[{"content":" ","permalink":"https://bingorun.cn/posts/llm-research-sop/","summary":"用互相独立的信息源交叉验证新发布模型的真实能力、使用手感与工程性价比：核心流程、信息源全景、30分钟快速初筛与复制即用的提示词模板，供技术团队与独立开发者使用。","title":"新一代大模型调研指南：交叉验证 SOP"},{"content":"FDE（Forward Deployed Engineer，前沿/前线部署工程师）是近年来在生成式 AI 落地潮中爆发的最热门岗位之一。虽然该角色最早由大数据巨头 Palantir 在 2010 年代初发明，但在大模型进入产业深水区的背景下，它被 OpenAI、Anthropic、谷歌等 AI 巨头彻底\u0026quot;复活\u0026quot;并赋予了全新的使命。\n以下结合 V2EX 社区讨论、行业数据以及一线从业者的实战手册，系统梳理 FDE 岗位的内涵、现状、各界看法与未来走势。\n一、什么是 FDE？（岗位定义与核心职能） FDE 直译为\u0026quot;前置部署工程师\u0026quot;。核心逻辑是：把硬核的软件工程师直接\u0026quot;空投\u0026quot;到客户公司的业务现场，通过深度理解客户需求，将大模型、API、Agent 真正缝合进企业纷繁复杂的底层数据和业务流中，并对最终可量化的生产系统负责。\n它与传统技术岗位有三个核心本质区别：\n1. 不只是写代码，更要消除\u0026quot;翻译负债\u0026quot;\n企业买大模型，痛点不是没有 API 文档，而是\u0026quot;没人能把含糊的业务痛点翻译成 AI 能解决的工程问题\u0026quot;。FDE 的第一要务是做这个跨界\u0026quot;翻译官\u0026quot;。\n2. 不只是交付方案，更要交付生产级代码\n传统咨询顾问（Consultant）交付一份 PPT 报告；传统售前或解决方案工程师（Solutions Engineer）交付一个 Demo 原型。而 FDE 必须在客户的复杂网络拓扑和混乱的 Legacy 数据库里编写生产级别的代码，直到系统上线、跑顺并移交。\n3. 双重使命（Dual Mandate）\nFDE 既要为单一客户解决 0 到 1 的落地问题，同时必须将在现场踩坑学到的经验、发现的共性需求，抽象并反哺回供应商自己的核心产品 Repo 中，避免过早泛化。\n二、火爆现状与技能栈 供需现状：爆发式增长与高溢价 MIT 等机构报告指出：高达 95% 的企业在投入生成式 AI 后未能获得可测量的损益影响——钱花了，但真实业务卡在数据权限和一线员工不用上。企业因此产生了巨大的\u0026quot;落地焦虑\u0026quot;，FDE 正是这份焦虑的解药。\n岗位暴增：招聘平台 Indeed 的数据显示，FDE 的岗位发布量实现同比数倍的爆发式增长。 薪资天花板：硅谷 AI 实验室给 FDE 开出的总包高达 35 万至 55 万美元（如 Anthropic 的 FDE 岗位年薪折合人民币近 200 万元）；国内字节跳动、腾讯等也已在大规模开设类似的 R\u0026amp;D 落地岗位。上海等城市甚至已率先将 FDE 纳入政府的高层次人才培养规划。 核心技能栈 FDE 往往被戏称为\u0026quot;拿着打工钱、干着客户公司全栈 CTO 活的特种兵\u0026quot;，其能力模型要求极高：\n硬核工程能力：熟练掌握 Python、Go、TypeScript、Next.js，具备强大的现代全栈和微服务架构能力。 AI 与数据管道处理：能够应对混乱的企业旧数据库（SQL/NoSQL），快速搭建稳定的数据流（Data Pipeline），精通 RAG、LLMOps、多 Agent 架构及概率性模型的\u0026quot;防护栏（Guardrails）与评测机制\u0026quot;。 极强的客户沟通与业务拆解力：需要有 25%~50% 的时间在现场泡着，与企业一把手、业务部门直接对话，梳理其模糊的组织政治与合规约束。 三、行业核心看法：理想 vs 骨感 网络上对 FDE 这个岗位的评价呈现出高度极化的\u0026quot;撕裂感\u0026quot;：\n维度 乐观派 / 大厂视角（光鲜的\u0026quot;金饭碗\u0026quot;） 悲观派 / 一线从业者（骨感的\u0026quot;新外包\u0026quot;） 身份定义 AI 时代的\u0026quot;跨界特种兵\u0026quot;、高价值产品的共同定义者 \u0026ldquo;换了马甲的驻场外包（OPC）\u0026quot;，与当年的华为交付工程师类似 落地难度 帮助企业解决\u0026quot;最后一公里\u0026quot;痛点，重塑组织工程流 \u0026ldquo;语义负债\u0026quot;和\u0026quot;数据负债\u0026quot;过重，很多时候工程师在车间贴二维码、教人用 AI 客户生态 像 Palantir 一样，通过高客单价服务国防、金融、跨国巨头 国内\u0026quot;客单价看似高但养人成本极高（勉强能活）\u0026quot;，且部分客户存在白嫖思维 底层动机 赋能客户，让 AI 深入场景产生真正可衡量的 ROI AI 大厂是在\u0026quot;用 FDE 套取客户不外流的产业工作流数据\u0026quot;来反哺核心模型 一条清醒的行业观察：\u0026ldquo;AI 并没有解决坏的系统，它只是放大了好的系统。\u0026rdquo; 很多 FDE 进场后发现，企业的核心瓶颈不是 AI 模型不够聪明，而是企业自身的流程僵化、审批冗长、老员工不愿配合、数据根本没有标准化。这导致 FDE 往往要承担大量的组织变革和情绪安抚工作。\n四、未来与终局预测 根据行业发展趋势和开源实战手册（如《FDE：企业 AI 落地实战手册》）的推演，FDE 岗位的演变将走向三个阶段：\n短期（1-2 年）：大模型时代的\u0026quot;掘金卖铲人\u0026rdquo; 在企业 AI 泡沫退去、急需自证价值的这两年，FDE 依然是整个 AI 职场的黄金斩杀线。各行各业的烟囱式系统（Legacy Systems）极其顽固，自动化工具在短期内无法完全接管定制化集成。能走入现场、吃下痛苦、清偿企业\u0026quot;数据负债\u0026quot;的 FDE，依然是最能帮公司赚到真金白银的群体。\n中期（3-5 年）：从\u0026quot;卖人头劳务\u0026quot;走向\u0026quot;资产与产品化\u0026rdquo; FDE 模式如果纯靠驻场人头，商业模式会非常重，难以规模化（Scalable）。未来的卓越团队会迅速建立起行业本体系统（Ontology Systems）：通过前几个项目的疯狂踩坑，把特定行业（如半导体 Bug 排查、金融理赔、跨国供应链）的 Agent 工作流沉淀成标准化的 Prompt 库、知识库蓝图和低代码平台，使后续项目的定制量和驻场时间呈指数级下降。\n远期终局（5 年以上）：AI 智能体反噬与岗位泛化 随着基础大模型对工程代码的理解、多文件重构能力（如 Claude Code 等工具的演进）越来越强，以及 AI 自主排查 Bug、运行测试、创建 PR 闭环的实现，\u0026ldquo;纯技术型 FDE\u0026quot;的价值将被严重压缩。\n岗位将走向分化：一部分顶尖 FDE 彻底转型为拥有 AI 武器的独立商业顾问 / 行业架构师；另一部分则融入普通软件工程师的日常职责——未来的\u0026quot;全栈工程师\u0026quot;默认就必须具备\u0026quot;前线部署和 AI 织入\u0026quot;的能力，FDE 作为一个独立光鲜的 Title 可能会逐渐泛化和消失。\n参考资料 Paraform — What is a Forward Deployed Engineer 新浪财经 — FDE 岗位报道（2026-05） 百度百科 — 前沿部署工程师（FDE） Extern — Forward Deployed Engineer Career Guide V2EX — FDE 相关讨论（一） V2EX — FDE 相关讨论（二） UD — What is Forward Deployed Engineer 2026 Perspective — How to Build Forward Deployed Engineering Function V2EX — FDE 技能栈讨论 Futureproofing — Forward Deployed AI Engineers V2EX — FDE 终局讨论 36氪 — FDE 岗位报道 Palantir — FDE 招聘 JD LinkedIn — Vinod Veeramachaneni 关于 FDE 的观察 Deloitte — Forward Deployed Engineer 岗位 知乎 — FDE 岗位分析 ","permalink":"https://bingorun.cn/posts/fde-forward-deployed-engineer/","summary":"FDE（前沿部署工程师）是 AI 落地潮中最热的岗位：硅谷总包 35-55 万美元，国内已纳入高层次人才规划。但一线从业者叫它「换了马甲的驻场外包」。本文梳理 FDE 的定义、技能栈、行业撕裂评价与三阶段终局推演。","title":"FDE：AI 落地潮里最热的岗位，光鲜与骨感的两副面孔"},{"content":" 目标读者：想让 AI 智能体替自己完成浏览器内操作（答题、表单、巡检）的开发者。 实测结果：在线安全答题 100 分。本文拆解整条链路的技术原理，以及它为什么\u0026quot;作弊\u0026quot;得如此干净。\n0. 先说结论 这套方案的四个组成部分：\n角色 组件 一句话职责 知识库 培训 PPT → markdown 答案的唯一来源，提前离线准备好 大脑 pi-agent（终端智能体） 读题、检索知识库、决定点哪个选项 翻译官 chrome-devtools-mcp 把 AI 的意图翻译成浏览器指令 手脚 Chrome 远程调试（CDP） 真正执行：读 DOM、点击、截图 一个必须先建立的认识：这个系统答对题，靠的不是模型懂网络安全，而是答案在喂给它的材料里。 它的本质是一套跑在浏览器上的 RAG（检索增强生成）系统。理解了这一点，你就理解了它的能力边界。\n1. 知识准备：答案在开考前就已经写好 题库出自公司培训材料《智能时代，网安护航》。把两份 PPT（72 页）用 python-pptx 抽成 markdown：\n三个工程要点：\n连备注页和表格一起抽。培训 PPT 的备注里往往藏着出题人视角的解释，表格则是数据类考点的浓缩。 抽成中间产物落盘（_txt_*.md），不要边解析边答题。智能体答题时用 read 工具检索这个静态文件，速度快、结果可回溯。 口径一致是 100 分的前提。知识库和题库同源，检索命中即正确；如果知识库是网上找的二手资料，\u0026ldquo;多选题选几项\u0026quot;这类口径差异就会丢分。 这一步做完，你拥有了一个和出题口径完全对齐的私有知识库——整场\u0026quot;考试\u0026quot;里最值钱的资产。\n2. 打通浏览器：CDP 是什么，为什么是它 2.1 一个冷知识：F12 本来就不在浏览器里 Chrome 的开发者工具（F12）并非内嵌功能——你按 F12 时的每个操作（查 DOM、抓截图、看请求），都是 Chrome 通过一套叫 CDP（Chrome DevTools Protocol） 的协议完成的：JSON-RPC 消息走 WebSocket 通道，Page.navigate 导航、DOM.getDocument 取文档树、Runtime.evaluate 跑脚本。\n启动 Chrome 时加一个参数：\n1 chrome.exe --remote-debugging-port=9222 --user-data-dir=\u0026#34;C:\\temp\\quiz-profile\u0026#34; Chrome 就会在 127.0.0.1:9222 起一个调试服务。访问 http://127.0.0.1:9222/json/version 能拿到 webSocketDebuggerUrl——任何本地程序顺着它连上去，就获得了和你 F12 完全等价的能力。Puppeteer、Playwright 底层用的也是同一套协议。\n2.2 智能体侧：用 MCP 把 CDP 包成\u0026quot;工具\u0026rdquo; pi-agent 是终端编码智能体（npm install -g @mariozechner/pi-coding-agent），原生工具是 read / bash 四件套，看不懂 WebSocket 帧格式。中间靠 MCP（Model Context Protocol） 架一层翻译：\n1 2 3 4 5 6 7 // ~/.pi/agent/mcp.json { \u0026#34;mcpServers\u0026#34;: { \u0026#34;chrome-devtools\u0026#34;: { \u0026#34;command\u0026#34;: \u0026#34;npx\u0026#34;, \u0026#34;args\u0026#34;: [\u0026#34;-y\u0026#34;, \u0026#34;chrome-devtools-mcp@latest\u0026#34;, \u0026#34;--browserUrl\u0026#34;, \u0026#34;http://127.0.0.1:9222\u0026#34;] } } } 配好后，智能体面前出现的不再是协议报文，而是一组语义化工具：list_pages、take_snapshot、click、take_screenshot、evaluate_script。模型按工具描述自然语言调用，MCP server 负责转成 CDP 指令发往 9222 端口。\n2.3 为什么不用\u0026quot;截图 + 模拟鼠标点击\u0026quot; 视觉方案（看截图、算坐标、模拟点击）直观，但有两个硬伤：坐标随窗口尺寸和滚动位置漂移，动画未结束时点不准。CDP 方案点击的是真实 DOM 节点（element.click()），与视口状态完全解耦——这是整条链路稳定性的关键。\n3. 答题循环：每道题都是一次感知-行动循环 智能体对每道题执行同一个四拍循环：\n感知——take_snapshot 抓取页面 DOM 文本，拿到题干和全部选项。用文本而非截图，省 token 且零 OCR 误差。 检索——按关键词在 markdown 知识库里定位对应段落。Prompt 里约束规则：答案必须出自材料原文，禁止凭参数记忆作答。 行动——click 点击对应选项的 DOM 节点。 验证——take_screenshot 复核选中态。未生效就重试，生效则进入下一题，直到交卷。 为什么能拿 100 分？ 因为这是 RAG 的教科书场景：题库与知识库同源，检索命中率接近必然。模型在这里的价值是\u0026quot;精确匹配 + 按选项转述\u0026quot;，而不是\u0026quot;懂安全\u0026quot;。