AGI 这个词比深度学习早出现了十年，为什么直到 GPT-4 才被认真讨论
这篇文章用通俗的语言解释了AI、AGI、LLM、GenAI、GPT和AIGC这几个容易混淆的概念，并回顾了从1943年人工神经元到GPT-4的AI发展历程。简单来说，AI是总称，AGI是强人工智能，LLM是大语言模型，GenAI是生成式AI，GPT是LLM的一种，ChatGPT是GPT的聊天工具，AIGC是GenAI生成的内容。
程序员转大模型：一条从 API 调用到生产级 Agent 的工程路线图
LLM Master 是一个面向程序员的大模型学习路线仓库，按基础认知、应用开发、RAG、Agent、微调部署、Transformer、项目与面试逐级展开。它强调工程落地、问题排查和面试表达，适合有开发基础、想进入大模型应用开发或 Agent 工程的工程师。
大模型落地深水区：金融能源教育跑通闭环，但数据治理没那么简单
2026年大模型行业落地进入深水区，金融、能源、教育、制造等领域已跑通商业闭环。本文基于最新行业动态，剖析AI智能体、高校数字化、金融生成式AI三大核心场景，并总结领域知识深度、场景闭环设计、数据治理、组织变革四大成功因素，展望多模态、自主智能体、行业专属模型三大趋势。
GEO 正在改写流量入口：让内容被 AI 选中并引用
生成式AI搜索已占全球搜索市场43%份额，GEO（生成式引擎优化）正成为企业信息触达用户的核心策略。本文系统讲解了GEO的定义、与SEO的本质差异、RAG技术底层、三步实施策略及教育、餐饮等行业的落地案例，帮助技术从业者理解如何让企业内容成为AI生成答案的权威引用源。
4GB 显存跑 Gemma 4：重打包 QAT 权重让解码快 1.12 倍
本文手把手教你在只有4GB显存的笔记本GPU（GTX 1650 Ti）上，用重打包的QAT量化GGUF文件运行Gemma 4 E2B模型。通过llama.cpp和CUDA，模型仅占1.2GB显存，解码速度达76 token/秒，比官方GGUF快1.12倍，且完全本地运行，无需云端。
单张 TPU v5e 跑 12B 模型：重打包 Gemma 4 QAT 权重实测
本文提供了一份分步指南，教你如何将 Google 量化感知训练（QAT）的 Gemma 4 权重重新打包，以便在单块 Google Cloud TPU v5e 芯片上通过 vLLM 部署。重打包后的模型在分类、数学、工具调用等任务上表现与 bf16 相当，甚至优于 Google 官方的 4-bit 导出，同时支持从 E2B 到 26B 的所有尺寸。
llms.txt 部署实战：30 分钟给 AI 爬虫画一张重点地图
llms.txt 是一项新兴提案标准，用来告诉大语言模型该优先收录你网站的哪些内容、用什么格式解析。它和 robots.txt 是互补关系：robots.txt 管抓取权限，llms.txt 管内容理解。本文带你通读完整规范、平台支持情况和分步部署流程，30 分钟就能上线一个可用的 llms.txt。
上下文工程不只是提示词：1400篇论文揭示模型理解与生成的不对称
这篇综述论文系统介绍了上下文工程这一新兴学科，它超越了简单的提示设计，涵盖上下文检索、生成、处理和管理等基础组件，并探讨了RAG、记忆系统、工具集成推理和多智能体系统等高级实现。通过对1400多篇论文的分析，作者指出当前模型在理解复杂上下文方面表现出色，但在生成长篇复杂输出方面仍有明显局限。
让模型自己管上下文：CLM 零样本准确率提升 11.4%，算力反降 21.5%
Meta 联合华盛顿大学等机构发布了上下文语言模型（CLM），把上下文当作文件让模型自主增删改，零样本下就能超过现有上下文管理策略，在 BrowseComp-Plus 上准确率提升 11.4% 且 FLOPs 减少 21.5%。项目已开源，支持在 Harbor 任务上直接运行，并提供了上下文学习和强化学习两条优化路径。
280篇文章