博客

AI 是超强的执行器，但它不懂怎么把问题拆对。AI 越强，分治（divide and conquer）这种“老掉牙”的思想越值钱——人的核心能力正从“怎么拆”变成“判断拆得对不对”：粒度、边界、顺序拆对了，结果才可验证、可迭代。

“Prompt、RAG、Agent 三选一”是个过于粗糙的说法。真实系统是一条从“全确定”到“全自主”的连续光谱，RAG 本质是给模型接知识的能力，Agent 也分固定编排和自主循环。这篇往深里聊：工作流模式、RAG 的三个深浅层级、什么时候才该让模型自主决策，以及成本、延迟和失败模式这些入门文章很少算的账。

国产大模型助手多到挑花眼：豆包、通义千问、腾讯元宝、DeepSeek、Kimi、文心一言……它们背后模型差距没那么大，真正的差别在出身带来的生态和擅长场景。这篇不堆跑分（跑分月月变），而是从“你拿来干什么”出发，讲清各家的基因、长板和短板，给一份按场景对号入座的选择建议。

一个人或两三个人做产品，最大的约束不是技术，是时间和钱。这套栈的目标很明确：不养服务器、不写运维、Git push 就上线、流量小的时候几乎零成本。本文从前端静态优先、后端 Serverless、托管数据库，到 CI/CD 自动部署，给出一套能今天动手、明天上线、跑起来月账单趋近于零的务实组合，顺便拿这个网站本身当例子。

聊天机器人只会“说”，智能体（Agent）能“做”——它能理解目标、拆解任务、调用工具、根据反馈自我修正，直到把事办成。本文讲清 Agent 与普通 LLM 对话的本质区别、自主执行的闭环（感知-规划-行动-观察）、工具调用与函数执行、记忆与状态管理，以及从简单脚本到可靠 Agent 的落地路径与护栏设计。

图文、视频、评论、直播弹幕……UGC 平台每天要在内容触达用户前完成海量审核。本文走一遍内容审核系统的机审流水线、多级召回、人工复审、策略中心与审核中台设计，兼顾“漏审风险”与“误杀体验”。