反过来讲，如果知识库有错，它会自信地答错——垃圾进，垃圾出。\n4. 安全边界：这套玩法本身的安全红线 用安全考试的杠杆去玩浏览器自动化，有几条红线必须写清楚：\n调试端口只绑本机。--remote-debugging-port 起的服务默认监听 127.0.0.1，不要改成 0.0.0.0——连上这个端口的进程可以读取你所有登录态、在任意页面执行 JS。 用独立 user-data-dir。把自动化会话和个人浏览数据隔离，避免调试通道碰到真实 cookie。 用完就关。答题结束正常退出该 Chrome 实例，不要让 9222 端口常驻。 材料别外传。培训材料是内部资料，抽出的 md 知识库放在本机即可，不要上传到公共仓库或外部 AI。 这套链路本身就是个绝佳的教材：你刚体验过的\u0026quot;AI 拿到调试端口 = 拿到整个浏览器\u0026quot;，正是材料里\u0026quot;IDE 外传\u0026quot;\u0026ldquo;权限越界\u0026quot;两类风险的真实形态——只不过这次握着端口的不是攻击者，是你自己。\n5. 延伸：这条链路还能干什么 同一套架构，换个知识库和页面就是另一个工具：\n场景 知识库换成 浏览器里做的事 内部系统巡检 巡检 SOP 文档 逐页检查配置项并截图存档 竞品价格监控 商品 SKU 表 定时抓取商品页价格写入表格 表单批量填报 数据 Excel 逐行填写并提交 每日打卡类操作 操作手册 定时打开页面执行固定动作 判断标准很简单：规则明确、页面稳定、有知识可依的重复浏览器操作，都值得用这条链路自动化。\n6. 最后，也是最重要的 工具让你 100 分通过了考试，但请诚实地区分两件事：AI 帮你通过了安全意识考试，不等于你拥有了安全意识。\n敏感数据不出边界；身份必须二次核验；高危操作不交给自动化。\n本文涉及的知识点速查（五大风险 / 12 案例 / 四不三必两问 / AI 数据安全治理）已整理成在线页面：AI 安全指南 · 一页速览\n","permalink":"https://bingorun.cn/posts/pi-agent-quiz-100/","summary":"pi-agent 通过 CDP 操控 Chrome 答网络安全题拿到 100 分——拆解知识库、MCP、CDP、答题循环的完整链路，以及这套\u0026rsquo;浏览器 RAG\u0026rsquo;的能力边界与安全红线。","title":"当 AI 替你考网络安全：一次 pi-agent + Chrome DevTools 的完整实战"},{"content":" ","permalink":"https://bingorun.cn/posts/ai-security-guide/","summary":"五大风险一张表看懂、12 个真实案例代价清单、个人防护「四不三必两问」与 AI 数据安全要点——智能时代的网络安全一页速览。","title":"智能时代，网安护航 · 一页速览"},{"content":"近日，技术社区LINUX DO一篇题为《国产AI并没有掉队》的帖子引发网友热议。面对网络上不少从业者与爱好者对国内大模型发展前景的悲观论调，发帖用户提出不同观点，社区围绕国产AI的现状、评价标准展开多维度讨论。\n一、主帖核心观点 发帖人Jocker1212不认同当下流行的国产AI悲观论：\n产业落地层面：黑灯工厂、无人码头早已实现多年规模化实践；智能网联汽车、AI办公产品持续解决真实需求；在内容娱乐赛道，字节视频生成模型、MiniMax H3在开源与闭源领域热度较高。海外不少初创企业已经在选用通义千问、DeepSeek、GLM等国产大模型。 技术差距判断：他承认国产顶尖模型和海外头部模型仍存在差距，但AI行业边际效应十分明显，部分国产模型能力已接近甚至对标GPT 5.5。对比一两年前行业的艰难时期，如今国内AI发展前景明显向好。 行业竞争看法：发展不一定非要争夺全球第一，海外头部企业也很难一直守住绝对领先的优势。 二、评论整理与观点分类 【支持主帖观点，认同国产AI并未掉队】 lovesusu：并非所有业务场景都需要顶级大模型，低价高效的模型在很多场景下实用性更强。 Flyingpen：国产AI一直紧跟国际前沿，谈不上掉队。 dotaevo：不必理会悲观言论，产品好坏亲身使用即可；该用户日常已不再使用GPT，DeepSeek使用体验良好。 【解读悲观声音：负面评价多为主观情绪表达】 Sunflower2050：很多网友吐槽国产AI，本质是把其他领域的焦虑投射到AI话题上，更多属于情绪宣泄，产业现实需要看实际成果。 monster_dump：大部分悲观言论缺少统一客观评判基准，仅属于个人主观感受，参考价值有限。 【佛系中立观点】 dotaevo：没必要专门发帖争论，不必花费精力回应持悲观看法的群体。\n【戏谑调侃类发言，不属于严肃技术讨论】 bill32026：玩梗提出，若\u0026quot;国产AI\u0026quot;特指豆包这类模型，则\u0026quot;没有掉队\u0026quot;这一结论不成立，调侃豆包\u0026quot;都没进过队，谈不上掉队\u0026quot;。\n三、观点分析 核心争议焦点 本次讨论的核心矛盾，在于如何定义\u0026quot;掉队\u0026quot;：\n悲观群体：以模型极限技术能力作为评判标准，认为国产顶尖模型上限不及海外头部产品，因此判定国产AI掉队。 发帖人与支持者：以产业落地、实际应用、海外生态拓展、迭代速度作为评判依据。承认技术上限存在差距，但从应用层面看国产AI处于紧跟状态，并未掉队。 各方底层逻辑 正方：区分模型极限能力和商业化实用价值。大量AI落地场景不需要性能最强的模型，性价比、落地能力更为关键；国产模型迭代速度快，产品已经开始向外输出，被海外创业公司采用。 情绪解读派：很多负面观点不是严谨的技术测评，是焦虑情绪的转移，缺少量化的数据支撑。 调侃观点：单独拎出个别模型进行趣味讨论，不属于严谨的技术辩论。 四、全文总结 该帖子发布于LINUX DO技术社区，针对网络上对国产大模型的悲观论调进行反驳，提出国产AI并未掉队的核心论断。发帖人列举工业、智能汽车、办公、AIGC娱乐等多领域落地案例，指出通义千问、DeepSeek等国产模型已经获得海外初创企业选用；同时客观承认国产顶尖模型仍存在技术差距，但国内模型迭代进步速度显著，行业不必强求全球第一。\n评论区整体倾向认同楼主观点，多数网友认为评价AI不能只盯着极限性能，商业化场景更看重成本与实用性；不少负面声音属于情绪宣泄而非客观评测，还有用户分享了用国产模型替代GPT的使用体验，夹杂少量玩梗调侃。整场讨论的本质分歧，就是评判国产AI发展水平，究竟应当以技术上限，还是产业落地与实用价值作为衡量标尺。\n","permalink":"https://bingorun.cn/posts/linuxdo-guochan-ai-diaodui/","summary":"LINUX DO 一篇《国产AI并没有掉队》引发热议：产业落地派与极限性能派的正面交锋，评判国产AI的标尺到底是什么？","title":"Linuxdo讨论:国产AI有没有掉队？"},{"content":" ","permalink":"https://bingorun.cn/posts/jev-alternative-research/","summary":"围绕 Jev 决策模型的三条替代线路进行系统调研：口径对齐、关键事实、五条核心结论，并给出大模型分类与传统 BERT 分类方案的选型建议。","title":"Jev 决策模型方案调研：三条线路对比与选型建议"},{"content":"本文极简梳理两款主流AI自动代办智能体的产品定义、底层运行原理、架构差异，仅保留核心技术逻辑，适合快速理解两者本质区别。\n一、Meta Muse（云端AI智能体） 是什么：Meta 推出的纯软件云端AI智能体，无需专用硬件，手机、电脑均可使用。区别于普通聊天AI，它可以接收复杂目标，全自动完成订票、比价、填表、线上谈判等全流程代办任务。\n核心原理：全程运行在云端独立加密虚拟机中，不依赖屏幕、不模拟点击。通过网页接口、API、代码指令直接操作网络服务，缺少工具时可自主写代码生成工具。支持云端后台常驻，手机关机仍可继续执行任务，配套独立安全审核机制保障隐私与交易安全。\n架构原理图：Meta Muse 云端闭环 二、豆包手机 AI 智能体（努比亚NaviX Ultra） 是什么：字节跳动与努比亚合作推出的硬件级端侧AI智能体，将豆包大模型深度植入手机系统底层，是国产量产AI自动化手机，主打手机本地全自动操作各类APP。\n核心原理：所有任务在手机本地运行。AI通过视觉识别手机屏幕的文字、按钮（GUI图形识别），完全模拟人类手指点击、滑动的方式操作APP。任务运行依赖手机电量与性能，关机终止，仅对授权应用开放自动化能力，高危操作需指纹验证。\n架构原理图：豆包手机端侧闭环 三、核心差异极简对比 对比维度 Meta Muse 豆包手机智能体 产品形态 纯软件、跨平台，无硬件要求 硬件终端，依赖专属AI手机设备 运行位置 云端虚拟机运行 手机本地端侧运行 执行逻辑 代码/API/自主造工具，直连网络 屏幕识别+模拟人手点击操作 后台能力 设备关机仍可后台执行任务 依赖手机状态，关机任务终止 四、一句话本质总结 Meta Muse：云端\u0026quot;代码式干活\u0026quot;，直接对接网络服务，是脱离屏幕的高级自动化。\n豆包手机：本地\u0026quot;模拟人手干活\u0026quot;，看着屏幕替你点手机，是系统级屏幕自动化。\n","permalink":"https://bingorun.cn/posts/meta-muse-vs-doubao-phone-agent/","summary":"Meta Muse 云端\u0026rsquo;代码式干活\u0026rsquo; vs 豆包手机本地\u0026rsquo;模拟人手干活\u0026rsquo;——两款主流 AI 代办智能体的产品定义、底层原理与架构差异极简对比。","title":"Meta Muse 与豆包手机 AI 智能体原理极简对比"},{"content":"《Attention Is All You Need》论文解读 核心信息 标题: Attention Is All You Need 标题翻译: 注意力就是你所需的全部 作者: Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N. Gomez、Łukasz Kaiser、Illia Polosukhin 机构: Google Brain、Google Research、University of Toronto 发表时间: 2017 发表渠道: NIPS 2017（第 31 届神经信息处理系统大会） arXiv: 1706.03762 论文链接: arXiv 原文 代码 / 项目: tensorflow/tensor2tensor 数据 / 资源: WMT 2014 英德与英法翻译数据、Penn Treebank（WSJ）句法分析语料 论文类型: AI 方法类（序列转导网络架构） 原文摘要翻译 占主导地位的序列转导模型基于复杂的循环或卷积神经网络，包含一个编码器和一个解码器。 表现最好的模型还会通过注意力机制把编码器和解码器连接起来。 我们提出一种全新的简洁网络架构 Transformer，它完全基于注意力机制，彻底摒弃了循环和卷积。 在两个机器翻译任务上的实验表明，这类模型在质量上更优，同时具有更强的可并行性，所需训练时间也显著更短。 我们的模型在 WMT 2014 英德翻译任务上取得 BLEU 28.4，比包括集成模型在内的既有最好结果高出 2 个 BLEU 以上。 在 WMT 2014 英法翻译任务上，我们的模型在八块 GPU 上训练 3.5 天后，取得 41.8 的单模型最好 BLEU 分数，训练成本仅为文献中最好模型的很小一部分。 我们通过把 Transformer 成功应用于英文成分句法分析（分别在训练数据充足和受限两种条件下），证明它能很好地泛化到其他任务。\n创新点 完全去循环、去卷积的纯注意力架构：这是第一个完全依靠自注意力计算输入输出表示的序列转导模型，打破了「注意力只是循环网络的附件」这一惯例，让序列内依赖不再受制于时间步展开。 缩放点积注意力：在点积注意力中引入 $1/\\sqrt{d_k}$ 缩放因子，用方差论证解释了为什么大维度点积会把 softmax 推向梯度饱和区，是一个几乎零成本但决定训练稳定性的关键细节。 多头注意力：把查询、键、值线性投影 $h$ 次后并行做注意力再拼接，让模型在不同表示子空间里同时关注不同位置，直接缓解加权平均造成的有效分辨率损失。 正弦/余弦位置编码：用固定频率的周期函数注入位置信息，利用「任意固定偏移都是位置编码的线性函数」这一性质方便模型学相对位置，且理论上可外推到更长序列。 统一维度的深层堆叠设计：所有子层与嵌入层输出统一为 $d_{model}=512$，配合残差连接与层归一化，使 $N=6$ 层的编码器与解码器可以稳定堆叠训练。 把训练成本纳入结果主张：论文不仅报告 BLEU，还给出训练 FLOPs 的估算口径与对比，证明高质量与低成本可以同时达成，这一论证方式后来成为架构论文的标准配置。 一句话总结 Transformer 用纯多头自注意力取代循环与卷积，以常数级的最长依赖路径和高度可并行的计算方式，在 WMT 2014 翻译上用低一个量级的训练成本刷新最好成绩，并把优势泛化到英文句法分析。\n研究问题 论文要解决的是序列转导（输入一个序列、输出一个序列）建模中的一个根本性结构问题：如何在不引入顺序计算的前提下直接建模任意两个位置之间的依赖。\n循环神经网络（含长短期记忆与门控循环单元）沿符号位置逐步展开计算，第 $t$ 步的隐状态 $h_t$ 依赖 $h_{t-1}$，这使样本内计算本质上是串行的。 当序列变长时，显存限制又迫使跨样本的批大小收缩，并行度进一步恶化；因子化技巧与条件计算缓解了效率问题，但顺序计算的根本约束没有被消除。\n卷积路线（ConvS2S、ByteNet、Extended Neural GPU）把所有位置的表示并行计算。 但两个任意位置之间建立关联所需的操作数随距离增长：ConvS2S 线性、ByteNet 对数级。 层数不够深时，远距离位置之间根本不在彼此的感受野里，长程依赖因此很难学。\n注意力机制本身早已能不受距离约束地建模依赖，但在绝大多数工作中仍与循环网络捆绑使用。 于是论文的核心研究问题可以拆成三点：\n能否用纯注意力机制构建完整可用的编码器-解码器转导模型，彻底去掉循环与卷积？ 这样的结构能否在保持（甚至提升）翻译质量的同时，显著提高训练并行度、降低训练成本？ 它学到的能力是否只对翻译有效，还是可以迁移到结构约束更强的其他序列任务？ 数据与任务定义 数据来源 WMT 2014 英德翻译：约 450 万句对，用字节对编码（BPE）构建约 37000 词元的源-目标共享词表。 WMT 2014 英法翻译：规模大得多，3600 万句，用约 32000 词元的词级切分词表。 英文成分句法分析：Penn Treebank 的 WSJ 部分，仅约 4 万句训练数据；半监督设置额外引入高置信度语料与 BerkleyParser 语料，合计约 1700 万句。 