[{"excerpt":"按检索、上下文、答案、引用、拒答、安全与生产等层次，整理 RAG 系统常用评测指标、计算方式和最小 Release Gate 组合。","permalink":"/posts/rag-evaluation-metrics-cheat-sheet/","title":"RAG 评测指标速查表"},{"excerpt":"面向 AI Application Engineer 的 RAG 重排设计指南：区分检索融合、语义重排、业务排序与证据集合选择，并给出可落地的生产级默认链路。","permalink":"/posts/rag-reranking-best-practices-2026/","title":"RAG 检索结果如何重排：从 Hybrid Retrieval 到 Cross-Encoder、Listwise 与证据集合选择"},{"excerpt":"基于中国大陆、美国与东京各 20 条公开职位描述的调研，梳理 AI Application、Agent 与 RAG 工程师的招聘技术栈，并给出面向东京求职的学习优先级与作品集路线。","permalink":"/posts/ai-engineer-job-market-2026/","title":"2026 AI 应用工程师求职技术栈：东京、中国大陆与美国市场 JD 深度调研"},{"excerpt":"一份面向程序员的 Multi-Agent 与 Sub-Agent 系统设计指南：从是否需要多 Agent、任务拆分和协调模式，到上下文、权限、可靠性、评测与生产落地。","permalink":"/posts/robust-multi-agent-subagent-design-2026/","title":"从 Single-Agent 到 Multi-Agent：健壮 Sub-Agent 系统设计指南"},{"excerpt":"本文系统梳理生产级 AI Agent 的上下文压缩方法，区分消息裁剪、工具结果清理、Artifact 外置、结构化摘要与原生 Compaction，并以 Hermes Agent、LangChain v1 和 LangGraph v1 为例给出分层落地与评估建议。","permalink":"/posts/ai-agent-context-compression-best-practices-2026/","title":"生产级 AI Agent 的上下文压缩：从消息裁剪、工具结果清理到 Hermes Agent 的分层 Compaction"},{"excerpt":"面向没有机器学习背景的程序员，以直观例子解释大语言模型训练中的梯度下降、损失函数、反向传播、学习率与优化器，并串起从预测下一个 token 到参数更新的完整训练循环。","permalink":"/posts/gradient-descent-for-llm-training/","title":"梯度下降：大语言模型如何从‘胡乱猜词’学会生成文本"},{"excerpt":"以简化版在线书城为统一案例，系统讲解需求、业务、架构、数据、交互和部署设计阶段常用的软件图。","permalink":"/posts/software-design-diagrams-online-bookstore/","title":"软件开工前到底该画哪些图？"},{"excerpt":"从 asyncio.run()、协程、Task 与 Future 出发，理解 Python 事件循环如何调度等待、定时器与 I/O，并掌握顺序 await、并发任务和阻塞代码的边界。","permalink":"/posts/python-event-loop-task-awakening/","title":"Python 事件循环入门"},{"excerpt":"系统介绍 RAG 检索工程中的词法检索、稠密检索、混合融合、重排、评测、可观测性与生产治理。","permalink":"/posts/rag-retrieval-engineering-guide/","title":"RAG 检索工程：从混合检索到生产治理"},{"excerpt":"介绍如何为 RAG 系统建立覆盖运行链路、检索质量、生成质量和持续回归的可观测与评估体系。","permalink":"/posts/rag-observability-evaluation-design/","title":"RAG 系统的可观测性与评估体系设计"},{"excerpt":"介绍 OpenTelemetry 的核心组件、观测信号及其在 AI Agent、RAG 和生产可观测性中的应用。","permalink":"/posts/opentelemetry-ai-agent-observability-guide/","title":"OpenTelemetry 入门：面向 AI 应用与 AI Agent 开发者的通俗指南"},{"excerpt":"介绍 RAG Chunking 从固定切块到结构化、上下文化与评估驱动的设计方法。","permalink":"/posts/rag-chunking-strategies-evaluation/","title":"RAG 系统中的 Chunking 最佳实践"},{"excerpt":"介绍 RRF 在 RAG 多路检索融合中的作用、计算方式、适用场景和主要局限。","permalink":"/posts/rag-rrf-retrieval-fusion/","title":"RRF 在 RAG 