tech 概念解析
AI 如何重塑人的思考方式：工具之外的認知轉變
AI 工具改變的不只是你做事的速度，而是你思考問題的方式——從「怎麼做」轉向「做什麼」和「判斷對不對」，這個轉變對工程師的長期影響值得認真思考。
Tag
#llm
19 篇文章
tech 操作教學
長期免費使用 Codex、Hermes 等 AI Coding Agent：完整攻略
OpenAI Codex CLI 和多個 AI coding agent 工具都有免費方案，關鍵是了解各自的額度機制、如何組合使用以延長免費額度，以及什麼情境下值得付費。
tech 操作教學
用 LangGraph 打造影片製作 AI Agent：第三課實戰筆記
用 LangGraph 建構一個能自動規劃、撰稿、生成腳本的影片製作 AI Agent，重點在 state machine 設計和工具呼叫的錯誤處理。
tech 操作教學
AI Agent 費用爆炸怎麼辦？選對模型與工具的實戰指南
AI agent 的帳單暴增通常來自三個地方：選了比任務需求更強的模型、沒控制 tool call 的深度、以及 context window 浪費。正確的成本控制策略是依任務複雜度選模型，不是全部用最強的。
tech 概念解析
DeepSeek V4 發布：1.6 兆參數開源模型挑戰 GPT-5，還跑在華為晶片上
DeepSeek V4 是一個 1.6 兆參數（49B 活躍）的 MoE 開源模型，100 萬 token 上下文，在部分基準測試上超越 GPT-5.2，且是首款針對華為 Ascend 晶片最佳化的 DeepSeek 模型。
tech 概念解析
AI Agent 的工作原理是什麼，Harness Engineering 又是什麼？
AI Agent 是讓模型能持續感知環境、使用工具、自主完成任務的系統；Harness Engineering 則是讓 Agent 可靠運作的工程學科——設計環境、限制、回饋迴圈，讓 AI 從「聰明但不穩定」變成「可部署的工程系統」。
tech 操作教學
我做了一個全自動 Mansplainer Bot
用 LLM API 加上精心設計的系統提示，打造一個能自動用高傲口吻解釋任何事的 Mansplainer Bot——90% 的工程難度在 prompt 設計，不在程式碼。
PageIndex 深度解析：用 LLM 推理取代向量搜尋的 RAG 架構
PageIndex 用階層樹索引 + LLM Agent 推理取代向量 DB，在長文件場景（FinanceBench 98.7%）表現亮眼；本站的 Hybrid RAG 則以向量搜尋 + 關鍵字 fallback 在 Cloudflare edge 上跑，取捨完全不同。
tech 案例分析
Dexter：25k ⭐ 的自主金融研究 Agent，任務分解 + 自我驗證 + JSONL 稽核
問一個財務問題，Dexter 自動拆解成子任務、選工具執行（財報 API + 搜尋）、自我驗證直到結果夠充分，所有推理步驟記錄到 JSONL scratchpad。TypeScript + Bun，支援多個 LLM provider。
9Router：跨 40+ AI Provider 自動路由，訂閱額度不再浪費
Claude Code 的 endpoint 指向 localhost:20128，9Router 自動從訂閱服務 → 便宜 API → 免費服務做三層 fallback，OAuth token 自動刷新，格式轉換透明。
RTK：讓 AI Coding 助手少吃 80% token 的 Rust 工具
裝一個 Rust binary，git/npm/docker 等命令的輸出自動壓縮後再送進 AI context，30 分鐘 session 從 118,000 token 壓到 23,900。
tech 概念解析
為什麼你的 AI 代理越跑越笨？Context Rot 的原理與解法
AI 代理越做越差，根本原因不是模型變笨，而是 Context Window 裡累積的噪音讓訊號被稀釋——這個現象叫 Context Rot，解決方法是把 Context 當 RAM 管理，而不是永遠往裡面加東西。
Stanford CS146S 完整導讀：10 週學會 AI 驅動的現代軟體開發
Stanford CS146S 是第一門系統性教 vibe coding 的課程，從 LLM 原理、Coding Agent、MCP、AI IDE 到 Post-Deployment，10 週橫跨完整開發生命週期，有中文版 repo 和逐週學習記錄影片可跟。
Stanford CS153 Frontier Systems：AI 基礎設施全棧的核心框架與關鍵洞察
CS153 的核心命題：AI 基礎設施正在全棧重寫，而四大瓶頸（Context、Compute、Capital、Culture）決定了誰能跑在最前面。這篇整理課程的核心框架與各場演講的實質洞察。
Stanford Beyond LLM 課程精華：從 Prompt Engineering 到 Multi-Agent
Stanford「Beyond LLM」課程的核心地圖：為什麼 base model 不夠用、三種強化單一 LLM 的工具（Prompt Engineering / Fine-Tuning / RAG），以及如何設計 Agentic Workflow 與 Multi-Agent 系統。
learning 深度解析
超越 RAG：Andrej Karpathy 的 LLM Wiki 模式深度解析
LLM Wiki 不是查詢工具，是讓知識隨時間複利成長的架構——LLM 主動建構並維護一個 markdown 知識庫，而非每次查詢都重新從原始文件撈取。
拆解 Codex Agent Loop：一個對話 Turn 背後發生了什麼
OpenAI Michael Bolin 深入解析 Codex CLI 的 agent loop：從 prompt 組建、token 推理、工具執行，到 context window 管理與自動壓縮。
tech 概念解析
用 10B 參數的小型模型能打造什麼樣的遊戲？
10B 左右的小型語言模型（SLM）已經能在本機即時執行，足以做到動態 NPC 對話、程序化敘事生成、自適應遊戲內容。研究顯示 SLM 在短篇創意內容上品質接近大型模型，重點在於訓練資料策劃和推論時的約束設計。
ChatGPT 是怎麼煉成的？解密大型語言模型的三階段訓練流程
ChatGPT 的誕生並非一蹴而就，而是經過『開天闢地』的自我學習、『指點迷津』的人類引導，以及『超越自我』的強化學習三個關鍵階段。