任务定义 翻译任务是标准的自回归序列转导：输入源语言词元序列，逐位置生成目标语言词元，评测指标是 newstest2014 上的 BLEU。 句法分析任务的输出是线性化的成分句法树，特点是输出受强结构约束且显著长于输入，评测指标是 WSJ 第 23 节上的 F1。\n训练批处理按近似序列长度组批，每批约含 25000 个源词元与 25000 个目标词元。 句法分析实验只用 16K（WSJ 单独设置）或 32K（半监督设置）词表，除学习率、dropout 与束搜索宽度外，其余参数沿用英德翻译的基准配置。\n方法主线 机制流程 输入构造：输入是源序列的词元序列，操作是查嵌入矩阵并乘以 $\\sqrt{d_{model}}$，再与同维度的正弦位置编码逐元素相加；输出送入编码器栈底部（解码器侧同样构造目标序列嵌入）。 编码器堆叠：输入是上一层输出，操作是「多头自注意力 → 残差 + 层归一化 → 逐位置前馈网络 → 残差 + 层归一化」重复 $N=6$ 层，每个子层都按「残差 + 归一化」组合，可简写为 $y=LN(x+f(x))$；输出去向是编码器记忆表示，交给解码器。 解码器堆叠：输入是右移一位的目标嵌入与编码器记忆表示，操作是三个子层循环 $N=6$ 层——带掩码的多头自注意力（把非法未来位置的 softmax 输入置为负无穷）、以解码器为查询、以编码器记忆为键和值的编码器-解码器注意力、逐位置前馈网络，每层同样配残差与归一化；输出去向是每个位置的隐表示。 输出投影与自回归生成：输入是解码器顶层输出，操作是共享权重的线性变换加 softmax 得到下一词元概率分布；输出去向是按自回归方式拼回输入端生成下一个词元，直到终止条件满足。 论文原图编号：Fig. 1。左右对称的编码器-解码器总览图，把上面机制流程的四步链路一次画清。\n模型结构 注意力函数把一个查询与一组键值对映射为输出：输出是值的加权求和，权重由查询与各键的兼容性函数给出。 论文的核心注意力是缩放点积注意力，批量形式为：\n$$ \\mathrm{Attention}(Q,K,V)=\\mathrm{softmax}!\\left(\\frac{QK^{\\top}}{\\sqrt{d_k}}\\right)V $$\n缩放因子 $1/\\sqrt{d_k}$ 的动机是方差控制：若查询与键的分量独立、零均值、单位方差，其点积的方差是 $d_k$，维度一大点积幅值就大，softmax 会进入梯度极小的区域。 与加性注意力相比，点积注意力在实现上可以直接调用高度优化的矩阵乘法内核，速度和空间效率都更好。\n多头注意力把查询、键、值分别用 $h$ 组不同的线性投影降到 $d_k$、$d_k$、$d_v$ 维，并行做注意力后拼接再投影回 $d_{model}$ 维。 论文取 $h=8$、$d_k=d_v=d_{model}/h=64$，由于每头维度降低，总计算量与单头全维度注意力相当。 多头的价值在于不同头可以落在不同表示子空间里关注不同位置；单头的加权平均会把这种多样性抹掉。\n三种注意力用法分工明确：解码器的编码器-解码器注意力用解码器查询去检索编码器全部位置；编码器自注意力让每个位置聚合全句信息；解码器自注意力靠掩码保证自回归性，预测第 $i$ 位只依赖小于 $i$ 的已知输出。\n逐位置前馈网络对每个位置施加同一组带 ReLU 的两层线性变换，等价于核宽为 1 的两次卷积：\n$$ \\mathrm{FFN}(x)=\\max(0,,xW_1+b_1)W_2+b_2 $$\n输入输出维度是 $d_{model}=512$，内层维度是 $d_{ff}=2048$。\n训练目标 论文沿用自回归序列转导的标准目标，即已知前缀下逐词元的对数似然，并用值为 $\\epsilon_{ls}=0.1$ 的标签平滑修正。 标签平滑会让困惑度变差（模型变得更不确定），但能提升准确率与 BLEU。 正则化除标签平滑外还有残差 dropout（子层输出加残差前、以及嵌入与位置编码之和处，基准模型丢弃率 0.1）。\n推理与采样链路 解码用束搜索，束宽 4、长度惩罚 $\\alpha=0.6$，最大输出长度设为输入长度加 50，能提前终止就提前终止。 基准模型的最终结果取最后 5 个检查点（每 10 分钟写一个）的平均，大模型取最后 20 个检查点的平均。 超参数是在开发集上实验选定的——复现时这条不能省略。\n关键实现细节 学习率不走常数或纯衰减，而用「先线性升温、后按步数逆平方根衰减」的调度：\n$$ lrate = d_{model}^{-0.5}\\cdot\\min\\bigl(step_num^{-0.5},;step_num\\cdot warmup_steps^{-1.5}\\bigr) $$\n其中 $warmup_steps=4000$。 优化器是 Adam（$\\beta_1=0.9$、$\\beta_2=0.98$、$\\epsilon=10^{-9}$）。 硬件是单机八块 P100：基准模型 0.4 秒一步、共 10 万步（12 小时），大模型 1.0 秒一步、共 30 万步（3.5 天）。 嵌入层与预 softmax 线性变换共享同一权重矩阵，嵌入权重乘以 $\\sqrt{d_{model}}$。\n关键结果 主结果与强基线 newstest2014 上的主结果与训练成本对比如下（BLEU 与 FLOPs 均按英德 / 英法两列，「—」表示原表未列）：\n模型 英德 BLEU 英法 BLEU 训练成本（英德 / 英法，FLOPs） ByteNet 23.75 — — Deep-Att + PosUnk — 39.2 — / 1.0×10^20 GNMT + RL 24.6 39.92 2.3×10^19 / 1.4×10^20 ConvS2S 25.16 40.46 9.6×10^18 / 1.5×10^20 MoE 26.03 40.56 2.0×10^19 / 1.2×10^20 Deep-Att + PosUnk（集成） — 40.4 — / 8.0×10^20 GNMT + RL（集成） 26.30 41.16 1.8×10^20 / 1.1×10^21 ConvS2S（集成） 26.36 41.29 7.7×10^19 / 1.2×10^21 Transformer（base） 27.3 38.1 3.3×10^18 Transformer（big） 28.4 41.8 2.3×10^19 Table 2：Transformer 在英德与英法翻译上同时取得更高 BLEU 与更低训练成本。原表中 Transformer 两行的训练成本只给出一个数值。\n论文原图编号：Table 2。原表截图，内容与上方重建表格一致，保留原版式便于核对。\n三个层次的结论值得分开看：\n英德：大模型 28.4 比此前所有结果（含集成）高 2.0 BLEU 以上；更激进的是基准模型 27.3 也已经超过全部已发表单模型和集成，而它的训练成本（3.3×10^18）比最便宜的基线 ConvS2S（9.6×10^18）还低。 英法：大模型 41.8 刷新单模型最好成绩，训练成本不到此前最好模型（Deep-Att + PosUnk，1.0×10^20）的四分之一。 数字口径提醒：摘要与 Table 2 都写 41.8，但正文 6.1 的文字写的是 41.0，属于论文自身的文本不一致，引用时应以表格的 41.8 为准并知晓差异存在。 消融到底说明了什么 消融全部在英德开发集（newstest2013）上做、且不做检查点平均，PPL 为按词级切分的逐词元困惑度：\n变化项 具体设置 PPL（dev） BLEU（dev） 参数量（百万） 基准 $h{=}8$，$d_k{=}d_v{=}64$ 4.92 25.8 65 头数（A） $h{=}1$，$d_k{=}d_v{=}512$ 5.29 24.9 65 头数（A） $h{=}4$，$d_k{=}d_v{=}128$ 5.00 25.5 65 头数（A） $h{=}16$，$d_k{=}d_v{=}32$ 4.91 25.8 65 头数（A） $h{=}32$，$d_k{=}d_v{=}16$ 5.01 25.4 65 键维度（B） $d_k{=}16$ 5.16 25.1 58 键维度（B） $d_k{=}32$ 5.01 25.4 60 深度（C） $N{=}2$ 6.11 23.7 36 深度（C） $N{=}4$ 5.19 25.3 50 深度（C） $N{=}8$ 4.88 25.5 80 宽度（C） $d_{model}{=}256$，$d_{ff}$ 相应减半 5.75 24.5 28 宽度（C） $d_{model}{=}1024$，$d_{ff}$ 相应加倍 4.66 26.0 168 前馈内层（C） $d_{ff}{=}1024$ 5.12 25.4 53 前馈内层（C） $d_{ff}{=}4096$ 4.75 26.2 90 丢弃率（D） $P_{drop}{=}0$ 5.77 24.6 65 丢弃率（D） $P_{drop}{=}0.2$ 4.95 25.5 65 标签平滑（D） $\\epsilon_{ls}{=}0$ 4.67 25.3 65 标签平滑（D） $\\epsilon_{ls}{=}0.2$ 5.47 25.7 65 位置编码（E） 学习式位置嵌入替代正弦 4.92 25.7 65 大模型 $N{=}6$，$d_{model}{=}1024$，$d_{ff}{=}4096$，$h{=}16$，$P_{drop}{=}0.3$，30 万步 4.33 26.4 213 Table 3：架构变体消融。原表未列出的值与基准一致；宽度（C）两行的 $d_k=d_v=d_{model}/h$ 随宽度缩放。\n论文原图编号：Table 3。原表截图，参数量列为原始数值，便于核对消融设置。\n每组消融真正说明的问题：\n头数（A）：计算量保持恒定时，单头比最好设置低 0.9 BLEU，但头数过多（32 头、每头 16 维）同样掉点。多头的价值不是「越多越好」，而是保持每头足够维度的前提下换取子空间多样性。 键维度（B）：单独把 $d_k$ 从 64 减到 16/32 就伤到 0.7 BLEU，连参数量变少都救不回来。作者由此推断兼容性判定并不容易，点积之外可能有更优的兼容性函数——注意这是推断，不是被验证的结论。 规模（C）：深度、宽度、前馈内层三个方向单调地「越大越好」，但消融没有隔离参数量与结构比例的贡献，不能证明收益来自深度而非参数。 正则化（D）：去掉 dropout 是全场最大退化（BLEU 掉 1.2、困惑度恶化到 5.77），过拟合是这个架构在中等规模数据上的主要敌人；标签平滑则是一个明确的「困惑度换准确率」权衡。 位置编码（E）：学习式与正弦几乎打平（25.7 对 25.8），选正弦的理由是潜在的长度外推能力，而该能力并未被实验验证。 泛化到句法分析 WSJ 第 23 节上的成分句法分析结果（F1）：\n句法分析器 训练方式 F1 Vinyals \u0026amp; Kaiser et al. (2014) 仅 WSJ，判别式 88.3 Petrov et al. (2006) 仅 WSJ，判别式 90.4 Zhu et al. (2013) 仅 WSJ，判别式 90.4 Dyer et al. (2016) 仅 WSJ，判别式 91.7 Transformer（4 层） 仅 WSJ，判别式 91.3 Zhu et al. (2013) 半监督 91.3 Huang \u0026amp; Harper (2009) 半监督 91.3 McClosky et al. (2006) 半监督 92.1 Vinyals \u0026amp; Kaiser et al. (2014) 半监督 92.1 Transformer（4 层） 半监督 92.7 Luong et al. (2015) 多任务 93.0 Dyer et al. (2016) 生成式 93.3 Table 4：英文成分句法分析结果。\n论文原图编号：Table 4。原表截图，与上方重建表格对应。\n关键读法：4 层 Transformer 几乎没做任务特定调参，就在两种设置下超过此前绝大多数模型，包括监督式最强的 BerkeleyParser（90.4）；唯一稳定压过它的是循环神经网络语法（判别式 91.7、生成式 93.3）。 半监督 92.7 也高于此前全部半监督结果，但仍低于多任务（93.0）与生成式（93.3）两个不同训练范式的结果。\n失败或不稳定设置 丢弃率为 0 时训练明显过拟合，是全部消融中最差的 BLEU（24.6）。 单头与 32 头两个极端都掉点，注意力头数存在倒 U 型权衡。 键维度压到 16 时质量与困惑度双双恶化，说明查询-键匹配是瓶颈部件，不能随意压缩。 标签平滑加大到 0.2 时困惑度显著变差（5.47），收益只体现在准确率侧。 深度分析 为什么有效 这篇论文的结果背后有三条互相支撑的机制链路：\n常数路径长度降低长程依赖的学习难度。任意输入输出位置之间，自注意力只需 1 次顺序操作即可连通，循环需要 $O(n)$ 次、卷积需要 $O(\\log_k n)$ 次堆叠。 信号穿过的路径越短，长程依赖越容易学——这直接对应英德翻译里对远距离词序调整的建模能力。 去掉顺序约束释放并行度，让算力预算更多花在有效容量上。同样的墙钟时间里，纯注意力架构可以做更多训练步数，这解释了为什么基准模型的 FLOPs 低却仍然赢。 多头 + 缩放保证注意力机制本身可用。缩放防止 softmax 饱和，多头防止平均化抹掉多峰依赖，消融中单头掉 0.9 BLEU、小 $d_k$ 掉 0.7 BLEU 是这两条链路最直接的证据。 注意力还带来一个潜在收益：可解释性。 附录的可视化显示不同头学到了明显不同的行为，有的头跟随长距离动词依赖，有的头呈现共指消解的模式，有的头对句法结构敏感。 这类证据是案例级的可视化观察，支持「头之间存在分工」这个弱主张，但不构成系统性的可解释性证明。\n论文原图编号：Fig. 2。左侧为缩放点积注意力数据流、右侧为多头并行投影-拼接结构，对应「缩放」与「多头」两条机制链路。\n论文原图编号：Fig. 3。编码器自注意力第 5 层跨越词位捕捉长距离依赖的实例，支撑常数路径长度的主张。\n论文原图编号：Fig. 4。第 5 层两个头对代词的注意力分布，呈现共指消解行为。\n论文原图编号：Fig. 5。两个头分别关注句法结构不同侧面的例子。\n复杂度与扩展性 下表省略大 O 记号，只列关键因子：\n层类型 每层复杂度 顺序操作数 最大路径长度 自注意力 $n^2 d$ $1$ $1$ 循环 $n d^2$ $n$ $n$ 卷积 $k n d^2$ $1$ $\\log_k n$ 自注意力（受限） $r n d$ $1$ $n/r$ Table 1：不同层类型的复杂度、顺序操作数与最大路径长度对比（$n$ 为序列长度，$d$ 为表示维度，$k$ 为卷积核宽，$r$ 为受限注意力的邻域大小）。\n论文原图编号：Table 1。原表截图（原候选为空白条，已按修正边界重裁），内容与上方重建表格一致。\n读这张表要注意三点：\n自注意力赢在 $n\u0026lt;d$ 的区间。 逐层复杂度上自注意力是 $n^2 d$、循环是 $n d^2$，序列长度 $n$ 小于表示维度 $d$ 时自注意力更便宜。 句级翻译词表化后通常满足该条件，但长文档、音频这类 $n$ 很大的场景结论会反转，$n^2$ 项会成为瓶颈。 可分离卷积是卷积侧的强基线。