文章归档
本站当前已整理完成的文章，按专题组织如下。
企业 AI
- AI 时代的新型工程师：FDE 到底需要什么能力（2026-05-31）
- 从一条算法招聘 JD，看企业是否还在用旧方式设计岗位（2026-05-17）
- 从企业招聘数据，看 AI 时代的战略错配（2026-05-16）
- 企业应该如何拥抱智能时代：从 AI 提效到产品重构与场景闭环（2026-05-06）
- 什么是“AI原生”？（2025-09-12）
企业 Agent
- 企业智能体落地前应该如何做业务场景调研（2026-06-10）
- 企业智能体分类与落地难度分析（2026-05-12）
- 企业 Agent 需要怎么样的记忆机制（2026-05-10）
- 企业 Agent 的统一语义模型方案（2026-05-08）
- 从 Anthropic Financial-Services 看通用企业 Agent 架构（2026-05-07）
- 聊聊在线AI系统的自我进化（2025-08-06）
- 聊聊智能体的“自我进化”（2025-08-06）
智能问数与语义层
- 企业智能问数选型：先诊断自己，再选择厂商（2026-06-14）
- 为什么企业智能体应该先上语义层（2026-06-12）
- 智能问数系统如何做回归测试（2026-06-03）
- 从 Demo 到可用：企业智能问数的正确落地路径（2026-06-01）
- 语义原生智能问数系统落地实现（五）：同一套语义如何服务 Agent、Dashboard 与 ML Pipeline（2026-05-23）
- 语义原生智能问数系统落地实现（四）：把自然语言问题收敛成受控 Cube Query（2026-05-22）
- 语义原生智能问数系统落地实现（三）：统一语义层（2026-05-21）
- 语义原生智能问数系统落地实现（二）：从公开数据到可分析数仓（2026-05-20）
- 语义原生智能问数系统落地实现（一）：从亚马逊选品与竞品评论开始（2026-05-19）
- 智能问数没有失败，只是需要换一种落地方式（2026-05-18）
- 基于472条评论的智能问数落地讨论分析（2026-05-17）
- 智能问数语义层框架：Cube Core 介绍（2026-05-05）
- 智能问数技术路线与选型（2026-05-04）
- 企业可信数据底座架构与厂家梳理（2026-05-01）
- 智能时代，企业的可信数据底座怎么建（2026-04-30）
AI 工程落地
- 怎么理解大模型的输出长度（2025-09-29）
- 领域加速芯片软件栈的复杂性分析（2025-09-28）
- 模型训练，一个参数需要多少Token？（2025-08-30）
- 大模型训练与微调显存需求分析（2025-08-27）
- 混合异构算力集群：大模型时代的趋势和挑战（2025-08-16）
- 大模型中1个Token到底算几个汉字？AI中文进化史全看懂（2025-08-02）
- PagedAttention实战分析（2025-08-02）
- 一文读懂vLLM的“酒店拼房”神技：PagedAttention（2025-08-02）
- 揭秘AI芯片的三国演义！GPU、TPU、存算一体，谁是最后赢家？（2025-08-02）
- 揭秘！大模型如何实现工具调用（2025-08-02）
- 【AI项目落地】揭秘大模型推理的“省钱”黑科技：KV量化（2025-08-02）
- 【AI项目落地】一文教你精准评估大模型推理成本（2025-08-02）
RAG / Embedding
- 基于1091条评论的RAG落地讨论分析（2026-05-17）
- 如何正确使用嵌入模型（2025-09-05）
- 一文读懂向量数据库内存占用（2025-09-01）
- RAG系统的落地挑战（2025-08-26）
- Embedding模型技术进展（2025-08-02）
AI 技术基础
- 基石之上6：在PCA与通用逼近之间（2025-11-01）
- 基石之上5：自编码器与PCA的等价性分析（2025-10-31）
- 基石之上4：从傅里叶表示到通用逼近定理（2025-10-30）
- 基石之上3：通用逼近定理的证明（2025-10-29）
- 基石之上2：标准正交基的本质和应用（2025-10-28）
- 基石之上1：一文读懂FFT（2025-10-27）
- 计算机视觉（CV）与视觉语言（VL）模型的经典结构与算子（2025-10-24）
- 扩散模型：从混沌到有序的生成艺术（2025-10-23）
- 强化学习概述（2025-10-22）
- HF8：Hugging Face 全景解析（2025-10-21）
- HF7：Hugging Face 核心运作机制（2025-10-20）
- HF6：PyTorch 与 Transformers 的关系（2025-10-18）
- HF5：Transformers 库与推理引擎的关系（2025-10-17）
- HF4：Transformers 库在HF生态中的作用（2025-10-16）
- HF3：束搜索 (Beam Search) 与采样 (Sampling) 算法（2025-10-15）
- HF2：transformers文本生成参数解析（2025-10-14）
- HF1：transformers与 sentence-transformers库（2025-10-13）
- 计算机视觉模型发展历程（2025-10-10）
- 大模型技术发展过程（2025-10-09）
- 多模态模型架构演进过程（2025-09-23）
- 什么是大模型领域的 “Scaling Laws”？（2025-09-14）
- 深度学习之父Hinton的主要研究成果与影响（2025-09-09）
- 算法选择的艺术——从“问题分析”到“算法选择”（2025-09-07）
- 连接主义：从神经元到现代人工智能（2025-09-06）
- 传统人工智能常见算法和落地参考（2025-09-03）
- 人工智能核心概念与关键技术速览（2025-08-29）
- 一文了解大模型技术中的“涌现”概念（2025-08-25）
- 一文了解MOE模型架构（2025-08-16）
- 大型语言模型 (LLM)技术架构发展历程（2025-08-02）
- 不止是权重！揭秘Hugging Face模型DNA：从“建筑图”到“聊天方言”，一次讲清！（2025-08-02）