Headroom 详解：给 AI 代理的上下文压缩层
Headroom 详解：给 AI 代理的上下文压缩层AI 编码代理越能干，上下文就越容易爆炸：一次工具调用吐出几百行 JSON，一轮搜索带回整个代码库的日志，历史消息层层累积——这些都要按 token 付费，还拖慢推理。Headroom（Headroom Labs 出品，约 66.4k Star）把自己定位为"AI 代理的上下文压缩层"：在工具输出、日志、文件、RAG 片段、对话历史到达大模型之前
113
分类
AI
追踪大模型的实战前沿：模型横评与选型（Fable、GPT、Gemini、DeepSeek）、AI Agent 架构（浏览器代理、Computer Use、多智能体协作）、判断模型（Jev、Laya）、本地化部署（AnythingLLM、WebLLM）与开源 AI 生态全景。从原理拆解到落地配方，给出可复制的选型与工程结论。
共 162 篇文章
GraphRAG 详解：微软基于知识图谱的 RAG 系统
GraphRAG 详解：微软基于知识图谱的 RAG 系统普通向量 RAG 擅长"找到相关段落"，却答不好"这批文档整体讲了什么主题、各主题之间什么关系"这类全局性问题——因为答案散落在成百上千个chunk里，检索只能捞到零星几块。microsoft/graphrag（GraphRAG）就是微软为此提出的解法：先用 LLM 从文本里抽取实体与关系、构建知识图谱，再对图做社区聚类、逐层摘要，把"全局理
138
国产大模型 2026：DeepSeek、Kimi、Qwen 的现状与选型
国产大模型 2026：DeepSeek、Kimi、Qwen 的现状与选型2026 年，国产大模型已经从"追赶者"变成"第一梯队常客"。DeepSeek 用开源推理震动业界，Kimi 把超长上下文做到极致，Qwen 搭起全尺寸多模态生态，智谱、豆包、MiniMax 各占一席。对国内团队而言，"用国产"已不再是退而求其次——在中文、成本、可控这三件事上，它往往是更优解。本文不止盘点，更讲清"怎么获取、
619
具身智能：当 AI 装进身体，从"会说"到"会做"
具身智能：当 AI 装进身体，从"会说"到"会做"大模型让 AI 学会了"说"，可它依然被困在屏幕里——能滔滔不绝讲"如何拧螺丝"，真给它一把螺丝刀却手足无措。要让它真正"动手"，就得给它一个"身体"。具身智能（Embodied AI）研究的正是"有身体的 AI 如何在真实世界感知与行动"。2026 年人形机器人密集进厂、进家，具身智能正从论文走向现实。本文讲清它的范式演进、数据来源与核心挑战。1
122
别盲信大模型：幻觉的根源与分层校验方法论
别盲信大模型：幻觉的根源与分层校验方法论大模型越强大、回答越流畅，就越容易让人卸下戒备。但一项针对前沿 LLM 的实测给出一个扎心的数字：在约 67% 的真实世界事实验证上，不同模型给出的结论互相矛盾——同一个问题，Claude、GPT、Gemini 各执一词。详见 前沿 LLM 事实验证分歧。流畅，是 AI 最危险的伪装。本文不讲"幻觉很可怕"这种废话，而是讲透它为什么必然发生，以及如何用一套分
159
REA：Agent 时代的逆向工程工具
逆向工程一直是高度依赖专家经验的领域：打开 Hopper 看反汇编、翻字符串、追调用链——每一步都耗时且难以复用。REA（Reverse Engineer Anything）把这件事交给 Agent：一个 MCP 服务器加一套 Agent 技能，让 Claude Code、Codex、Cursor 等编码代理具备"从应用行为一路逆向到原生二进制"的能力——分析本地跑、证据随结论返回，Agent 拿…
473
世界模型：AI 的下一个前沿到底指什么
世界模型：AI 的下一个前沿到底指什么LLM 学会了"语言"，却有个致命盲区——它"懂词不懂世界"。它知道"摔碎"常和"杯子"一起出现，却未必真懂重力与碰撞；它能描述"向左打方向盘"，却无法预测下一秒车的位置。要让 AI 走进物理世界、做长期规划，就得给它一个能"预演后果"的内部模拟器——这就是世界模型（World Model），被广泛视为继 LLM 之后 AI 的下一个前沿。延伸阅读。1、世界模
154
Codex 复兴：云端并行 Agent 与 CLI 双形态实战