中的作用：一种简单但并非万能的检索融合方法"},{"excerpt":"介绍 Dense Search、Sparse Search、RRF 和 Reranker 在企业 RAG 检索链路中的作用。","permalink":"/posts/rag-dense-sparse-hybrid-search/","title":"RAG 检索中的 Dense + Sparse Hybrid Search"},{"excerpt":"如果想构建企业级 RAG 系统的话，可以参考这篇博客。","permalink":"/posts/enterprise-rag-system-building-guide/","title":"企业级 RAG 系统搭建指南"},{"excerpt":"2026 年 5 月 20 日，NVIDIA 发布了一篇技术文章，介绍如何把 AI-Q 的深度研究能力包装成一个可被 Claude Code、Codex、OpenCode 等 agent harness 调用的“专用技能”。这篇文章的关键点不只是“又多了一个 AI 工具”，而是提出了一种更清晰的企业级 Agent 分层方式：让通用 agent harness 负责会话、工具编排、代码执行和用户交互，让专门的 research backend 负责多源检索、规划、综合、引用、评估和企业数据治理。(NVIDIA Developer)","permalink":"/posts/deep-research-aiq-skill-agent-harness-mcp/","title":"把 Deep Research 做成可插拔能力：NVIDIA AI-Q Skill 对企业级 Agent 架构的启发"},{"excerpt":"本文围绕 Latent Space 对 Shunyu Yao 的访谈，梳理 ReAct、Reflexion、Tree of Thoughts、memory、benchmark、ACI 和 agent UX 等主题，并总结 AI agent 工程落地中工具、环境、评估与接口设计的重要性。","permalink":"/posts/points-of-the-podcast-language-agents-from-reasoning-to-acting/","title":"腾讯 AI Leader 姚顺雨 在这个PodCast中聊了什么？"},{"excerpt":"本文从基础 RAG pipeline 被平台吸收的趋势出发，分析 2026 年 AI 应用工程师应该重点投入的高溢价技能，包括评估与可观测性、数据治理与权限控制，以及 agentic workflow 的深度工程能力。","permalink":"/posts/ai-engineer-skill-value-map-2026/","title":"2026 年 AI Engineer 学什么值钱"},{"excerpt":"一份基于睡眠、昼夜节律和能量状态的个人作息调整手册，帮助把高价值任务安排到最适合的时间。","permalink":"/posts/work-schedule-optimization-manual/","title":"把最重要的事放到身体最适合的时间：我的作息调整与时间利用手册"},{"excerpt":"本文用 hidden state 与 token 之间的带宽鸿沟，统一解释 Chain of Thought、prompt 长度、few-shot、性格漂移与幻觉等 LLM 工程现象。","permalink":"/posts/llm-from-hidden-state-to-token-output/","title":"LLM 的“心口不一”: 理解 LLM 行为的一把万能钥匙"},{"excerpt":"本文系统梳理优秀 AI agent 系统的核心设计框架，包括 Spec-Driven Development、三层架构、Resolver、Latent 与 Deterministic 分界、Diarization 以及可自我进化的学习闭环，帮助工程师从补全工具思维转向 AI 增强软件工程。","permalink":"/posts/ai-agent-architecture-design-guide/","title":"如何设计出优秀的 AI Agent：从架构原则到实战模式"},{"excerpt":"本文结合 2025-2026 年 AI coding agent 与 Spec-Driven Development 的最新实践，系统解释 Software Spec 的定义、价值、核心组成、工作流与常见陷阱，并给出一份适用于 Claude Code、Codex CLI、Cursor 等工具的实战模板。","permalink":"/posts/ai-coding-agent-software-spec-best-practices/","title":"AI Coding Agent 时代的核心技能：如何写好 Software Spec"},{"excerpt":"从数据管线、Scaling Law、系统约束、合成数据、蒸馏、后训练、评估体系到 Agent 训练，系统梳理大模型训练全链路，并解释这些机制如何影响 AI 应用工程师的模型选型、评估与 harness 设计。","permalink":"/posts/llm-training-for-ai-engineers/","title":"大模型训练全景：一个 AI 应用工程师需要理解的一切"},{"excerpt":"本文从 AI coding agent 的执行机制出发，系统解释 agent-native 文档为什么已经从“参考资料”变成“基础设施”，并给出 AGENTS.md、PRD、Architecture、Spec、Plan 等文档层级的职责划分与组织原则。