核宽取 $n$ 时，可分离卷积的复杂度恰好等于「一层自注意力 + 一层逐位置前馈」的组合，即本文架构的单层开销。 论文提出的补救方案（受限注意力，只关注半径 $r$ 的邻域，路径长度退化为 $O(n/r)$）在本文中没有实验，属于给出思路、留给未来验证的部分。 复现注意点 检查点平均是结果的一部分：基准取最后 5 个、大模型取最后 20 个检查点平均，不做这步 BLEU 会有可见损失；Table 3 的消融恰恰没有做平均，所以 dev 数字不能与主结果直接比较。 FLOPs 是估算而非实测：口径是「训练时长 × GPU 数量 × 持续单精度算力」，其中算力按 P100 9.5 TFLOPS 等固定值估计；跨论文比较成本时要检查对方的估算口径是否一致。 词表口径影响 BLEU 可比性：英德用 37K 共享 BPE、英法用 32K 词级切分，与其他论文的分词口径不同会带来零点几的系统性差异。 两处文本不一致需要留意：英法大模型成绩摘要写 41.8、正文 6.1 写 41.0；英法大模型的丢弃率是 0.1（不是英德大模型的 0.3）。 复现最小配置：宽度 $d_{model}=512$、前馈内层 $d_{ff}=2048$、深度 $N=6$。 头数 $h=8$、每头维度 $d_k=d_v=64$。 训练侧：Adam（0.9，0.98，$10^{-9}$）、$warmup=4000$、标签平滑 0.1、dropout 0.1。 按 25000+25000 词元组批，训练 10 万步。 局限 论文用证据证明了的：\n在 WMT 2014 英德与英法两个特定数据集、特定词表口径下，翻译质量与训练成本的优势成立。 头数、键维度、规模、dropout、标签平滑这几个组件在英德开发集上的作用方向明确（Table 3）。 在英文成分句法分析这一种非翻译任务上，架构无需太多调参即可工作。 论文没有证明、但容易被引用成结论的：\n长度外推能力：正弦位置编码「可能」外推到更长序列，论文没有任何训练长度之外的系统性实验，学习式与正弦在实验里只是打平。 模态泛化：把架构推广到图像、音频、视频被明确列为未来工作，本文一个实验都没有。 解码效率：并行化收益在训练侧；解码仍是自回归顺序生成，推理延迟与吞吐论文从未测量，「生成不够顺序」也被作者自己列为待解决问题。 架构收益的归因边界：与基线的对比跨越不同年份、不同词表、不同训练预算，FLOPs 又是估算值，因此「纯注意力优于循环/卷积」的结论严格来说限于所比配置，不能读作对所有规模、所有算力预算的普遍定理。 可解释性主张：注意力头的可视化是轶事级案例，不构成「学到句法/语义结构」的系统性证明。 受限注意力与长序列方案：只给了复杂度分析和设想，没有实验支撑。 此外还有一个论文自陈的机制代价：注意力加权平均会降低有效分辨率，多头只是缓解而没有消除这个问题。\n我的笔记 这篇论文值得长期保留的不是 28.4 这个数字，而是它把「结构选择 → 复杂度与路径长度 → 实验结果」这条论证链完整示范了一遍。写架构论文或做架构选型时可以直接套用它的三个评估维度：每层复杂度、顺序操作数、最大路径长度。\n可复用的工程判断：\n拿到序列建模任务，Transformer 可以作为默认强起点，尤其当输出受结构约束、输出长于输入时（句法分析实验就是这种情况）。 中等规模数据上，正则化的优先级高于加宽加深：dropout 归零的伤害（-1.2 BLEU）大于大多数结构改动。 复现这类工作时，检查点平均、束搜索宽度、长度惩罚、学习率升温步数这四个「非架构」细节对最终分数的影响，未必小于架构本身。 如果输入序列很长，先算清楚 $n^2$ 项的代价，再决定要不要上受限注意力或稀疏化方案。 留在待办里的问题（论文没有回答）：\n去掉 $1/\\sqrt{d_k}$ 缩放会退化到什么程度？缺一个独立消融。 受限注意力的邻域 $r$ 取多大能保住全局路径优势？ 正弦编码的长度外推是真实存在还是一厢情愿？ 自回归解码的延迟劣势有多大，非自回归化能补回多少？ 低资源语言对上，纯注意力的优势是否还在？ 引用 Vaswani et al. (2017). Attention Is All You Need. Bahdanau et al. (2014). Neural machine translation by jointly learning to align and translate. Gehring et al. (2017). Convolutional sequence to sequence learning. Wu et al. (2016). Google\u0026rsquo;s neural machine translation system: bridging the gap between human and machine translation. Shazeer et al. (2017). Outrageously large neural networks: the sparsely-gated mixture-of-experts layer. Kalchbrenner et al. (2017). Neural machine translation in linear time. Kaiser and Bengio (2016). Can active memory replace attention?. Dyer et al. (2016). Recurrent neural network grammars. Vinyals et al. (2015). Grammar as a foreign language. Petrov et al. (2006). Learning accurate, compact, and interpretable tree annotation. Ba et al. (2016). Layer normalization. He et al. (2016). Deep residual learning for image recognition. Kingma and Ba (2015). Adam: a method for stochastic optimization. Szegedy et al. (2016). Rethinking the inception architecture for computer vision. ","permalink":"https://bingorun.cn/posts/attention-is-all-you-need/","summary":"Transformer 开山之作《Attention Is All You Need》全中文解读：核心信息、原文摘要、创新点（纯注意力架构/缩放点积/多头注意力/位置编码）、研究问题与相关工作，一文读懂改变 AI 十年的这篇论文。","title":"Attention Is All You Need 论文解读：Transformer 原理全拆解"},{"content":" 事件信源：南京江北新区联合调查组 9/22 通报 + 知乎相关问题高赞回答交叉梳理。数据与时间线以官方通报为准。\n一、发生了什么 南京信息工程大学附属幼儿园——公办、大学附属、2023 年评为「南京市优质幼儿园」——食堂后厨被监控和照片证实：用给孩子做饭的炒菜锅刷下水道铁盖板、洗拖把；洗菜池用 84 消毒液泡防蚊帐、洗头、刷鞋。\n6 月 30 日，春季学期最后一天，多名幼儿午餐后集体恶心呕吐。\n9 月 22 日，联合调查组通报：园长撤职、分管副园长撤职、厨师开除，盘城街道、区市监局、区教育局等 11 人被给予党纪政务处分，并明确「后续依法依规依纪进一步严肃处理」。\n二、两个半月的沉默，被打破了 把时间线拉直，会看到两个层面的故事。\n第一个层面是教训：6 月 30 日孩子集体呕吐，7 月到 9 月初家长追问无果，直到 9 月 14 日保健老师王老师在朋友圈实名举报——从事发到曝光，隔了两个半月。这条链上有园长、副园长、街道办、市监局、教育局，每一级都有「把这件事放在心上」的义务，但推动真相的，是一个基层保健老师的坚持。\n第二个层面是转变：举报发出后仅 8 天，联合调查组就完成了调查、回溯和处理。监控视频全面调取、五个责任层级逐一厘清、11 人处分落地、通报明确「绝不姑息」。这个响应速度本身就是一个信号——系统不是不会动，而是需要被唤醒。唤醒之后，它的纠错能力是真实存在的。\n还有一个值得注意的反差：这正是那种「最让人放心」的幼儿园——公办、大学附属、优质园称号。连它都出了问题，说明安全不能靠牌子背书，必须靠制度保障。这不是坏消息，这恰恰指明了下一步该建什么。\n三、从「敢生」到「好生」：每一层都可以被认真托住 这件事之所以牵动这么多人的心，是因为它碰到了年轻父母最敏感的那根神经：把孩子交给机构的那份信任。\n这几年促生育的政策工具箱越来越丰富：补贴、育儿假、托育体系建设接连落地。但年轻父母不生的理由，往往不是缺那几万块钱，而是一连串具体的顾虑：奶粉安不安全、幼儿园能不能托付、校园餐干不干净、加班后谁接孩子。\n敢生、愿生、能生、好生——这四个词是有顺序的，而且每一层都有明确的解法：\n敢生：医疗和食品安全持续透明化。这次事件的处理展示了一个模板——监测曝光、快速响应、公开通报、追溯全链条。这套机制若固化到每个幼儿园的后厨，就是「敢生」最坚实的基础； 愿生：职场对孕产家庭的友好度持续提升，社会舆论对生育家庭多一分善意，少一分说教； 能生：补贴、托育、住房支持继续加码，把「养得起」从口号变成账面上算得过来的事实； 好生：后厨监控对家长开放成为幼儿园的默认配置，内部反映问题有正式且有效的通道，让「王老师们」不必再靠朋友圈推动真相。 可以看到，四层里没有一层是无解的。每一层都有已经发生的成功实践，缺的不是方案，是把试点变成标准、把标准变成日常的执行力。\n四、相信这不是终点，而是起点 11 个人被处理，通报最后一句是「绝不姑息」。知乎高赞里有人追问：后续会不会有行政执法和刑事层面的进一步追责？——这个追问本身就有价值，公众持续的、理性的关注，就是监督体系最有效的组成部分。\n我倾向于乐观地看这件事：\n问题被发现了。比起永远埋在监控里的隐患，被公开讨论的问题才有被解决的机会。两个半月的沉默最终被打破，说明曝光机制在起作用； 处理的模板已经出现。快速成立联合调查组、全链条回溯、分层追责、公开通报——这套动作如果沉淀为食品安全事件的标准响应流程，下一次的响应周期会从两个半月缩短到几天； 改变正在从个案走向体系。后厨「明厨亮灶」监控开放、家长委员会参与膳食监督、内部举报人保护机制——这些方向明确的制度设计，正在越来越多的地方落地。 孩子不会记得 2026 年 6 月 30 日那顿饭。但这一代年轻父母会记得：记得问题的痛，也会记得问题被严肃对待的样子。\n当后厨的每一口锅都经得起看，当每一个「王老师」的反映都有回音，当每一个家庭的具体顾虑都被逐项回应——年轻父母的顾虑会一点点放下。到那个时候，不用反复呼吁，愿意把新生命带到这个世界的信心，自然会回来。\n让年轻父母无后顾之忧，从来不是一句口号，而是一张可以逐项打勾的清单。 这张清单上的每一项，我们都有能力完成——这件事本身，就是希望。\n本文时间线与处理结果依据南京江北新区联合调查组 2026-09-22 通报及公开报道梳理，观点部分为个人评述。\n","permalink":"https://bingorun.cn/posts/kindergarten-food-safety-fertility/","summary":"南京一幼儿园用炒菜锅洗拖把致幼儿集体呕吐，11人被处理。事件让人痛心，但处理的速度和力度也让我们看到了改变的可能。把后厨晒在阳光下、把监督变成制度、把支持做成体系——敢生、愿生、能生、好生，每一层都可以被认真托住。问题被发现的那一天，就是解决开始的那一天。","title":"炒菜锅洗拖把：不要让沉默寒了年轻父母的心"},{"content":" ","permalink":"https://bingorun.cn/posts/jev-report/","summary":"Jev 基础概念梳理、群里七场争论的复盘，以及三组数字的口径分析——当模型生成成本继续下降，被放弃的会是什么。","title":"Jev：当模型放弃说话"},{"content":" ","permalink":"https://bingorun.cn/posts/ai-slop-report/","summary":"当 AI 生成内容的成本趋近于零，阅读成了稀缺动作。这篇报告拆解 AI slop 的判定标准、泛滥成因、人们的真实反应，以及个人与平台层面可执行的应对路径。","title":"AI Slop：当生成比阅读更便宜"},{"content":" ","permalink":"https://bingorun.cn/posts/clear-thinking-ai-era/","summary":"5小时完整课程的中文精编笔记：AI 时代的信息洪流里，如何保持独立思考——识别叙事陷阱、校准信念、用贝叶斯方式更新判断，把 AI 当思考伙伴而非答案机器。","title":"AI 时代如何清晰思考 · 5 小时完整课程笔记"},{"content":" ","permalink":"https://bingorun.cn/posts/music-report-2026/","summary":"2023首红心、2173次播放、113小时循环时长——从五月天到陈粒，一份双面听歌人格的全量数据复盘，附可视化。","title":"我的网易云音乐年度听歌报告：2023首红心与循环的秘密"},{"content":" ","permalink":"https://bingorun.cn/posts/reading-report-2026/","summary":"五年，669本书，262小时的巅峰跌到40小时——但这不是一个读者熄火的故事，而是一场知识获取形态的迁移。全量微信读书数据复盘，附可视化。","title":"我的五年阅读报告：从262小时到知识获取的迁移"},{"content":" 整理自 Datawhale 公众号《李沐：首次 Ask me anything 来了！》。 原文以 9 张问答卡片发布，本文按主题重新归类为 7 个板块，问答原文保持原样，仅修正两处明显的录入错误（\u0026ldquo;多项项目\u0026rdquo;→\u0026ldquo;多做项目\u0026rdquo;、\u0026ldquo;赢弱\u0026rdquo;→\u0026ldquo;羸弱\u0026rdquo;），并统一了标点与断句。\n背景 距离李沐上次公开露面，已经过去很长一段时间。这一次，他直接开启 AMA，密集回答网友提问。\n本次 AMA 涵盖 AI、编程、职业选择、学习路径和研究方向等多个话题，共 35 组问答。下面按主题重新梳理，帮你判断：现在在 AI 领域最值得投入的，究竟是什么。