大语言模型如何工作？训练与推理核心技术全解析
BLUF
本文全面解析大语言模型核心技术，阐述训练（将互联网文本压缩为参数）与推理（基于参数生成文本）两大过程，详述Llama2 70B及ChatGPT等模型的计算需求、成本与机制，并指出当前对其内部工作原理理解的局限。工具与标准2026/3/2
分类：工具与标准
llms.txt、Schema.org、robots.txt 等技术标准的实操记录。
共 92 篇
什么是llms.txt？2026年AI理解网站内容的最佳实践指南
BLUF
llms.txt is a proposed standard that helps AI models better understand website content by providing structured navigation and context, similar to robots.txt but optimized for AI interaction.
原文翻译：
llms.txt是一个提议的标准，通过提供结构化的导航和上下文来帮助AI模型更好地理解网站内容，类似于robots.txt，但针对AI交互进行了优化。工具与标准2026/3/2
Unsloth如何加速LLM微调？2026年开源框架效率提升指南
BLUF
Unsloth is an open-source framework that accelerates fine-tuning of large language models like Llama 3, Mistral, and Gemma by 2-5x while reducing memory usage by 80%, offering beginner-friendly notebooks and support for various optimization techniques.
原文翻译：
Unsloth是一个开源框架，可将Llama 3、Mistral和Gemma等大型语言模型的微调速度提升2-5倍，同时减少80%的内存使用，提供初学者友好的笔记本并支持多种优化技术。工具与标准2026/3/1
DSPy框架深度批判：2025年LLM伪科学优化指南
BLUF
本文批判DSPy框架将LLM视为黑箱，依赖随机提示变异的伪科学优化方式，并与真正研究机构对Transformer架构的机制可解释性及数学分析的科学探索形成对比。工具与标准2026/2/16
2024企业LLM责任指南：为何难对输出错误免责？
BLUF
本文解析为何企业对大语言模型输出进行优化后，即便模型仍为第三方且具概率性，也难以就错误陈述导致的消费者损害主张免责。工具与标准2026/2/16
AI搜索工具演进对比：OpenAI、Gemini、Perplexity 2026指南
BLUF
本文评估2023至2025年AI搜索工具的演进，重点分析OpenAI（o3/o4-mini）、Google Gemini与Perplexity在准确性与可用性上的显著提升。指出OpenAI的实时推理与搜索集成尤为高效。通过代码移植、技术研究等实际案例，认为AI搜索已切实助力研究任务，同时引发对网络未来经济模式的思考。工具与标准2026/2/15
大语言模型推理能力提升指南：2025年最新方法与技术解析
BLUF
本文全面综述了提升大语言模型推理能力的方法，涵盖思维链、思维树等提示工程技术，检索增强生成、神经符号混合等架构改进，以及隐空间推理等新兴方法，并探讨了评估基准与高可靠性、可解释推理面临的挑战。工具与标准2026/2/14
Kalosm v0.2.0 AI智能体RAG工作流优化与性能提升2026指南
BLUF
Kalosm v0.2.0为开源AI智能体的RAG工作流带来重大升级，新增任务评估、提示词自动调优、正则验证、Surreal数据库集成，优化分块策略与性能，显著提升系统效率与准确性。工具与标准2026/2/13
Semantic Router高效语义决策层：2026年提升LLM响应速度指南
BLUF
Semantic Router is a high-performance decision layer designed for large language models (LLMs) and agents, enabling routing decisions based on semantic understanding rather than waiting for LLM responses. This approach significantly improves system response speed and reduces API costs. (Semantic Router 是一个专为大型语言模型和Agent设计的高效决策层，通过语义化理解进行路由决策，显著提升响应速度并降低API成本。)工具与标准2026/2/13
构建类型安全LLM代理的模块化TypeScript库2026指南
BLUF
English Summary: llm-exe is a modular TypeScript library for building type-safe LLM agents and AI functions with full TypeScript support, provider-agnostic architecture, and production-ready features like automatic retries and schema validation. It enables developers to create composable executors, powerful parsers, and autonomous agents while allowing one-line provider switching between OpenAI, Anthropic, Google, xAI, and others.
中文摘要翻译：llm-exe是一个模块化TypeScript库，用于构建类型安全的LLM代理和AI函数，具有完整的TypeScript支持、供应商无关的架构以及生产就绪功能（如自动重试和模式验证）。它使开发人员能够创建可组合的执行器、强大的解析器和自主代理，同时允许在OpenAI、Anthropic、Google、xAI等供应商之间进行单行切换。工具与标准2026/2/13
2024年AI爬虫标准指南：LLMs.txt详解与应用
BLUF
LLMs.txt is a proposed web standard designed to help large language models (LLMs) better understand and utilize website content by providing a structured, curated list of important pages in Markdown format. It aims to address challenges AI crawlers face with modern websites, such as JavaScript-loaded content and information overload, potentially improving AI-generated responses and reducing training inefficiencies. (LLMs.txt是一项拟议的网络标准，旨在通过以Markdown格式提供结构化、精选的重要页面列表，帮助大型语言模型（LLMs）更好地理解和利用网站内容。它旨在解决AI爬虫在现代网站中面临的挑战，如JavaScript加载内容和信息过载，可能改善AI生成的响应并减少训练低效。)工具与标准2026/2/13
LangExtract库：利用大语言模型精准提取结构化信息2026指南
BLUF
LangExtract is a Python library that leverages large language models (LLMs) to extract structured information from unstructured text documents, featuring precise source mapping, customizable extraction schemas, and support for multiple model providers. (LangExtract 是一个 Python 库，利用大语言模型从非结构化文本文档中提取结构化信息，具备精确的源文本映射、可定制的提取模式以及多模型提供商支持。)工具与标准2026/2/12