Tag
大家好。我是老刘 之前我写过一篇文章说我退订了Trae，改用Copilot加第三方的模型套餐。说起来，现在我想把那段经历与我的三层大模型选择策略结合起来帮助你们在真实项目中更好地评估和使用编程大模型。 测评榜单不是万能钥匙：你到底需要关注什么？怎么说呢， 所有测评本质上都是“试题集+人工打分”。只能反映模型在特定 Agent 下解决特定类别问题时的表现。实际工作场景往往与测试集差距很大——PRD
查看更多 2026-09-15
对人体扫描网格做语义部位分割，常见做法是直接在三维点云或网格上跑分割网络——我试过很多次效果都不太理想。话说回来， 从后来发现来看，先把模型「切」成平面渲染图。用成熟的 SCHP 做二维人体解析，再把标签沿视线反射回网格，稳定、可控。 先 2D 分割，再映射 3D 人体扫描网格通常具有不规则拓扑、噪声、孔洞、非标准姿态 。若在此类数据上直接做三维语义分割，网络需要同时解决几何噪声
查看更多 2026-09-15
很多人像你提到的前同事一样。原本从事 Java 开发，却被迫转行做 Agent 开发。公司“要么转型要么离职”，你只能硬着头皮上。 这不仅带来了技术上的学习压力，更有每晚被“打鸡血”般要求聊五块钱、解释模型强弱等商业痛点。 痛点一这方面，不知道该选哪种大模型 当你被问到“哪个大模型最强？”时往往会陷入信息混乱，真正需要的是先拆解业务需求。再给每个子任务挑选合适的模型，而不是盲目追逐“最强”。不过
查看更多 2026-09-09
在前文我们讨论了分词器如何将一句话拆成子词并映射为 token id 序列，但这些编号本身并不携带任何语义或顺序信息。这篇文章聚焦于 token id 之后的两步关键：先通过嵌入层把离散编号转换为稠密向量。再将位置信息注入，最终进入 Transformer 层。了解这两步是解决大模型推理中“为什么同一组词在不同句子里表现完全不同”的主要痛点。 嵌入层查表 嵌入 是把离散的 token id
查看更多 2026-09-08
这篇文章中的 ToolFunction 泛指“注册给 AI 应用使用的函数工具”，不是某个框架的固定类名；Skill 指采用 SKILL.md 组织的 Agent Skills。 你是否也在为以下问题困扰？ 如何让模型更智能地选择和使用工具？ 关系？ 如何将现有程序能力转化为模型可用的工具？ 权限控制如何确保安全性而不依赖于提示词？话说回来， 在复杂任务中。模型如何决定接下来动作，
查看更多 2026-09-08
至于作者。张健川 做大模型应用的同学大多有这个体感：一开始只接一个模型，后来变成同时管一组。同一套业务里轻量问答、内容摘要、复杂推理、代码生成、Agent 工具调用可能全都有，而每个模型的能力、价格、延迟、可用状态各不相同。不过，于是一个新的工程问题冒了出来：这一次请求。到底该交给谁， 常见的做法有几种，各有各的难处。全都丢给旗舰模型，效果是稳了成本和限流压力会一路涨；在应用代码里手写选择逻辑
查看更多 2026-09-07
标准化承接 向量质量、向量一致性、向量化吞吐量、服务稳定性，直接决定下游向量索引存储效率、相似度召回精度、重排效果还有最终问答可用性。 开源 RAG 框架原生普遍存会出现任务堆积、GPU 利用率极低、服务阻塞、脏向量污染向量库等一系列连锁故障。 一、原生逐条向量化引发的多层级生产故障 在公司私有化知识库落地过程中。Embedding 层是最容易被忽视，但对程序性能影响最大的模块
查看更多 2026-09-07
使用者痛点 在使用大模型 API 时开发者常遇到以下痛点： 频繁出现 “has no provider supported” 或 “Auntication failed” 等报错。 模型名称随时可能失效，导致一次调用失败后需排查数分钟。 国内外域名切换、账号绑定等细节不一致，使得同一服务在不同环境表现不一。 缺乏统一、实时可查询的可用模型列表，加剧了调试成本。 故事的开始 今天我在折腾
查看更多 2026-09-06
：分危机，把一群程序员推上神坛 最近知乎上突然爆火的一个词：大模型善后工程师 。话说回来， 使用者痛点一览：从代码到成本的连锁反应 时间成本飙升 : 传统调试耗时数小时甚至数天；AI 生成后每个新 bug 又要重新定位。 质量难以保障 : 自动化生成代码往往缺乏业务语境和安全性审查。说起来， 维护成本攀高 : 模块间耦合度提高。bug 传播范围扩大， 团队协作受阻 : 同事之间对 AI
查看更多 2026-08-15
大模型应用开发面试 • 第4期：A2A挑战。探索具身智能未来 作为AI领域最前沿的技术方向，智能体 正在重塑人机交互范式。说起来，本期我们将直击开发者最关心的三大主要痛点。为你剖析高频面试问题背后的技术本质和领域变化方向。 使用者痛点： Agent复杂场景下效率低下 - 多任务协同时容易出现任务阻塞、资源冲突 性瓶颈 - 因为智能体数量增长，计算负载呈指数级上升 实时性要求高 -
查看更多 2026-08-15
Demand feedback