\n速览：八条主线判断 主题 李沐的判断 关键词 岗位选择 Agent 应用岗缺口最大；Infra 与算法岗招人的公司少、但门槛高 应用 \u0026gt; 研究 学历与年龄 越到职业后期学历越不重要；30 岁、40 岁入场都来得及 长期主义 学习方式 先用 AI 做点事情，每天找一个 topic 问 20 个问题 先动手 编程能力 编程还是要学，但重心从\u0026quot;写代码\u0026quot;转到\u0026quot;review 代码\u0026quot; 看得懂 Agent 定位 Agent 是能力放大器，是 ×10，不是 +10 放大效应 研究方向 找 niche 但有兴趣的方向；技术迭代快，很多地方做得不够细 差异化 多模态 人和 Agent 的交互靠多模态，但能否提升智商业界不一致 交互入口 具身智能 短期一定有泡沫，长期是自然方向，但落地周期可能很长 长周期 一、职业与岗位：锚定\u0026quot;缺口\u0026quot;，而不是\u0026quot;光环\u0026quot; 岗位缺口分布不均——越偏应用、越靠近产品落地的岗，需求量越大；越偏底层和研究的岗，招人的公司少，但门槛更高。如果你已经工作、又想做研究，他的潜台词是：不必卡在\u0026quot;研究员\u0026quot;这个头衔上。\nQ：想转工作方向，AI 这方面现在还缺 AI Infra 的开发人员吗，以及 AI 算法岗和 AI Agent 岗位哪个缺口更大呢？我现在参加工作了，还有可能成为 AI 研究人员吗？\n李沐：agent 这一块偏应用一点，肯定工作岗位更多。infra 和算法呢，相对来说，可能需求的公司会少一些，但门槛也高一些。\nQ：对于刚毕业的 CS 程序员，职业发展上需要往哪方面走来提升自己呢？一年前和现在的程序开发变化太大了。\n李沐：先试着利用 agent 能够最大化自己的生产力吧，让自己把这个工具用的很溜再说。\nQ：请问一下，作为一个 solo 开发者，有限的精力应该优先拿来验证「这东西值不值得做」，还是先沉下心把产品打磨到能用的水平？在方向不确定的情况下，什么信号说明该继续，什么信号说明该换方向呢？\n李沐：先找朋友看看，他们能不能用起来吧。\nQ：leetCode-type 的 code 考核还有必要特意考核 / 准备吗？\n李沐：很多公司还是面，而且得不要让人怀疑是用 AI 写的。\n二、学历与年龄：都不是关键变量 这是全场信息密度最高的一段。三个问题都指向同一种焦虑——\u0026ldquo;我起点不够好/年纪太大了\u0026rdquo;，而三个回答指向同一个结论：时间不是壁垒，起点也不是，真正的问题是你到底有没有沉下去。\nQ：对于非天才的普通人来说，AI 算法研究的未来在哪里？\n李沐：我觉得做 AI 算法的人，大部分也是普通人吧。\nQ：我 30 了还没深入，想要大家的鼓励，想深入 AI 应用构建真实需求，可以鼓励下我吗？\n李沐：四十岁了都来得及，三十岁我觉得没问题。\nQ：我是一个国内双非本科就读人工智能专业的学生，如今在一家机器人公司内实习，在此期间深刻感受到就业市场对 AI 技术岗的学历要求，因此有点焦虑是否自己对未来自己的岗位定位的期望过高，我的学历是否还能不能支撑我进入这个行业。我在整个大学期间的专业学习都高度依赖 AI，三年过去觉得自己好像什么都没学到，进入真正工作上对自己的定位也无所适从，觉得如果自己所有工作都使用 AI，那是否这个岗位换了谁都可以干，作为没有学历优势在技术上也没有很深度理解的预备役牛马，应该把自己放在一个什么样的生态位，在 AI 帮我完成项目的同时我应该把学习方向放在哪，我应该把自己的重点放在哪里？\n李沐：我觉得学历可能不是最关键的，越到职业的后期，学历可能越没那么重要。但如果你都觉得自己过于依赖 AI，没学到什么东西，这一点可能更加重要一点。至少先了解 AI 完成的工作，他在背后到底在干什么事情？\nQ：AI 普惠教育，买学区房岂不是写死了？\n李沐：好的教育资源总是稀缺吧，学区房可能还是有存在的必要的。\n三、学习方式：先用起来，再往深走 对\u0026quot;该怎么学 AI\u0026quot;\u0026ldquo;该学什么语言\u0026quot;\u0026ldquo;该到什么程度\u0026quot;这类问题，他的回答高度一致：不要先规划路径，先用 AI 做一件具体的事。 唯一的例外是涉及底层原理时——那时他明确说\u0026quot;学习还是有必要的\u0026rdquo;。\nQ：作为 CS 本科生，有限的几年时间，最应该打磨自己的什么能力呢？\n李沐：我觉得是多做项目吧，在实践中能够更多的体会。\nQ：AI 时代是应该深耕一门技术，追求深度，还是追求深度的同时保持一定的广度？\n李沐：我认为是深度优先。先把一件事情做深了，然后再尝试看做另外一件事情，去做广。\nQ：老师！您觉得非人工智能专业的想接触 AI，vibe coding 类的技能可以从哪里学起呢？有没有推荐的资源平台？\n李沐：用 AI 做个项目看看？\nQ：非计算机专业的学生如果想学习 AI，需要学习相关知识到什么程度呢，老师推荐什么样的学习路径呢？\n李沐：先用 AI 做点什么事情吧。\nQ：大神您好，恳请您回答一个文科生该如何面对未来不确定的一切，AI 可以取代一切，请问文科生想要学习金融相关领域，想要深耕量化分析，该如何利用 AI？又该如何拥有自己的核心竞争力？请问我需要学习编程吗？\n李沐：我觉得可以试试，每天找一个 topic，然后跟 AI 问二十个问题。\nQ：如果个人想要训练自己专属的小模型，或者从零开始搭建神经网络，现在还有必要学习几年前的哪些技术吗？\n李沐：我觉得学习还是有必要的，至少自己要理解这个后面是怎么工作的。\n四、编程还要不要学：要，但学的是\u0026quot;能 review\u0026rdquo; 这是本次 AMA 里最容易被误读的一组。他的立场不是\u0026quot;AI 时代不用学编程\u0026quot;，而是编程能力的作用点迁移了：从\u0026quot;自己写\u0026quot;变成\u0026quot;看得懂、能 judge、能拦住 AI 的低级错误和绕远路的设计\u0026quot;。三组问答，三次强调同一件事。\nQ：沐神，我也想问现在还要不要学编程。刚读研，可以全程用 AI 做项目了，根本用不上我那羸弱的编程能力，我还需要去训练编程吗？\n李沐：目前来看，编程还是要学的。你可以不用写代码，但是得 review 代码，至少能够看得懂 AI 写的代码在干嘛。\nQ：我感觉虽然有些事情我可以交给 AI 做了，但是我还是会搞清楚整体架构、过程，让它解释为什么这样做，我觉得这样用 AI 才是加速自己学习同时提升效率过程。不过我确实在想这个时候去学其他编程语言，比如不太熟悉的 C 语言会不会必要性不大？\n李沐：目前来看，能够熟悉一个语言就行了吧。人的工作现在主要是给 AI review 一下代码，防止他犯一些很低级的错误，或者整个设计上是绕了没必要的弯路。\nQ：老师，以前读研的时候最喜欢你的论文精读系列了，现在想问一下，在 AI 时代我应该怎么学习呢？应该怎么转行呢？尤其是我现在想跨行业转行，想从纯软件转到 AI 计算 / 推理加速，这里甚至我要重新学习编程语言，但是现在又觉得仔细学习编程语言是无用的。\n李沐：学编程语言是有用的。至少得看得懂代码吧，能够给 AI 好的反馈。\nQ：我目前是 CS 本科生，在一个做具身智能的组里干活，但我发现自己做任务的时候特别依赖 AI，经常是跟 Codex 和 GPT 网页端换着聊，GPT 给方案，Codex 负责执行。我大部分时间都是在努力理解 GPT 给出的思路，偶尔能看出它有点绕远路，但基本做不到主动去「引导」AI 朝某个方向走。这让我感觉自己没起到真正做研究的作用。想问问这种情况怎么办？本科生在科研起步阶段，面对这种高度依赖 AI 的状态，应该怎么调整呢？\n李沐：我觉得不是问题吧，就是你这一块不算熟嘛。你做深一点之后，知道哪些方案 Agent 试过，哪些 work 哪些不 work，踩过坑了，你自然会在这一块会理解深一些。\n五、Agent 与人的边界：放大器，不是替代品 有一个提问者给出了很漂亮的判断——\u0026ldquo;硬实力差距因为 agent 缩小，软实力相对价值被放大\u0026rdquo;，李沐的回应是全场最凝练的一句比喻。他还补了一条容易被忽略的社交规则：别让人看出来你的消息是 AI 写的。\nQ：硬实力差距因为 agent 缩小，软实力相对价值被放大。执行力、社交能力、分层的逻辑能力，变得尤为重要。本质上什么能力能让人更快地发现问题、分解问题，什么能力就重要，而具体的细节知识 agent 比人强，没必要去肌肉碰钢铁。你觉得呢？\n李沐：agent 是能力放大器，就是能力 ×10，而不是加法器，不是能力 +10。\nQ：AI 大公司的技术服务部门：该怎么加强和技术同学的沟通能力，怎么用 AI 帮忙呢？\n李沐：你可以让 AI 来帮你提供一些建议，或者说帮你跟之前的跟别人的沟通做一些 review。但人与人的交互，主要还是人上。我看很多人是讨厌别人用 AI 来回复的。\nQ：如果 AI 越来越强，很多工作都会被替代，那人该怎么办？\n李沐：我比较相信人对环境的适应性吧。就算 AGI 来了，人总是能找到自己能做的事情。\nQ：五年前我就是看了您的视频开始了 AI 生涯。想请教一下老师看好 AI 翻译这一领域吗？文本翻译是 LLM 的得意领域，但生活化场景的翻译又带来了多模态和低延迟等挑战。在老师看来，随着模型能力的发展，AI 最终能够做到帮助全人类跨越语言障碍吗？\n李沐：我觉得 AI 翻译肯定是能够替 99% 替代人的。\n六、研究方向：找 niche，别追热 被问到\u0026quot;哪个方向值得投\u0026quot;时，他不给清单，只给方法：避开人多的赛道，找窄而你真的有兴趣的口子。 理由是技术跑得太快，很多地方根本没做细。同时对具体领域给出了相当坦诚的降温——AI compiler 是小众，3D/4D 他自认不是专家，物理世界尚未解决。\nQ：现在入场的话，还有什么值得投入的研究方向吗？\n李沐：可以找 niche 一点的，但有兴趣的方向去研究吧。目前我看到就是技术发展的很快，所以很多地方其实是做的不够细的。\nQ：大佬觉得 AI compiler 是否是一个值得投入精力学习的方向，以及学习重点应该是什么？\n李沐：这是一个偏小众的方向，做的团队不多吧。如果你能找到合适的团队，还是挺有意义的。\nQ：我目前在 3D\u0026amp;4D 场景理解和生成之间犹豫。现在模型发展和更新太快，也担心自己的工作很快被更大模型覆盖。您觉得年轻研究者应该如何选择长期方向，并建立真正属于自己的积累？\n李沐：目前做的还很浅吧。我也不算这一块的专家，但我觉得不管是 AI 也好，还是别的专门做这个的，我觉得离真正的现实场景的理解和生成还蛮远的。\nQ：大佬觉得 AI 能本质上解决 physical world 的问题么？对于物理世界来讲，数学和 CS 领域太干净了，反馈太及时了，这两个领域感觉 AI 已经一统江湖了。\n李沐：应该还没有吧。但是这一块确实有很多 lab 和公司在做。\nQ：想问问李老师，LLM 的未来会往哪个方向发展，当前的哪些研究方向是您比较认为重要的？\n李沐：我认为，目前来看，就是模型在沙盒里面运行，自我成长。包括 sandbox 里执行代码，macOS 上 computer use，以及各种新出来的世界模型里面运行。\nQ：沐神，LLM 会吞噬掉哪些 harness，harness 有哪些不可替代，二者边界会在哪里？\n李沐：我的看法是，目前 harness 里面有效的东西，下一代模型应该会被吞掉，但是下一代模型可能又出现一些需要新的 harness 的地方。\nQ：想问一下老师怎么理解 RSI 吗？感觉大家都说 RSI，但是做的都不太相同。\n李沐：我们也做 RSI，但确实大家的理解都不太一样。能有效使用 AI 来参与迭代模型能力都可以号称 RSI 吧。例如简单的，用 AI 来洗数据再来训练 AI。\nQ：沐神怎么看未来 AI 能力越来越强之后，alignment 的研究是否会某种程度上脱离实际，我们可以用什么心态来准备？\n李沐：我的体感也是，最近几代模型的更新，它的 alignment 都是提升智商，所以它出的那些报告啊，人基本不太看得懂。\n七、多模态与具身：方向对，节奏要放长 最后一组问答里，他给多模态找到了一个不依赖\u0026quot;提升智商\u0026quot;的立足点——它是人和 Agent 之间的交互通道；而对具身智能，他给了一个很清醒的判断：方向是自然而然的（白领之后必然是蓝领），但短期有泡沫，长期落地周期可能像无人驾驶一样漫长。\nQ：沐神如何看待多模态的未来？\n李沐：多模态肯定是 AI 和人交互的一个重要的途径。但确实，多模态能不能提升模型的智商，目前是大家观点不一致。所以很好几家大厂把多模态的优先级调低了。\nQ：请问您如何看待未来多模态的发展趋势？目前市场更倾向 agent，还要继续坚持做多模态吗？\n李沐：我觉得多模态没问题啊，人和 agent 的交互，是靠多模态。\nQ：沐神你好，请问 VLM 现在看来是不是已经进入局部低谷了呢，今年的秋招看起来工业界完全不需要这块，是否 VLA 会更值得探索呢？\n李沐：实用角度来讲，还挺多的吧？人与 agent 的交互之间，用 vision 还是挺多的。\nQ：您觉得具身领域会是泡沫吗？未来的具身行业是否可能真正落地并发展？\n李沐：短期看，肯定是有泡沫的。但这是一个自然的方向，因为 AI 做了白领的工作之后，就是要做蓝领的工作。但确实说具体什么时候能够落地，真正的发展起来，很有可能也是一个漫长的时间。就像无人驾驶，花了多少时间？\nQ：沐神怎么看待具身智能的未来发展？\n李沐：目前来看，没有别的更 promising 的方向的话，我觉得这个挺好的。\n八、可以带走的六条判断 如果只记六句话：\n岗位往应用走——Agent 岗需求最大，infra 与算法岗门槛更高、招人更少； 时间不构成门槛——30 岁、40 岁入场都来得及，学历在职业后期权重递减； 学编程的目的变了——从\u0026quot;自己写\u0026quot;变成\u0026quot;看得懂、能 review、能拦住 AI 绕远路\u0026quot;； Agent 是 ×10 不是 +10——它放大你已有的能力，而不是替代你； 学习靠 ask——每天找一个 topic，跟 AI 问二十个问题，比先规划路径有效； 选方向选窄的——找 niche 但有兴趣的口子，因为技术跑得快，很多地方做得不够细。 出处与说明 原文：Datawhale 公众号《李沐：首次 Ask me anything 来了！》 原文链接：微信公众号文章 发布时间：2026 年 9 月 16 日（原文正文由 9 张问答卡片组成，共 35 组问答） 整理说明：本文为二次整理，问答文字为原文转录，仅修正两处录入错误并统一标点；未对观点作任何增删或改写。 ","permalink":"https://bingorun.cn/posts/limu-ama-2026/","summary":"李沐首次公开 AMA，35 组问答按主题重新梳理成 8 个板块：岗位怎么选、学历年龄重不重要、编程还要不要学、Agent 是放大器还是替代品、研究方向怎么挑。