把 AI / LLM 压成一张结构图:我如何理解一个完整的 AI 系统
把 AI / LLM 压成一张结构图:我如何理解一个完整的 AI 系统很多人在学习 AI / LLM 时,容易陷入一种“知识点越来越多,但脑子里没有地图”的状态。 今天看 Transformer,明天看 RAG,后天看 Agent,再过几天又开始研究 Memory、Tool Calling、Evaluation。每个词都认识,但一旦要把它们放进同一个系统里,就会立刻变得模糊。 我最近更倾向于用一种结构化的方式来理解这件事: 不把 AI 看成一次模型调用,而是把它看成一个完整系统的设计问题。 这篇文章想做的事情,就是把这些分散的知识压缩成一张可以随时展开的“认知结构图”。它既适合复习,也适合做技术判断,更适合沉淀成个人知识库。 一条主线:一个 AI 系统到底是怎么工作的先把最重要的主线固定下来。 一个典型 AI 系统,从输入到输出,大致会经历这样一条链路: 12345678用户问题→ Prompt 设计→ 模型推理→ 外部增强(RAG / Tools)→ Agent / Workflow 调度→ Memory 参与→ 输出生成→ Evaluation 验证...
Obsidian + AI:把笔记库升级成真正能用的第二大脑
基于公开文章观点整理并重新写作,适合作为二次发布版本。建议正文发布时保留“参考来源”说明,以降低转载争议。 Obsidian + AI:把笔记库升级成真正能用的第二大脑我试过很多笔记工具。 从 Notion、Roam Research、Logseq,到 Bear、Craft、语雀,几乎每一类都认真用过一段时间。它们各有亮点,但真正长期留下来的,还是 Obsidian。 原因并不复杂:你的数据在自己手里、格式足够开放、插件生态足够强,而且 AI 能真正深入到你的知识库里工作。 过去,笔记只是“存下来”;现在,接入 AI 之后,笔记开始变成“会被重新调用、重新组合、重新激活”的知识网络。你不再只是记录信息,而是在慢慢训练一个属于自己的外部大脑。 这篇文章不谈空泛概念,只讲一件事:怎样把 Obsidian 和 AI 插件组合起来,做成一套真正能落地的个人知识系统。 为什么 Obsidian 特别适合和 AI 结合市面上并不是没有 AI 笔记工具,但如果你想长期使用、逐步积累,并且保留对数据和模型的控制权,Obsidian 依旧是非常特别的存在。 1. 本地优先,数据控制权更完整O...
闲云舒展,一静心安
🥧根本不需要什么描述https://github.com/cxanh/pic-bed/blob/main/img/yuzi.jpg?raw=true
Markdown语法与外挂标签写法汇总
🥧本文汇总Markdown格式以及外挂标签在网页端的渲染效果,可作为文档进行查询 代码块1234567891011# VSCode终端hexo clean; hexo shexo clean; hexo g; hexo dgit add .; git commit -m "npm publish"; npm version patch; git push# Cmder终端hexo clean && hexo shexo clean && hexo g && hexo dgit add . && git commit -m "npm publish" && npm version patchgit push 多级标题见本文章标题! 文字样式下划线演示 文字加粗演示 文字斜体演示 文本高亮演示 文本删除线演示 5号字黑体蓝色 这里的背景色是:MistyRosen,此处输入任意想输入的内容 上述要点可参考:【Markdown语法】字体颜色大小及文字底色设置 引用...

