分类
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
system_prompts_leaks 详解：60k Star 的 AI 系统提示词泄露合集每家 AI 厂商在用户对话开始前，都会给模型注入一段隐藏的"系统提示词"（system prompt），规定它的人设、能力边界、安全约束与可用工具。GitHub 上的 asgeirtj/system_prompts_leaks 仓库把这些原本不可见的系统提示词逐字收录、按厂商分类、持续更新，已被《华盛顿邮
Docs2KG 详解：人机协同的异构文档知识图谱构建前面介绍了三个知识图谱工具——Graphify（代码库）、ai-knowledge-graph（纯文本）、Knowledge Graph Extractor（自托管）。它们各有侧重，但都有一个共同短板：LLM 自动提取完就结束了，没有人工审核和迭代闭环。提取错了怎么办？漏了实体怎么办？关系标错了怎么办？Docs2KG（AI4WA 团队，371 S
Android CLI 完全用法解析随着 AI 代理（Gemini、Claude、Codex 等）越来越多地参与 Android 开发，Google 推出了一个为"代理优先"工作流设计的命令行工具——Android CLI（即 android 命令）。它把建项目、管设备、装 SDK、查文档、装技能、连 Android Studio 等一整套能力收进终端，既方便开发者脚本化操作，也方便 AI 代理直
Cherry Studio 详解：聚合多模型、开箱即用的桌面 AI 客户端用过大模型的人大多有个共同烦恼：要在 ChatGPT、Claude、Gemini、DeepSeek、本地模型之间来回切网页或客户端，对话历史和知识库还各管各的。CherryHQ/cherry-studio（Cherry Studio）想用"一个桌面客户端"解决这件事——它把主流云端大模型与本地模型聚合到一起，支持多模型同时对
Claude Code 提示词库：52 个开箱即用的官方提示词用 Claude Code 时，很多人只会问"帮我写个 X"或"修这个 bug"。但面对一个陌生的几万行代码库、一次跨模块的重构、一场线上事故，"怎么问"往往比"用什么模型"更决定 Claude 能不能真正帮上忙。Claude Code 官方维护了一个提示词库（Prompt Library）——52 个精心设计、可直接复制粘贴的提示词，
小模型当道：蒸馏、量化与端侧部署的工程逻辑前两年"参数越大越强"的叙事统治一切，但 2026 年出现了一个反直觉的回潮：小模型重新吃香。从手机里的端侧助手，到企业里"小而专"的微调模型，越来越多人发现——"够用、便宜、快、可控"的小模型，在大量场景里比大模型更优。本文不讲"小模型也很好"的废话，而是拆开它靠什么变强、怎么部署、如何与大模型协作。1、"越大越好"为什么逆转大模型确实强，但它带着三个硬
God of Prompt：30,000+ 工程化 AI 提示词库一个更"工程化"、更商业化的提示词库——God of Prompt。它自称 "The #1 Most Powerful Open Prompt Library"，收录 30,000+ 提示词，覆盖 19 大类目、180 个子类、7 大主流 AI 模型（ChatGPT、Claude、Gemini、Grok、DeepSeek、Midjo
推理模型详解：从 o1 到自适应推理的 test-time compute 革命2024 年 OpenAI o1 横空出世，把大模型的竞争从"参数越做越大"拉到一条新赛道：推理模型（Reasoning Model）。到 2026 年，"先想后答"已成顶级模型的标配。但"推理"到底指什么？为什么"多想一会儿"就能更准？什么是 test-time compute？本文钻进原理，一次讲透——不背概念，只
prompts.chat：世界最大的开源 AI 提示词库Prompt Engineering（提示词工程）是 AI 时代的核心技能，而谈到提示词资源，prompts.chat 是绕不开的名字。它的前身是鼎鼎大名的 Awesome ChatGPT Prompts——2022 年 12 月最早的提示词库，现已发展为"世界最大的开源 AI 提示词库"：143k+ GitHub stars，被 Forbe
AI 知识图谱生成器详解：从非结构化文本到可视化图谱你有一堆文档（论文、报告、笔记、文章），想快速搞清其中的"谁和谁有关系、什么导致了什么、谁属于哪一类"——手动阅读提炼太慢，交给 LLM 又只给你一段总结文字。Robert McDermott 开源的 ai-knowledge-graph 恰好解决这个痛点：它用 LLM 从非结构化文本中自动提取"主-谓-宾"三元组（SPO triplets），然
Knowledge Graph Extractor 详解：单卡自托管的知识图谱生成器前面介绍了 Graphify（代码库图谱）和 ai-knowledge-graph（文本图谱），它们都依赖外部 LLM API（Claude / GPT / Ollama）。但如果你想完全自托管——不调任何云 API、数据不出域、一张 GPU 就能跑——Knowledge Graph Extractor（Han X
ChatGPT 最新演进：从 GPT-5 到 Agent 的全面进化2026 年的 ChatGPT 已经远不是 2022 年那个"聊天机器人"了。它经历了 GPT-5 → 5.1 → 5.2 → 5.5 → 5.6 的快速迭代，从一个"对话工具"进化成了一个集 Agent、编程、购物、健康管理于一体的 AI 平台。新增的 Auto/Fast/Thinking 三档模式、Work Agent、Cod
Graphify 详解：把整个代码库变成可查询的知识图谱理解一个大型代码库有多痛苦？几万行代码、几十个模块、数百个文件，新人入职两周还在"这个函数在哪调用、这个模块依赖谁"里挣扎。Graphify（GitHub 近 95k Star，2026 年最火的开发者工具之一）就是来终结这个痛苦的——它把任何代码库（含文档、SQL、PDF、截图）自动转成一个可查询的知识图谱，每条关系都标注"确定的/推理的/
RAG 进阶：生产级 RAG 的系统工程实战RAG（检索增强生成）是企业让大模型"基于自家知识"回答的主流方案。但"照着教程拼一个 demo"和"做出生产级准、全、稳的系统"之间，隔着一整个工程鸿沟——demo 能答对的问题，生产里可能十答九错。本文不再罗列名词，而是把 RAG 拆成索引、查询、生成、评估四大子系统，给出每个子系统的关键决策与进阶实践。1、先把架构看清：不是流水线，是四大子系统大多
MCP 实战：用模型上下文协议给 AI "长手"以前给 AI 接一个工具，要为每个客户端单独写一套集成——接 10 个工具、用 3 个客户端，就是 30 份适配代码，写不完、改不动。MCP（Model Context Protocol，模型上下文协议）就是为了消灭这个"M×N 适配地狱"而生的：它把"模型"与"工具/数据源"之间的连接标准化，写一次 Server，处处可用，被戏称为"AI 应用的