文章也结合 Context Engineering 与 Spec-Driven Development 的实践，说明怎样设计一套既节省 context、又能稳定驱动 agent 行动的文档体系。","permalink":"/posts/agent-native-documentation-engineering/","title":"Agent-Native 文档工程：AI Coding Agent 驱动开发的文档体系设计指南"},{"excerpt":"先看全景 如果你是一个 Java 后端工程师，想快速理解 AI agent 领域当前的标准化格局，可以这样对标： 通信/配置类型 AI Agent 标准 Java 类比 发起方 治理方 采用状态 Agent ↔ 工具/数据 MCP JDBC Anthropic AAIF (Linux Foundation) ✅ 事实标准 Agent ↔ Agent A2A RMI / gRPC Google Linux Foundation ✅ 快速采用中 项目规则配置 AGENTS.md application.yml OpenAI AAIF (Linux Foundation) ✅ 事实标准 可复用能力包 SKILL.md Maven Plugin Anthropic agentskills.io（开放标准） ✅ 事实标准 应用框架 Goose / Claude Agent SDK / ADK Spring Boot 各家 部分归 AAIF 🔶 多家竞争 微服务治理 Harness Engineering 体系 Spring Cloud — — 🔴 无标准 测试/评估 Agent 评估框架 JUnit — — 🔴 无标准 代码质量治理 Entropy 管理 SonarQube — — 🔴 无标准 上半部分（✅）是已经形成行业共识或事实标准的部分，下半部分（🔶🔴）是尚在探索的前沿。本文主要讲清楚上半部分的全貌，然后展望下半部分的演进方向。","permalink":"/posts/ai-agent-standards-full-landscape/","title":"AI Agent 行业标准的全貌：一个 Java 工程师的视角"},{"excerpt":"一个对比开始 你在 ChatGPT 里问\"什么是 KV Cache\"，模型回答你，对话结束。 你在 Codex CLI 里说\"给项目添加一个用户认证模块，包含测试\"，agent 开始自主工作：读取项目结构 → 理解现有代码 → 规划实现方案 → 编写认证逻辑 → 编写测试 → 运行测试 → 发现失败 → 修复 → 测试通过 → 提交 PR。整个过程可能经历几十步，你可能全程没有介入。","permalink":"/posts/llm-agentic-evolution/","title":"LLM 的 Agentic 化：从回答问题到自主工作"},{"excerpt":"本文系统梳理了 OpenAI、Anthropic、HumanLayer 等团队在 AI coding agent 项目文档上的一线经验，解释为什么入口文件、分层知识库、状态追踪文件和局部文档会直接影响 agent 表现。文章也给出了从最小可行文档体系到持续维护机制的可落地实践路径。","permalink":"/posts/ai-coding-agent-documentation-best-practices/","title":"如何为 AI Coding Agent 写文档"},{"excerpt":"本文面向正在学习 AI 应用工程的开发者，系统梳理了 RAG 从数据摄入、分块、检索、重排序、生成到评估与运维的完整链路。文章还给出了从最简可行方案到生产化落地的演进路径。","permalink":"/posts/rag-system-complete-guide/","title":"RAG 系统全景指南：从 0 到生产级的完整设计流程"},{"excerpt":"本文把交叉熵、Perplexity、Temperature、条件熵、幻觉检测和 Prompt 约束串成一条主线，解释熵如何成为理解 LLM 训练、推理和产品设计的统一语言。文章也从 RAG 和工程治理视角说明了熵的实际价值。","permalink":"/posts/entropy-in-llm/","title":"LLM 中的熵：从训练到推理到产品的统一语言"},{"excerpt":"本文系统解释 Spec-Driven Development 的核心概念、四阶段工作流以及它与 vibe coding 的本质差异。