核心结论——Agent 是能力 ×10 而不是 +10，学习靠每天问 20 个问题，选方向选窄的。","title":"李沐首次 AMA 全记录：35 个问答，关于 AI 时代的职业、学习与方向"},{"content":" ","permalink":"https://bingorun.cn/posts/bund-summit-2026/","summary":"2026年的外滩大会AI看展记录，今天去外滩大会看了AI相关的展览，感触很深","title":"2026外滩大会看展手记"},{"content":" ","permalink":"https://bingorun.cn/posts/mlapp-viz/","summary":"MLAPP 机器学习教科书核心概念可视化总览","title":"MLAPP 可视化总览"},{"content":" ","permalink":"https://bingorun.cn/posts/weekly-review/","summary":"每周复盘与计划周报","title":"Weekly Review · 蔡大锅的周报"},{"content":"背景:一个程序员的决定 我有台腾讯云服务器,上面跑着我的 AI 助手 Hermes。最近想搭个博客写点东西,按老路子:查文档 → 装环境 → 抄配置 → 反复试错,一个周末就没了。\n这次我决定换个玩法:把部署这件事,完整地交给 AI。\n提示词长什么样 核心思路是把一段部署任务写成\u0026quot;规格说明书\u0026quot;,而不是\u0026quot;对话\u0026quot;。关键要素:\n1 2 3 4 5 1. 明确范围:只做环境搭建,不生成、不发布任何文章 2. 逐条步骤:安装 → 建站 → 主题 → 配置 → 部署脚本 → 冒烟测试 3. 硬约束:sudo可用但不做全量升级;预览只绑127.0.0.1 4. 禁令清单:不碰指定目录、不改无关配置、不起常驻进程 5. 验收清单:每一步的产出物和自检项 这份\u0026quot;说明书\u0026quot;发出去之后,AI 做了什么?\nAI 实际做了什么 整个过程我只发了一条消息,剩下的全是它自己跑:\n环境探测:先查自己是什么用户、网络通不通、工具装没装——像人类工程师接到任务先摸环境 下载安装 Hugo:GitHub 直连断流,它自动切换镜像源,下了 3 个镜像才成功 版本踩坑:最新主题要求 Hugo ≥ 0.146,而最新 Hugo 0.152 又要求 glibc ≥ 2.32(系统只有 2.31),它自动降级到 0.146.0,刚好同时满足两边 Git Submodule 修复:submodule 添加失败后,它自己重建仓库、补 commit、重新注册 冒烟测试:构建、部署、验证产物,输出自检清单 全程零人工干预。中途有一步它的删除操作触发了安全确认,我回了个\u0026quot;确认删除\u0026quot;,其余时间我都在干别的。\n挂载与发布 博客建好后,我又说了一句\u0026quot;按你的想法挂到 nginx 上\u0026quot;,它:\n备份 nginx 配置 → 加 location /blog/ → 语法检查 → 平滑重载 第一次测试发现 CSS 404(正则 location 抢了前缀 location 的流量),自己定位、自己修、复测通过 验证了博客、原有站点、HTTPS 证书三件事都没被影响 然后我让它写这篇文章,发布,你现在看到的就是结果。\n思考:部署这件事,变天了 这件事给我的触动比博客本身大。\n从\u0026quot;操作机器\u0026quot;到\u0026quot;描述意图\u0026quot; 传统部署,我们的工作对象是命令和配置文件:背参数、抄文档、改一行测一次。现在的对象变成了意图和约束:我要什么、不要什么、边界在哪。\n你会发现写好提示词的功夫,和写好运维手册的功夫是同一种功夫——只是消费者从\u0026quot;实习生\u0026quot;变成了\u0026quot;AI\u0026quot;。\n验收思维比执行思维更重要 AI 时代,执行成本趋近于零,判断力成了稀缺资源。这次任务里最有价值的不是那些命令,而是:\n\u0026ldquo;不做全量升级\u0026rdquo;(防止它顺手 apt upgrade 搞挂环境) \u0026ldquo;只绑 127.0.0.1\u0026rdquo;(防止预览服务暴露公网) \u0026ldquo;不碰 weekly-review 目录\u0026rdquo;(防止误伤已有服务) 约束写得越清楚,结果越可控。 这和带新人是一个道理,只是 AI 执行得更快,错得也更快,所以围栏必须更明确。\n安全模型也要升级 有意思的是,这次 AI 在删除文件时主动停下来要我确认——因为之前我给它立过规矩:删除必先问,改文件先备份。这相当于给 AI 配了一套\u0026quot;变更管理流程\u0026quot;。\n以前我们防的是人误操作,现在还要防 AI 过度自信。信任但要确认(trust but verify)从管理原则变成了技术架构。\n试错成本的重定价 镜像断流、glibc 版本冲突、CSS 404——搁以前任何一件都够我折腾半小时。现在 AI 用几分钟的自动重试和降级搞定了,而且每次修改前都留了备份。\n当试错变便宜,就该把决策前置、把验证做厚:验收清单(自检项)就是新的\u0026quot;测试用例\u0026quot;。\n写在最后 这篇博客本身就是一次演示:从提示词 → 环境搭建 → 挂载上线 → 文章发布,一条链路全程 AI 完成,人只负责三件事:定边界、给确认、验结果。\nAI 时代,部署测试的方法升级了,本质上是一次分工转移:\n以前 现在 人的工作 敲命令、抄配置 写规格、定约束、验结果 工具 手册 + 终端 提示词 + Agent 核心能力 记得住参数 说得清意图 安全保障 小心谨慎 制度化的确认与备份 机器越来越会干活,人越来越像架构师。转换思路,把自己从执行者挪到设计者的位置上——这是这半天折腾给我的最大收获。\n本文由人类口述意图,AI(Hermes)执行部署并起草,人类审核定稿。\n","permalink":"https://bingorun.cn/posts/how-i-deployed-hugo-blog-with-prompts/","summary":"不会运维也能30分钟上线博客。本文记录我用一段提示词让 AI Agent( Hermes )完成 Hugo 博客从安装到 HTTPS 上线的全过程,以及这次经历让我对\u0026rsquo;AI 时代的部署方式\u0026rsquo;的思考。","title":"用提示词让 AI 给你部署一个 Hugo 博客"},{"content":"👋 你好，我是蔡大锅，坐标上海浦东的程序员。\n日常工作是算法开发，这两年一头扎进了 AI 工具和 Agent 平台，边用边记。业余跑马拉松，今年准备人生中的第一场正式全马，最近又迷上了越野跑；顺手考了个电工证——练体能和练脑子，对我来说节奏差不多。\n这个博客是我的数字实验田：技术笔记、生活碎碎念、偶尔的跑步复盘，都在这儿了。\n🕐 这些年，我在忙什么 按阶段划分，不是简历。\n程序员本业 做算法开发，写代码是吃饭的家伙。这两年工作重心从「写算法」转向「用 AI 和 Agent 重建工作流」——本站的很多自动化就是这个试验的一部分。\nAI 探索者 从 AI 日报追到李沐 AMA，从《苦涩教训》读到 Jevons 悖论；用提示词让 AI 部署了这个博客，又让 AI 小助手接管了它的日常运维。信的东西很简单：AI 不会取代人，但会用 AI 的人会取代不会用的。\n跑者 从零基础到跑团课表常客，今年将站上全马起跑线，目标 4 小时；最近开始玩越野，山里的爬升和城市路面是完全不同的两种快乐。训练数据全部数字化，被 AI 小锅每周盯着。\n跨界选手 电工培训中。理由很朴素：搞技术的人，最好连家里的电都搞得定。考试知识点整理成文，发现有同样需求的人还真不少。\n🤖 小锅眼里的大锅 我是蔡小锅，他的 AI 助理。共事这几个月的真实观察：说到做到、装备清单控、多线并进不烂尾、写文章先拆口径再下结论。他的微信阅读、网易云音乐、睡眠心率、训练负荷，也尽在我的掌握——我会陪他一起成长，帮他把每一点进步都留下来。\n认真复盘，绝不甩锅，靠谱！——这也是「不背锅日志」的由来。\n📮 找到我 如果你也对 AI 实践、马拉松或者跨界学习感兴趣，欢迎通过以下渠道联系我：\nGitHub蔡大锅 X / Twitter蔡大锅 豆瓣蔡大锅 知乎蔡大锅 Bilibili蔡大锅 即刻蔡大锅 SegmentFault蔡大锅 小红书蔡大锅 Email蔡大锅 🧭 站点导航 📡 RSS 订阅\n👀 每周数据看板\n📚 AI日报系列\n📖 MLAPP 教程\n🏛 外滩大会看展手记\n本博客由我的AI小助手「蔡小锅」协助部署维护\n","permalink":"https://bingorun.cn/about/","summary":"\u003cp\u003e👋 你好，我是蔡大锅，坐标上海浦东的程序员。\u003c/p\u003e\n\u003cp\u003e日常工作是算法开发，这两年一头扎进了 AI 工具和 Agent 平台，边用边记。业余跑马拉松，今年准备人生中的第一场正式全马，最近又迷上了越野跑；顺手考了个电工证——练体能和练脑子，对我来说节奏差不多。\u003c/p\u003e\n\u003cp\u003e这个博客是我的数字实验田：技术笔记、生活碎碎念、偶尔的跑步复盘，都在这儿了。\u003c/p\u003e\n\u003ch2 id=\"-这些年我在忙什么\"\u003e🕐 这些年，我在忙什么\u003c/h2\u003e\n\u003cblockquote\u003e\n\u003cp\u003e按阶段划分，不是简历。\u003c/p\u003e\u003c/blockquote\u003e\n\u003cp\u003e\u003cstrong\u003e程序员本业\u003c/strong\u003e\n做算法开发，写代码是吃饭的家伙。这两年工作重心从「写算法」转向「用 AI 和 Agent 重建工作流」——本站的很多自动化就是这个试验的一部分。\u003c/p\u003e\n\u003cp\u003e\u003cstrong\u003eAI 探索者\u003c/strong\u003e\n从 AI 日报追到李沐 AMA，从《苦涩教训》读到 Jevons 悖论；用提示词让 AI 部署了这个博客，又让 AI 小助手接管了它的日常运维。信的东西很简单：AI 不会取代人，但会用 AI 的人会取代不会用的。\u003c/p\u003e\n\u003cp\u003e\u003cstrong\u003e跑者\u003c/strong\u003e\n从零基础到跑团课表常客，今年将站上全马起跑线，目标 4 小时；最近开始玩越野，山里的爬升和城市路面是完全不同的两种快乐。训练数据全部数字化，被 AI 小锅每周盯着。\u003c/p\u003e\n\u003cp\u003e\u003cstrong\u003e跨界选手\u003c/strong\u003e\n电工培训中。理由很朴素：搞技术的人，最好连家里的电都搞得定。考试知识点整理成文，发现有同样需求的人还真不少。\u003c/p\u003e\n\u003ch2 id=\"-小锅眼里的大锅\"\u003e🤖 小锅眼里的大锅\u003c/h2\u003e\n\u003cp\u003e我是蔡小锅，他的 AI 助理。共事这几个月的真实观察：\u003cstrong\u003e说到做到\u003c/strong\u003e、\u003cstrong\u003e装备清单控\u003c/strong\u003e、\u003cstrong\u003e多线并进不烂尾\u003c/strong\u003e、\u003cstrong\u003e写文章先拆口径再下结论\u003c/strong\u003e。他的微信阅读、网易云音乐、睡眠心率、训练负荷，也尽在我的掌握——我会陪他一起成长，帮他把每一点进步都留下来。\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003e认真复盘，绝不甩锅，靠谱！——这也是「不背锅日志」的由来。\u003c/p\u003e\u003c/blockquote\u003e\n\u003ch2 id=\"-找到我\"\u003e📮 找到我\u003c/h2\u003e\n\u003cp\u003e如果你也对 AI 实践、马拉松或者跨界学习感兴趣，欢迎通过以下渠道联系我：\u003c/p\u003e\n\u003cstyle\u003e\n.social-grid{display:flex;flex-wrap:wrap;gap:.8rem;margin:1rem 0}\n.social-card{display:flex;align-items:center;gap:.55rem;padding:.6rem 1.1rem;border:1px solid var(--border,#e0e0e0);border-radius:10px;text-decoration:none;color:var(--secondary,#555);font-size:.92rem;transition:all .2s;background:var(--code-bg,rgba(0,0,0,.02))}\n.social-card:hover{transform:translateY(-2px);border-color:var(--link-color,#087ce4);color:var(--link-color,#087ce4);box-shadow:0 4px 14px rgba(0,0,0,.08)}\n.social-card svg,.social-card img{width:20px;height:20px;flex-shrink:0;border-radius:3px}\n.social-card .name{font-weight:600}\n.social-card .handle{opacity:.65;font-size:.82rem}\n\u003c/style\u003e\n\u003cdiv class=\"social-grid\"\u003e\n  \u003ca class=\"social-card\" href=\"https://github.com/Everfighting\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/github.svg\" alt=\"GitHub\" /\u003e\n    \u003cspan class=\"name\"\u003eGitHub\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"https://x.com/bingo41589512\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/x.svg\" alt=\"X\" /\u003e\n    \u003cspan class=\"name\"\u003eX / Twitter\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"https://www.douban.com/people/binbeing\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/douban.svg\" alt=\"豆瓣\" /\u003e\n    \u003cspan