「大模型推理系统」共找到 9204 篇相关文章
作为软件架构师使用 AI 的经验
Avraham Poupko 在 OOP 大会分享软件架构师用 AI 经验，认为软件架构师不会被 AI 取代，AI 适合探索权衡、提炼语言，但缺乏情境推理和情感智能，人类在这方面更有优势。
Andrej Karpathy：“ChatGPT套壳”的说法大错特错，提示词工程已过气
Andrej Karpathy力挺用“上下文工程”取代“提示词工程”，指出“提示词”过于简单，“上下文工程”更能揭示构建强大AI应用的本质。他强调“上下文工程”仅是构建大模型应用的一环，“ChatGPT套壳”说法大错特错。
默认联网搜索开启，DeepSeek、豆包、Kimi、百度文心一言、腾讯元宝、通义、智谱、天工等AI生成内容信息采集主要来自哪？
作者白杨SEO分享AI搜索优化，提到部分AI大模型默认开启联网搜索，利于做AISEO。还逐个分析DeepSeek、豆包等AI生成内容信息采集来源及占比，助于做好AI搜索优化。
完全复刻火爆全网的机器鸭
这是对Pollen Robotics Microduck的第三方复刻研究，从官方公开的MJCF仿真模型反推出装配图、爆炸图和可直接导入CAD的装配体。该机器鸭软件开源、硬件不开源，但已有信息足以还原装配关系。
你觉得 Kimi K3 又慢又贵是吧，我来告诉你为什么
作者用 Kimi K3 为墨问的 CatReader 增加发现页，实操中它多数时候快且抗用，不过周五晚变慢，收尾工作交给了 GLM 5.2。对用户觉得 K3 又慢又贵的问题进行分析，还区分了 Kimi App 和 Kimi Code 使用场景。
我做内容产品的逻辑
作者黄益贺分享做内容产品的逻辑，认为真正好的内容产品应是证明系统，以“AI产业链投资”产品为例，介绍其认知、工具、实操三层结构，称这玩法难复制，是AI时代内容产品原型。
真狠！4 万 Star CodeWhale，AI 写代码最怕的是什么？？？？
文章介绍开源的CodeWhale，它是terminal coding agent harness，GitHub超4万Star。它给代码Agent定规则，涵盖身份、证据等原则。支持多模型，有任务流程和多Agent协作功能，还分析适用人群并给出启动方法。
黄仁勋100万亿预言兑现！易鑫Voice Agent落地，汽车金融迎效率革命
2024年GPT - 4o问世后，Voice Agent创业公司涌现，但通用方案在金融等场景「水土不服」。易鑫深耕汽车金融，自研工业级Voice Agent系统，采用Model + Harness方法论，实战数据亮眼，还将向泛金融领域延伸。
Harness Engineering 时代的失败经验
作者分享在Harness Engineering时代使用Coding Agent的经验，指出虽Agent发展快且有成功案例，但实际应用有诸多问题，如部分模型体验差、自然语言模糊影响长程工作等，还给出解决思路，文章会持续更新。
Harness 工程就是控制论
文章指出OpenAI的Harness工程模式与瓦特离心式调速器、Kubernetes类似，都遵循控制论。代码库此前反馈回路在低层面，大语言模型改变现状，但需校准传感器和执行器，忽视工程实践代价会变得无法承受。