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 27 篇文章（已按标签筛选）
system-prompts-and-models-of-ai-tools ： AI 工具系统Prompt合集在 AI 编码与生产力工具爆发式增长的背景下，每款产品背后都藏着一段决定其行为的系统提示词。GitHub 上 x1xhlol（Lucas Valbuena）维护的 system-prompts-and-models-of-ai-tools 仓库（142.3k Star，GPL-3.0）自称
与模型对话时，同一个需求换一种问法，得到的结果可能天差地别：一次得到可用的生产代码，另一次得到一堆正确的废话。这不是模型“看心情”，而是提示词（Prompt）本身就在决定模型的注意力分配与输出形态。提示工程（Prompt Engineering）就是把这件看似玄学的事，变成一套可复现、可迭代的工程方法。本文按“基本结构 → 核心技巧 → 结构化输出 → 迭代优化 → 常见误区 → 总结”组织全文。…
《上下文工程》系列写到第 18 篇/post/1605，收官。前 17 篇按"懂账 → 技术 → 评测"的顺序层层推进，每篇解决一个专门问题；但真到线上排障时，没有人按系列顺序翻文章——你手里只有一个症状：窗口爆了、账单…
《上下文工程》系列前 16 篇各自开各的药方：预算、压缩、缓存、工具结果治理、注入纪律、评测口径。这一篇把病人请进来——优化对象是《AI Agent 开发》系列第 17 篇/post/1564搭起来的 Agentic R…
上下文工程讨论到现在，一直在回答"往窗口里放什么"：检索结果要标注来源，工具结果要裁剪，记忆要分层注入。这一篇换个问法——放进来的每一段内容，是否可能是别人递进来的刀？《AI Agent 开发》系列第 28 篇/post…
《上下文工程》系列的前 14 篇都在做同一件事：设计上下文——预算怎么分配、历史怎么压缩、检索结果怎么注入、工具输出怎么治理。每篇结尾其实都悬着同一个问题：改完之后，怎么知道真的有效？多数团队的答案是"看模型回答好不好"…
第 6 篇/post/1593把缓存与压缩的取舍算成了一笔战术账：命中读取只要 0.1 倍输入价，而压缩改写历史会把这笔折扣亲手作废。那篇的视角是单次决策——这一轮压还是不压。这一篇把镜头拉远：当一个系统每天跑几万轮 A…
系列前 12 篇都在教同一件事：把窗口当稀缺资源省着用——预算、压缩、缓存、子代理、检索注入，招招都是"少装"。但 2026 年的价目表很容易让人动摇：GPT6 Astra 窗口 1.05M，Gemini 3 Pro 与…
让 Agent 修一个函数，它能径直扎进你五年没敢动的祖传模块；让它排查一个偶发 bug，它 grep 两下就锁定病灶。这类体验的背后是同一个问题：百万行代码库里，这一轮该让模型看到哪几百行？代码是上下文工程最苛刻的场景…
给 Agent 补记忆的零件，这个系列已经攒了不少：第 5 篇/post/1592的 compaction 教会它压缩历史，第 7 篇/post/1594的文件笔记教会它记本子，《AI Agent 开发》系列第 23 篇…
RAG（RetrievalAugmented Generation，检索增强生成）链路里最容易被高估的一环是检索，最容易被低估的一环是注入。Agent 系列第 14～18 篇用五篇篇幅讲怎么把资料捞回来——切块、嵌入、混…
主 Agent 回答"这个接口的超时重试在哪实现"要付出什么代价？grep 三个关键词命中 800 行，顺着命中读了 20 个文件，再 grep 一轮确认调用方——最终答案是 200 token 的一句话，过程却烧掉近 …
《上下文工程》系列前几篇反复点名同一个嫌疑人：工具结果。第 2 篇/post/1589的实测账本里，24 条日志 JSON 组成的工具结果吃掉了 73% 的窗口；第 4 篇/post/1591的预算拆账又把它确认为单轮成…
跑过长任务的 Agent 都经历过"失忆三连"：追问三小时前定下的口径，它翻不出来；压缩刚过，再问某个关键路径，它一脸茫然；会话重启，一切归零从头再来。对话历史看起来是记忆，其实是块易失介质——会被压缩、会腐烂、会随会话…
第 5 篇/post/1592讲 compaction 时，所有算式都建立在一个隐含前提上：token 越少越省钱。这个前提在 2026 年要打折扣——主流 API 的 Prompt Caching（提示词缓存）把"重复…