱们要聊的核心话题。如果让你来给出一个事情的观点，你觉得需要

终于有时间思考更加宏观的东西啦， 你说面对的系统或者问题有几类？ 你是否都是指望把所有的数据train到一个模型里，然后收工回家？ 接下来尝试总结一些系统的类型，纯手工制作。观察型系统这类任务是非常普遍的，最简单的进销存类的预测任务。 通过观察销量的变化，从而准备充足的货量，既不让产品过剩也不让产品脱销。这里一定要强调一下，这是一个观察型的任务， 本身我备货多与少不影响需求的变化，预测需求仅仅是为

之前我们介绍了Agent的发展，也了解了上下文管理的4大模块（感知模型、规划模块、执行模块、执行模块）， 接下来我们就介绍这几个模型的实现，意图识别意图识别是整个系统的起点， 这部分的质量也直接决定了整个系统的执行质量，那么这部分一般是如何实现的呢？精心设计提示词引导LLM分类训练专用的路由模型，独立于主LLM完成路由判断用小模型进行微调，让模型在特定的场景下具备高精度的分类能力。Arch-Rou

"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

向量数据库Faiss是Facebook AI研究院开发的一种高效的相似性搜索和聚类的库。它能够快速处理大规模数据，并且支持在高维空间中进行相似性搜索。Faiss的工作，就是把我们自己的候选向量集封装成一个index数据库，它可以加速我们检索相似向量Top K的过程，一些最有用的算法是在 GPU 上实现的。安装pip install faiss-cpupip install faiss-gpu通过上