Codex 复兴：云端并行 Agent 与 CLI 双形态实战Codex 是 OpenAI 最早的代码模型名字，曾在 GitHub Copilot 初期立下汗马功劳，后被 GPT-4 系取代而沉寂。但 2025-2026 年，OpenAI 让它"重生"——不再是一个补全模型，而是一套云端 Agent + CLI的编程代理，被社区评为"令人意外地好用"。它的独门武器是云端并行：能同时在多个沙箱里跑多
254
Cua 详解：给 AI Agent 一台能用的电脑
Cua 详解：给 AI Agent 一台能用的电脑Computer-Use Agent（CUA）的瓶颈往往不在模型，在机器：Agent 要操作真实桌面，就得有隔离的虚拟机、不抢鼠标的后台驱动、可复现的评测环境——这些基建各自都是脏活。trycua/cua（Cua，Computer-Use Agent 的缩写）把这层基建整体开源：Lume 管 Apple Silicon 上的 macOS/Linux
348
Transformers 详解：Hugging Face 模型库
如果说深度学习这十年有什么基础设施级别的工程，Hugging Face 的 Transformers 一定排在前列。它把「下载一个预训练模型跑推理」从论文复现级别的难度，降到了一个 pipeline 调用的程度，文本、视觉、音频、多模态全都能吃。到今天 Hub 上的 Transformers 模型检查点已经超过 100 万个，几乎每个新发布的开源模型都会先给它提交架构支持。本文从项目定位讲起，覆盖…
207
knowledge-work-plugins 详解：Claude 的岗位专家插件
Claude 能写代码、能聊天，但它默认不懂你们公司的销售流程、财务科目和法律条款——每个岗位的上下文都要从零教起。Anthropic 官方开源的 knowledge-work-plugins 就是来解决这件事的：一套面向知识工作者的插件库，把 Claude 变成特定岗位的专家，预装该领域的技能、命令、子代理与工具连接。仓库约 26.8k Star、Apache 2.0 协议。本文按"概述 → 插…
274
《那些跑通AI变革的团队做对了什么》：瓶颈在组织，不在技术
Laya 详解：可自托管微调的非自回归判断模型Jev 证明了"判断模型"这条路走得通，但它闭源、按 token 计费、只能云端调用。两天后（2026 年 9 月 18 日），NandhaKishorM 在 GitHub 开源了 NandhaKishorM/laya（Laya）：多语言、非自回归的 System 1 判断引擎——三个 checkpoint（laya / laya-multilingu…
296
2026 大模型横评与选型：Fable 5、GPT-5.x、Gemini 3.x 怎么选
2026 大模型横评与选型：Fable 5、GPT-5.x、Gemini 3.x 怎么选 2026 年中，大语言模型早已不是"一家独大"。Anthropic、OpenAI、Google 三强贴身肉搏，国产 DeepSeek、Kimi、Qwen 紧咬不放，开源阵营持续走高。真正棘手的问题，已经不是"哪个模型最强"，而是"我的场景该用哪个"——同一条任务，选错模型可能多花十倍成本、还更慢更差。本文先用…
498
Jev 详解：不做生成的判断模型
Jev 详解：不做生成的判断模型让 LLM 干"判断"的活，一直是件拧巴的事：它擅长生成文本给人读，你要的却是结构化决策给代码用——于是提示词约束、JSON 解析、重试兜底一层层糊上去。TypeSafe AI 的答案是干脆换一类模型：Jev，首个 System One 模型——不做文本生成，专职快速、结构化的判断：输入状态与类型化问题，输出带概率与置信度的结构化答案，类型错误在数学上不可能发生，因
736
awesome-opensource-ai 详解：1024 个条目的开源 AI 全景图
awesome-opensource-ai 详解：1024 个条目的开源 AI 全景图AI 开源生态这两年爆发式生长，缺的从来不是项目，而是一张靠得住的地图。alvinreal/awesome-opensource-ai（Awesome Open Source AI）就是这样一份清单：从 PyTorch、vLLM 到 LobeHub，从训练微调、推理服务到安全评测，横跨整个开源 AI 技术栈，单文
346