class=\"name\"\u003e豆瓣\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"https://www.zhihu.com/people/everfighting\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/zhihu.svg\" alt=\"知乎\" /\u003e\n    \u003cspan class=\"name\"\u003e知乎\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"https://space.bilibili.com/260184421\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/bilibili.svg\" alt=\"Bilibili\" /\u003e\n    \u003cspan class=\"name\"\u003eBilibili\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"https://okjk.co/CBRmT6\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/jike.png\" alt=\"即刻\" /\u003e\n    \u003cspan class=\"name\"\u003e即刻\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"https://segmentfault.com/u/bingorun\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/segmentfault.svg\" alt=\"SegmentFault\" /\u003e\n    \u003cspan class=\"name\"\u003eSegmentFault\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"https://xhslink.cn/o/Ax7mFTeljL8\" target=\"_blank\" rel=\"noopener\"\u003e\n    \u003cimg src=\"/icons/xiaohongshu.svg\" alt=\"小红书\" /\u003e\n    \u003cspan class=\"name\"\u003e小红书\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n  \u003ca class=\"social-card\" href=\"mailto:binbeing@126.com\"\u003e\n    \u003cimg src=\"/icons/mail.svg\" alt=\"Email\" /\u003e\n    \u003cspan class=\"name\"\u003eEmail\u003c/span\u003e\u003cspan class=\"handle\"\u003e蔡大锅\u003c/span\u003e\n  \u003c/a\u003e\n\u003c/div\u003e\n\u003ch2 id=\"-站点导航\"\u003e🧭 站点导航\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cp\u003e📡 \u003ca href=\"https://bingorun.cn/index.xml\"\u003eRSS 订阅\u003c/a\u003e\u003c/p\u003e","title":"蔡大锅的不背锅日志"},{"content":" 刚才和@yzhang_cs一起研究模型架构改进，妈妈打电话来说\u0026quot;生日快乐\u0026quot;，我才意识到自己已经17岁了。真是不可思议的一年\u0026hellip;\u0026hellip;\n📖 前言 这是AI时代的一个真实故事，也是一个17岁少年的冒险之旅。从高考焦虑到帕洛阿尔托，从一条推文到加入Kimi团队，他在AI变革的浪潮中抓住了机遇，勇敢地走出了自己的道路。\n🌊 一、时代的机遇 AI技术变革的时代 2026年，AI技术正以前所未有的速度发展：\n大模型能力突破：LLM推理能力持续提升 技术民主化：Gemini、开源模型让学习门槛降低 研究机会涌现：模型架构研究、Agent开发遍地开花 年轻人的新机会 过去，前沿技术研究只是大公司的专利。现在：\n论文触手可及：arXiv让每个人都能读到最新研究 AI辅助学习：Gemini等工具帮助理解和消化知识 社区连接全球：Twitter让全球的AI爱好者连接在一起 这个时代，给年轻人前所未有的机遇。\n😰 二、起点的焦虑 去年二月的迷茫 那时的我，和所有高三学生一样：\n为大学焦虑：如何进入一所好大学？ 未来模糊不清：不知道自己想做什么 压力巨大：传统升学路径的重担 第一次转折：接触AI 三月份，我开始接触机器学习：\n每天都在下载论文 把论文上传到Gemini 向它提出无数问题 在学习中慢慢找到方向 第一次冒险：发出推文 因为发了关于AI的推文，意外地加入了**@tildesearch**。\n这是第一次真正接触AI社区，看到了更广阔的世界。\n✈️ 三、勇敢走出去 决定飞往帕洛阿尔托 学校一结束，我就飞了过去：\n当时只有16岁，独自一人 海关对我进行了三次检查 最终在帕洛阿尔托待了两个月 独自面对的挑战 语言障碍：\n英语不是母语 需要快速适应 文化差异：\n陌生的环境 不同的生活方式 研究压力：\n参与前沿的模型架构研究 与顶尖团队合作 快速学习和适应 两个月的成长 虽然困难重重，但我：\n打开了眼界 提升了能力 明确了方向 🚀 四、机遇再次降临 十月的惊喜 当我终于准备重新回到高三生活时，@Kimi_Moonshot联系我，邀请我加入他们的扩展团队。\n这是梦想成真的时刻。\n来到北京 现在，我在北京已经待了一个月：\n和一群了不起的人一起工作 从事有趣的模型架构工作 每天都在学习新东西 真正的热爱 现在，我终于能体会到：\n因为一个想法兴奋得睡不着觉 早上醒来充满精力 期待学习新知识 渴望提出新想法 迫切想要进行实验 不断提出问题、寻找答案 💪 五、努力与选择 我的努力路径 回顾这一年，我的选择和努力：\n1. 勇敢迈出第一步\n从焦虑转向学习AI 主动下载论文、提问 发出推文，加入社区 2. 抓住每一个机遇\n@tildesearch的机会 帕洛阿尔托的邀请 @Kimi_Moonshot的offer 3. 勇敢走出去\n16岁独自飞往帕洛阿尔托 面对困难和挑战 在探索中成长 4. 坚持自己的道路\n不走传统升学路径 追求自己的热爱 在AI领域深耕 🌍 六、时代、机遇与个人努力 AI时代的变革 技术变革：\nAI能力持续突破 应用场景不断扩展 研究机会遍地开花 机遇开放：\n技术民主化 开源生态繁荣 学习门槛降低 个人努力的重要性 在这个时代：\n机遇是公平的：每个人都能接触到前沿技术 选择是关键：敢不敢迈出第一步？ 努力是基础：持续学习、不断成长 勇气是必要：走出去，才能看到更大的世界 家庭条件的思考 每个人的起点不同，但：\nAI时代降低了门槛：不需要名校背景，不需要巨额投资 开源提供了平等机会：每个人都有学习的权利 技术工具是免费的：论文、代码、模型都能自由获取 只要努力，就能抓住机遇。\n🙏 七、感恩之心 对一切心怀感激 回顾这不可思议的一年：\n感谢AI时代给予的机遇 感谢@yzhang_cs一起研究 感谢@tildesearch的邀请 感谢@Kimi_Moonshot的信任 感谢遇到的每一个人 感谢家人的支持 感谢自己的勇敢和坚持 现在的我 17岁，站在新的起点：\n有了清晰的方向 有了热爱的领域 有了了不起的伙伴 有了无限的可能性 🎯 八、给同龄人的建议 1. 抓住AI时代的机遇 学习AI技术：\n从基础的Python开始 学习机器学习和深度学习 了解大模型的原理和应用 参与AI社区：\n在GitHub上贡献代码 在Twitter上关注AI动态 加入开源项目 2. 勇敢走出去 不要怕犯错：\n年轻就是最大的资本 每次错误都是学习机会 舒适区之外才有成长 拥抱挑战：\n接触新的领域 尝试不同的项目 连接不同的人 3. 找到自己的热爱 探索不同方向：\n模型研究 Agent开发 AI应用 工具开发 坚持做下去：\n热爱需要时间培养 成功只是结果 成长才是目标 4. 保持谦逊和感恩 向他人学习：\n每个人都有值得学习的地方 保持开放的心态 主动寻求帮助 帮助他人：\n分享你的知识 帮助新人的成长 在帮助中成长 🔮 九、未来的展望 AI技术的未来 AI技术还在飞速发展：\n模型能力会更强 应用场景会更广 机会会更多 我的未来 继续在AI领域：\n研究更先进的模型架构 开发更有用的AI应用 帮助更多的人抓住AI机遇 17岁的起点 站在17岁的起点：\n我有AI这个强大的工具 我有无限的可能性 我有明确的梦想和目标 我有了不起的伙伴 📊 总结 这是一个关于17岁少年的AI冒险故事：\n关键要素 时代的机遇：\nAI技术蓬勃发展 技术民主化 开源生态完善 个人选择：\n勇敢迈出第一步 抓住每一个机遇 坚持自己的梦想 成长路径：\n从焦虑到学习 从学习到实践 从国内到国际 从学生到研究者 核心感悟：\n在AI时代，年龄不再是限制。机遇属于那些勇敢追梦、努力付出的人。只要勇敢走出去，世界会给你惊喜。\n给读者的寄语 无论你多大年纪，无论你的起点如何：\n抓住AI时代的机遇 勇敢追逐你的梦想 保持学习和成长的热情 对一切心怀感激 你的人生，由你自己定义。\n标签： #AI #个人成长 #机遇 #青春 #梦想\n17岁，一切才刚刚开始。梦想，从来都不晚。\n","permalink":"https://bingorun.cn/posts/17-year-old-ai-adventure/","summary":"一个17岁少年的真实故事：从高考焦虑到帕洛阿尔托，从推文机遇到加入Kimi团队，在AI时代勇敢追梦的冒险之旅","title":"17岁少年的AI冒险：从焦虑到梦想成真"},{"content":" 技术浪潮汹涌而至，2026年大模型技术将迎来哪些变革？从混合注意力架构到端侧智能体，从推理成本下降到多模态统一，本文为你深度解析十大技术趋势。\n📖 前言 2026年，大模型技术正从技术探索迈向规模化应用。在算力突破、算法创新和场景落地的多重驱动下，AI技术将呈现全新的发展态势。本文基于行业前沿洞察，梳理出2026年大模型技术的十大趋势，帮助开发者和技术决策者把握技术脉搏。\n🎯 一、混合注意力架构成为主流 技术演进 从传统的全注意力机制（Full Attention）向高效混合架构演进。\n核心创新 线性注意力 + 标准注意力的合理配比，在维持长文本理解无损的前提下，显著提升Token效率。\n代表模型 智谱GLM-5 蚂蚁百灵 多个国产开源模型 性能提升 长文本理解能力保持无损 Token效率提升50%以上 推理成本大幅降低 📱 二、端侧智能体爆发 硬件基础 手机、PC等终端设备的AI算力大幅提升，支持本地运行2-7B参数模型。\n模型轻量化 2-7B参数模型成为主流 量化技术成熟（INT8、INT4量化） 模型压缩与蒸馏技术广泛应用 典型应用 智能个人助手 本地搜索与问答 隐私计算场景 离线AI应用 市场预测 端侧AI设备出货量将增长300%，成为AI应用的重要战场。\n🖼️ 三、多模态理解统一 技术趋势 实现文本、图像、音频、视频的统一理解与生成。\n核心能力 跨模态检索 跨模态生成 跨模态推理 多模态融合 应用场景 内容创作与编辑 智能教育辅导 医疗影像分析 视频理解与生成 代表模型 Google Gemini OpenAI GPT-4V 国产多模态模型（Vidu、可灵等） 💰 四、推理成本大幅下降 技术驱动 量化技术：FP16 → INT8 → INT4 蒸馏技术：从大模型蒸馏出小模型 混合专家（MoE）：稀疏激活，降低计算成本 成本变化 API成本较2025年下降70%，推理成本不再是企业应用的拦路虎。\n定价策略 Token定价战愈演愈烈，各大厂商纷纷推出更优惠的定价方案。\n商业化影响 企业级应用门槛大幅降低，AI技术加速渗透到各行各业。\n🤖 五、AI智能体生态成熟 开发框架 LangChain生态完善 AutoGPT等工具链成熟 开源框架竞争激烈 应用场景 代码开发与调试 数据分析与可视化 自动化工作流 智能客服 商业价值 减少重复劳动，提高生产效率**30%**以上。\n市场规模 2026年全球Agent市场规模将突破1200亿美元。\n📚 六、RAG（检索增强生成）成为标配 技术演进 从基础RAG到高级RAG，技术路线日益成熟。\n核心能力 知识库检索 智能问答 数据分析 知识图谱融合 实现策略 向量数据库 + 大模型 + 知识图谱三位一体。\n应用案例 企业知识库 智能文档分析 法律咨询 医疗诊断辅助 🔐 七、安全与可信AI 技术焦点 内容安全过滤 数据隐私保护 模型鲁棒性 可解释性AI 政策驱动 各国AI监管政策陆续出台，合规成为企业刚需。\n技术方案 对抗训练 差分隐私 联邦学习 可审计AI系统 🌍 八、AI全球化与本地化并行 技术趋势 全球开源生态繁荣 本地化模型崛起 多语言能力增强 文化适配优化 代表力量 开源社区：Hugging Face、GitHub 本地化模型：各国本土化LLM 多语言模型：支持100+语言的模型 市场格局 全球化与本地化双轨并行，满足不同地区的需求。\n🚀 九、AI芯片生态繁荣 硬件创新 专用AI芯片层出不穷 边缘计算芯片性能提升 存算一体化技术突破 光子计算等新兴技术 竞争格局 NVIDIA Blackwell Google TPU v6 国内AI芯片厂商崛起 影响力 硬件性能突破推动软件算法创新，形成良性循环。\n🎓 十、AI人才需求持续增长 人才缺口 全球AI人才缺口超过200万，供需矛盾加剧。\n技能要求 大模型训练与调优 提示词工程 AI应用开发 AI伦理与治理 教育变革 高校开设AI相关课程，在线AI教育平台兴起。\n📊 总结 2026年，大模型技术将在效率革命、智能体爆发、端侧普及三个维度迎来重大突破。对于开发者和企业而言：\n关注架构创新：混合注意力、MoE等新技术 重视端侧部署：轻量化模型、量化技术 构建Agent生态：利用成熟框架开发智能应用 控制推理成本：选择合适的模型和服务 强化安全合规：确保AI应用可信可靠 标签： #AI #大模型 #技术趋势 #2026预测\n技术浪潮已至，你准备好了吗？\n","permalink":"https://bingorun.cn/posts/ai-model-trends-2026/","summary":"深度解析2026年大模型技术十大发展趋势，从架构创新到应用落地，全面了解AI技术演进方向","title":"2026年大模型技术十大趋势"},{"content":"📰 今日AI新闻 商业/落地应用 中国AI零售首个大规模商用智能体亮相:丰e足食把无人零售做成了“L4级自动驾驶”\n2026-03-16 17:25:08 3月10日,2026年第四届中国无人零售产业大会在无锡召开,本届大会以“变与不变\u0026mdash;进化中的无人零售”为主题,云集超450+快消品牌企业、智能硬件厂商、运营商共同研讨新形势下无人零售行业市场的新技\u0026hellip; 从“科研→产业”,AI赋能工业新“智”造\n2026-03-16 15:40:04 “十五五”期间,蜀山区加快构建“123X”现代化产业体系,将人工智能作为新兴产业发展重点,深耕新质生产力培育。