苹果端侧30亿参数模型：量化、缓存与LoRA三板斧
30 亿参数的模型，16 位精度下光权重就要 6GB——还不算提示词、中间结果和操作系统抢占的内存。iPhone 要在共享内存里跑它，还要不发热、不卡顿、不耗干电池。苹果给出的工程答案值得所有做...
YOLO云端平台拆解：从标注、训练到部署闭环
自己搭过视觉训练环境的都懂：标注工具、驱动、CUDA、框架版本、导出转换，每一环都能卡半天。Ultralytics 把这整条链搬到了云端——platform.ultralytics.com，从图片标注到 YOLO 模型投产在...
用Trae智能体给聊天服务补齐main入口函数
服务类代码写完了，程序却跑不起来——缺一个 main 入口。这种收尾活儿最适合交给 AI 编程助手。本文以一个 C++ 多模型聊天服务为例，走一遍用 Trae 智能体补齐入口函数的完整流程，顺带把工...
Agent工具调用链路拆解：定义、实现与调度三层
LLM 本身只会生成文本，读文件、跑命令、查数据库都要靠工具（Tool）。理解工具机制是理解 Agent 的地基：一个能干活的 Agent = 会决策的 LLM + 提供外部能力的 Tool + 把两者接起来的 Agent...
上下文工程实战：Agent跑偏的四大策略与失效模式
用 AI 编程助手开发项目时常见这样的曲线：开局表现很好，任务推进到几十轮后开始忘掉定好的技术方案、反复尝试已经失败的方法、甚至修改无关代码。模型没变，变的是上下文——对话历史、工具...
大模型架构与LoRA微调：可训练参数不到1%
大语言模型（LLM）是参数量十亿级以上的 Transformer 模型，靠海量无标注文本预训练获得语言、常识和推理能力。它和传统 NLP 模型的分水岭在三点：参数量差两三个数量级、训练数据从标注转...
Agent与MCP权限边界：新手选型和提问实战方法
刚上手 AI 的人普遍卡在同一个地方：名词满天飞——大模型、Agent、Skill、MCP，有人教写提示词，有人让装插件，还有人劝你直接搭智能体。其实先把三个问题想清楚，术语自然就归位了：手里的...
C++聊天服务CMake构建：库名报错与排错清单
C++ 项目接入自研 SDK 时，CMake 构建是第一道坎，也是最容易被网上抄来的配置坑住的一道。下面以一个依赖自研静态库 libai_chat_sdk.a 的聊天服务为例，把配置、报错根因、排错流程一次讲...
LangChain智能体四步搭建：多参数工具选型坑
普通模型调用只能"一问一答"，智能体（Agent）则要自己想清楚任务、挑工具、执行、再根据结果决定下一步。用 LangChain 搭一个能跑的智能体，实际工作量比想象小得多——核心就是四步：封工具...
前端工程师转Agent开发：能力迁移与四阶段路径
很多前端同学看到 RAG、Tool Calling、MCP、LangGraph 这串名词，第一反应是"是不是要推倒重来"。结论先放这里：不用推倒重来，但你确实要补后端、模型机制和 Agent 运行时的课。做过的 API...