Gemini 模型家族怎么选：科研场景下的型号分工与避坑提醒
这篇文章系统梳理了 Gemini 模型家族在 2026 年 9 月的型号格局，重点面向科研人员给出选型建议。核心观点是：以 Gemini 3.8 Flash 作为通用起点，再根据推理、图片生成、实时语音或向量检索等具体任务切换到对应模型。文章还提供了 API 接入示例、参数对比表和科研场景提示词模板。
OpenClaw 上下文压缩：工具调用配对保留与修剪机制的区别
OpenClaw 在对话接近模型上下文窗口限制时，会自动将较早的消息压缩成摘要，让聊天能继续。你也可以手动输入 /compact 触发压缩，并通过 openclaw.json 配置压缩模型、记忆刷新、通知等选项。压缩只改变模型下一轮看到的内容，完整历史仍保存在磁盘上。
OpenClaw 上下文压缩让 Agent 失忆：五层记忆模型与四套修复方案
OpenClaw 的上下文压缩（Compaction）在节省 Token 的同时，会把 Session 启动时读取的项目规范、安全约束等关键上下文一并压缩掉，导致 Agent 突然“失忆”、行为退化。本文完整复现该问题，剖析五层记忆模型与压缩机制，并给出 memoryFlush、SOUL.md 安全规则、Compaction-Safe 设计等四套修复方案。
大模型评测不止看榜单：从 MMLU 到 Tiny-RAG 的落地拆解
这一章讲的是大模型落地应用的两大关键环节：一是怎么科学评测大模型，包括 MMLU、GSM8K、MATH 等主流评测集以及 Open LLM Leaderboard、Lmsys Chatbot Arena、OpenCompass 等榜单；二是怎么自己动手搭一个 RAG 检索增强生成框架。作者用 Tiny-RAG 为例，从文档加载切分、向量化、检索到大模型生成一步步拆解，帮你把 RAG 的原理和代码都吃透。
GEO 不是 SEO 的替代品：企业级落地要拆开的工程三层
这篇文章把生成式引擎优化（GEO）定位成面向大语言模型“检索—推理—生成”链路的新一层信息组织工程，而不是传统 SEO 的替代品。作者从技术原理、工程架构和落地实践三个维度，系统拆解了 GEO 的技术实现路径。文中还分享了一套经过验证的企业级工程化方案，适合做技术选型与架构设计的团队参考。
Gemma 4 上 Cloud Run：单文件 MCP 服务器包办部署与压测，顺带踩了 FastMCP 改名坑
这是一份分步部署教程：把 Gemma 4 E2B 模型经由 vLLM 部署到 Cloud Run 上的 NVIDIA L4 GPU，并配一套单文件 Python MCP 服务器，在 Claude Code 里完成权重暂存、部署、健康检查、基准测试与销毁。文中还完整记录了一次真实踩坑——mcp 2.x 把 FastMCP 改名为 MCPServer，全新 pip install 后服务导入即崩溃，以及如何在不降级全局 Python 环境的前提下完成迁移。
GEO 考核指标是引用率，不是搜索排名
GEO（生成式引擎优化）并非SEO的简单升级，而是让品牌信息在生成式AI回答中被准确理解、信任并引用的系统工程。其核心实践包括内容结构化、语义适配、权威信源建设和多渠道持续迭代；2026年行业正随T/CGCC 119-2026等标准走向规范化。
别只调提示词：AI搜索优化的技术链路才是关键
本文系统阐述了AI搜索场景下GEO的核心技术框架与实施路径，覆盖语义理解增强、混合检索、生成调优、分布式架构及多维度评估体系，并结合代码示例和场景案例给出可落地的技术方案，为开发者提供了全面的技术参考与实践指导。
语言模型进化史：从统计计数到自注意力的跃迁
这篇文章从语言模型的根本任务出发，系统讲解了从N-gram统计模型、神经网络语言模型、RNN/LSTM到Transformer架构的完整演进过程。通过具体代码示例和直观比喻，帮助读者理解自注意力机制、多头注意力等关键概念，为掌握现代大语言模型的工作原理打下扎实基础。
280篇文章