结合当前工具生态与实践分层，说明为什么在 AI Coding Agent 时代，先写 spec 再实现能显著降低歧义和返工成本。","permalink":"/posts/spec-driven-development-guide/","title":"Spec-Driven Development 详解：从 Prompt and Pray 到 Spec and Steer"},{"excerpt":"基于多家机构的基准测试与行业实践，整理 RAG chunking 的默认配置、参数调优方法与不同文档类型下的策略选择。","permalink":"/posts/rag-chunking-best-practices/","title":"RAG Chunking 最佳实践指导文档"},{"excerpt":"LangChain 对 Agent Harness 的拆解，把 context engineering、memory、MCP 与 agent loop 串成了一张完整地图。","permalink":"/posts/agent-model-harness/","title":"Agent = Model + Harness"},{"excerpt":"从并发与并行的基本区别讲起，系统梳理 Python 中 GIL、threading、multiprocessing、asyncio 与 concurrent.futures 的适用场景、协作方式与选型思路。","permalink":"/posts/python-concurrency-parallelism-complete-guide/","title":"Python 并发与并行完全指南：从单线程到多核的演进之路"},{"excerpt":"从迭代协议、生成器和协程对象讲到 awaitable、Task、Future、事件循环、结构化并发、异步迭代、线程池与进程池，建立可用于 Web 后端和 AI 应用开发的 Python 异步心智模型。","permalink":"/posts/python-async-programming-complete-guide/","title":"Python 异步编程完整指南：从迭代协议到 Coroutine、Task 与线程池"},{"excerpt":"一份面向 AI Application Engineer 的 Prompt Engineering 长文指南，覆盖基础原则、上下文设计、任务链、注入防御、Agent 提示设计与评估驱动开发。","permalink":"/posts/prompt-engineering-best-practices-guide/","title":"Prompt Engineering 完全最佳实践指南"},{"excerpt":"从 Anthropic Contextual Retrieval 原文与 Appendix II 出发，梳理其核心方法、实验结论，以及适合生产环境落地的 RAG 架构原则。","permalink":"/posts/anthropic-contextual-retrieval-reading-notes/","title":"Anthropic Contextual Retrieval 阅读笔记"},{"excerpt":"围绕 Contextual Retrieval、Context Engineering 与 RAG 评估整理的 10 篇高价值文章，覆盖 Anthropic 官方原文、开源实现教程与 2025 年趋势回顾。","permalink":"/posts/contextual-retrieval-rag-reading-list/","title":"Contextual Retrieval + RAG 必读清单"},{"excerpt":"面向 AI 工程师，从 CPU、缓存、内存带宽到 Neural Accelerator，实战拆解 M5 相比 M4 在本地 LLM 与 Diffusion 推理中的性能意义。","permalink":"/posts/apple-m5-vs-m4-practical-comparison-ai-engineers/","title":"Apple M5 vs. M4: A Practical Comparison for AI Engineers"},{"excerpt":"KV Cache 是连接「Transformer 理论」和「LLM 工程部署」的一个关键概念。理解它，你就打通了从「模型怎么算」到「模型怎么跑」的最后一环。","permalink":"/posts/llm-api-kv-cache/","title":"WHAT is LLM API KV Cache"},{"excerpt":"理解什么是LLM Chain-of-Thought (CoT)，以及如何进行 prompt engineering触发 LLM的Chain-of-Thought (CoT)","permalink":"/posts/llm-chain-of-thought-cot/","title":"LLM Chain-of-Thought (CoT) 完全指南"},{"excerpt":"提示词工程？也许没有你想的那么简单。","permalink":"/posts/prompt-engineering-from-concept-to-implementation/","title":"Prompt Engineering从原理到实战"},{"excerpt":"了解什么事 LLM的 Prompt注入，以及了解一些最近本的防御措施","permalink":"/posts/understanding-prompt-injection/","title":"Prompt 注入"},{"excerpt":"此文使我（也许也可以使你）更加深刻地理解transformer的基本原理，告别对当前主流LLM的黑箱式理解。cheers！","permalink":"/posts/understanding-transformer-intuition/","title":"理解 Transformer 的数学直觉"}]