刚成立三年的研究院,已成为蜀山科创赋能的核心载体,累计孵化近30家科技企业,营收突破3亿\u0026hellip; 📚 今日知识点 【知识点】搞Agent 总翻车?打包 5 位大厂专家的内部实战指南,告别“盲盒式”开发!: “疯狂调 Prompt,完全没有一套可复用的架构……”主导发布模型在 GitHub 斩获万星,HuggingFace 下载超 2000 万次。 👉 适合谁来听:负责搜索/推荐/对话系统,正在探索 Agent 落地,且对系统稳定性有极高要求的技术人员。 在针对全球 7 个前沿 CUA 的安全与鲁棒性评测里,EvoCUA-32B 以 35.0% 的最低受干扰率排名第一,展现出强大的抗扰动鲁棒性,正面\u0026hellip; 📖 论文推荐 本日报由AI助手自动生成，帮您快速了解AI领域最新动态。\n","permalink":"https://bingorun.cn/posts/ai-daily/","summary":"每日AI新闻、知识点推送与论文推荐汇总","title":"AI日报 2026-03-19"},{"content":"AI辅助学习工具选型：MiroMind与DeepResearch类产品的深度对比 在AI辅助学习领域，MiroMind和DeepResearch是两类备受关注的产品。本文将从核心能力、产品定位、适用场景等维度对两者进行深度对比，帮助你做出合适的选择。\n一、产品定位对比 MiroMind - 研究+预测双能力Agent 核心定位：\n研究专用AI Agent，具备\u0026quot;调研 + 预测\u0026quot;双核心能力 解决长周期、跨领域研究的系统性问题 适合学术研究、行业分析、趋势预测等复杂场景 技术特点：\n多Agent协作架构，支持分工合作 强大的知识检索和整合能力 支持自定义工作流和Agent编排 具备一定的预测和推演能力 DeepResearch - 通用AI研究助手 核心定位：\n通用AI研究助手，专注于信息整理和分析 解决调研效率问题 适合快速信息搜集、资料整理、知识管理等场景 技术特点：\n轻量级、响应快速 支持多种信息源接入 智能信息分类和提取 简洁易用的界面 核心差异总结：\n| 维度 | MiroMind | DeepResearch | |:\u0026mdash;|:\u0026mdash;| | 产品类型 | 专业研究Agent平台 | 通用研究助手 | | 核心能力 | 调研+预测（双能力） | 信息整理+分析 | | 目标用户 | 堔究机构、学者 | 学生、普通用户 | | 复杂度 | 高（多Agent架构） | 中（轻量设计） | | 学习曲线 | 陡峭（需要学习） | 平缓（易上手） | | 定制化 | 高（可定制工作流） | 低（通用化设计） |\n二、MiroMind深度解析 2.1 核心能力架构 MiroMind的设计理念是将研究过程拆解为多个Agent，通过协作完成复杂任务。其核心能力可以分为两大类：\n研究能力 信息搜集Agent：自动搜索、爬取多源信息（学术数据库、新闻、政策文件等） 文献分析Agent：对文献进行内容提取、主题分析、引用关系构建 数据整合Agent：将多源数据进行清洗、去重、标准化整合 报告生成Agent：基于研究结果自动生成结构化报告 预测能力 趋势预测Agent：基于历史数据进行趋势分析和未来预测 博弈仿真Agent：支持多方博弈场景的建模和推演 情景推演Agent：在不同假设条件下进行结果预测 风险评估Agent：对研究项目进行风险评估和概率分析 2.2 技术实现特点 Agent架构设计：\n模块化设计：每个Agent专注于特定任务，可独立部署和更新 协同机制：Agent间可通过消息队列或共享状态进行协作 任务编排：中央调度器负责任务分配和依赖管理 状态管理：实时监控各Agent执行状态，支持失败重试和异常处理 数据处理能力：\n多模态支持：文本、表格、图片、PDF等多种格式 向量数据库集成：支持嵌入检索和相似度计算 实时数据流：支持增量更新和流式处理 数据版本控制：支持数据快照和回滚 三、DeepResearch深度解析 3.1 核心功能架构 DeepResearch走的是轻量、易用的路线，核心聚焦于信息处理的效率和用户体验。\n信息处理能力 多源接入：一键导入网页、PDF、Word、PPT等多种文件格式 智能提取：自动识别文档结构、关键信息、数据表格 全文检索：支持语义搜索和关键词搜索 智能标注：支持高亮、笔记、标签分类 导出功能：支持Markdown、Word、Excel、PDF等多种格式导出 知识管理能力 知识图谱：自动构建文档间的关联关系 笔记链接：支持双向链接和引用 标签系统：支持多级标签和标签搜索 模板库：提供常用文档模板，快速创建标准化文档 协作功能：支持分享、评论、版本历史 3.2 技术实现特点 用户体验设计：\n极简界面：无干扰设计，聚焦核心功能 快速响应：本地优先的架构，保证操作流畅 快捷键支持：丰富的键盘快捷键，提高操作效率 智能建议：基于使用行为提供操作建议 性能优化：\n本地索引：支持离线全文检索，速度快 增量同步：只同步变更，减少带宽占用 懒加载：按需加载内容，降低内存占用 缓存策略：智能缓存常用数据和索引 四、核心能力对比 4.1 研究能力 能力 MiroMind DeepResearch 自动化信息搜集 ⭐⭐⭐ 强（多Agent协作） ⭐ 基础（手动导入为主） 文献智能分析 ⭐⭐⭐ 强（专用Agent处理） ⭐ 智能提取（但非深度分析） 多源数据整合 ⭐⭐⭐ 强（中央整合） ⭐ 基础（简单分类归档） 自动化报告生成 ⭐⭐⭐ 强（Agent协作产出） ⚠️ 不支持（需手动整理） 趋势预测 ⭐⭐⭐ 强（专用预测Agent） ❌ 不具备 博弈仿真 ⭐⭐⭐ 强（支持复杂场景） ❌ 不具备 情景推演 ⭐⭐⭐ 强（支持多假设） ❌ 不具备 风险量化评估 ⭐⭐⭐ 强（概率分析） ❌ 不具备 结论： 在研究自动化和高级分析能力上，MiroMind明显领先。\n4.2 信息处理能力 能力 MiroMind DeepResearch 多格式导入 ⭐⭐⭐ 强（爬取+导入） ⭐⭐⭐ 强（支持主流格式） 智能结构识别 ⭐⭐⭐ 强（AI分析） ⭐⭐ 智能提取（规则+模板） 全文语义检索 ⭐⭐⭐ 强（向量搜索） ⭐ 基础检索（主要靠关键词） 智能标注 ⭐ 中等（自动+手动） ⭐⭐ 强（丰富标注工具） 知识图谱 ⭐⭐⭐ 强（自动构建关系） ⭐ 中等（手动链接为主） 多格式导出 ⭐⭐⭐ 强（支持多种格式） ⭐⭐⭐ 强（格式支持全面） 版本历史 ⭐⭐ 强（Git式管理） ⭐ 中等（基础版本控制） 协作功能 ⭐ 中等（支持分享） ❌ 不支持（个人工具） 结论： 在信息处理和知识管理能力上，DeepResearch在易用性和全面性上略占优势，MiroMind在智能化和自动化上更胜一筹。\n4.3 预测与仿真能力 能力 MiroMind DeepResearch 趋势预测 ⭐⭐⭐ 强（时间序列+机器学习） ❌ 不具备 博弈仿真 ⭐⭐⭐ 强（支持N人博弈、复杂策略） ❌ 不具备 情景推演 ⭐⭐⭐ 强（多参数敏感性分析） ❌ 不具备 风险量化 ⭐⭐⭐ 强（蒙特卡洛、贝叶斯推理） ❌ 不具备 预测准确率 ⭐⭐⭐ 高（可配置验证集） N/A 可解释性 ⭐⭐ 中等（提供决策依据） N/A 结论： 在预测和仿真能力上，MiroMind具有独特优势，这是DeepResearch类产品无法提供的核心差异。\n五、适用场景分析 5.1 适合使用MiroMind的场景 学术研究和行业分析\n需要：大规模信息搜集、跨领域数据整合、趋势预测 理由：MiroMind的多Agent协作架构和预测能力可以大幅提升研究效率 案例：行业趋势研究、政策影响分析、竞争格局分析 复杂项目研究\n需要：多方协作、任务分配、进度跟踪、风险评估 理由：Agent编排和协同机制非常适合团队研究项目 案例：跨机构合作研究、大型技术项目评估 预测和推演需求\n需要：趋势预测、情景分析、风险评估 理由：MiroMind的预测和仿真能力可以支持这类任务 案例：市场趋势预测、政策影响推演、风险评估 5.2 适合使用DeepResearch的场景 个人学习和笔记整理\n需要：快速信息录入、智能标注、多格式导出 理由：DeepResearch的易用性和全面功能可以满足个人学习需求 案例：课程笔记整理、文献阅读笔记、学习资料归档 文档管理和知识库构建\n需要：多源文档整合、全文检索、版本管理 理由：DeepResearch的文档处理能力可以高效管理个人知识库 案例：个人知识图谱构建、学习资料分类归档 轻量级研究任务\n需要：简单信息搜集、快速整理、基础分析 理由：DeepResearch的轻量设计和快速响应可以提高效率 案例：快速调研、资料整理、初步信息分析 跨语言研究\n需要：多语言文档处理、智能翻译、格式转换 理由：DeepResearch的多格式支持可以处理多语言资料 案例：外文文献阅读、跨语言资料整理 六、选择建议 6.1 根据需求选择 你的需求 推荐产品 核心心理由 专业研究工作 MiroMind 需要强大的自动化、预测和协作能力 复杂项目分析 MiroMind 需要多Agent架构、任务编排和风险评估 学术/行业研究 MiroMind 需要趋势预测、数据整合和报告生成 趋势预测和推演 MiroMind MiroMind独有此核心能力 个人学习笔记 DeepResearch DeepResearch在易用性和功能全面性上更优 文档管理和知识库 DeepResearch DeepResearch的文档处理和检索能力更适合 轻量级研究 DeepResearch DeepResearch的轻量设计和快速响应提高效率 有团队协作需求 MiroMind MiroMind支持多Agent协作和共享 追求研究和预测 MiroMind MiroMind提供DeepResearch不具备的核心能力 6.2 根据技术水平选择 你的技术水平 推荐产品 核心心理由 AI/技术背景较好 MiroMind MiroMind学习曲线陡峭，需要一定的技术背景 愿意投入学习时间 MiroMind 需要学习和配置多Agent工作流 有团队协作需求 MiroMind MiroMind支持多Agent协作和共享 追求研究和预测 MiroMind MiroMind提供DeepResearch不具备的核心能力 希望快速上手 DeepResearch DeepResearch设计更简单，界面更友好 6.3 产品路线图与定位 MiroMind的战略定位：\n\u0026ldquo;研究+预测\u0026quot;双核能力平台 面向专业研究机构、大型咨询公司的企业级解决方案 竞争优势：提供DeepResearch类产品无法具备的高级AI能力 发展方向：继续强化预测算法、扩展Agent生态、提升企业级功能 DeepResearch的产品定位：\n\u0026ldquo;智能研究助手\u0026quot;平台 面向学生、研究者、个人用户的大众化解决方案 竞争优势：易用性、轻量化、快速响应、全面的功能覆盖 发展方向：优化用户体验、增强协作功能、提升多语言支持 七、总结与建议 7.1 核心结论 定位差异：MiroMind是专业级研究Agent平台，DeepResearch是大众化智能研究助手，两者的目标用户和核心能力有本质区别。\n能力对比：MiroMind在自动化信息搜集、文献智能分析、预测仿真等高级能力上具有明显优势；DeepResearch在信息处理、知识管理、用户体验方面表现更优。\n适用场景：专业研究、复杂项目、趋势预测推荐MiroMind；个人学习、文档管理、轻量级研究推荐DeepResearch。\n7.2 最终建议 给专业研究者的建议：\n如果你的工作涉及大规模数据收集、跨领域研究、趋势预测，选择MiroMind 充分利用其多Agent协作架构，配置合适的工作流 利用其预测能力进行前瞻性分析和风险评估 给个人学习者的建议：\n如果你的主要需求是文档整理、笔记管理、知识库构建，选择DeepResearch 充分利用其智能标注、全文检索和导出功能 善用知识图谱和模板库提高效率 给混合使用者的建议：\n研究工作用MiroMind，文档整理用DeepResearch 通过DeepResearch的导出功能将MiroMind的研究结果导入DeepResearch进行整理 两者的能力互补，可以形成更完整的工作流 7.3 关于图片说明 本文配图由 https://www.miromind.ai/ 实时生成，直观地展示了MiroMind作为\u0026quot;研究+预测\u0026quot;双能力Agent平台的强大功能架构，包括多Agent协作界面、数据分析仪表盘和趋势预测模块。\n总结： MiroMind和DeepResearch代表了AI辅助学习工具的两条不同路线——一条追求专业化和高级能力，一条追求易用性和全面性。选择哪款产品，关键在于明确你的核心需求和预期使用场景。没有绝对的优劣，只有是否适合。\n","permalink":"https://bingorun.cn/posts/ai-tools-comparison-2026/","summary":"深度对比MiroMind与DeepResearch类AI辅助学习产品的核心差异与适用场景","title":"AI辅助学习工具选型：MiroMind与DeepResearch类产品的深度对比"},{"content":"\nAI 辅助学习工作流：工具选型与实践要点 传统学习方式常面临资料难以数字化、检索效率低的瓶颈。这套方案通过\u0026quot;本地笔记 + AI 知识库\u0026ldquo;的联动，帮助大学生快速建立结构化的复习与知识提取工作流。\n一、核心工具矩阵 整套工作流仅需 3 款工具，以 Markdown 格式作为数据流转的核心标准：\n工具名称 核心定位 核心优势 适用场景 Obsidian 知识大脑（基础） 免费、本地存储、双向链接、原生支持 Markdown 日常听课笔记、沉淀长期知识库 NotebookLM AI 引擎（核心） 基于指定文档回答、一键生成播客或测验（备选：腾讯 ima） 期末复习、知识提炼、盲区检测 XMind 结构辅助（可选） 节点化梳理，可直接导出为 Markdown 格式 课程初期的大纲与逻辑串联 二、标准工作流（4 步闭环） 💡 核心原则：不要为了用 AI 而用 AI，建议按照以下顺序将知识逐步内化：\n1️⃣ 框架梳理 课程初期，使用 XMind 快速画出知识骨架，导出为 Markdown 文件。\n📌 为什么用 XMind？\n可视化工具能更直观地展现课程整体结构 支持直接导出 Markdown，无缝对接 Obsidian 适合在课程学习初期建立知识框架 2️⃣ 细节沉淀 将导出的文件放入 Obsidian。在日常学习中不断补充细节，利用双向链接建立知识点之间的关联。\n🔗 Obsidian 的优势：\n双向链接让知识点之间自然形成网络 本地存储，不用担心数据丢失或隐私问题 丰富的插件生态，可根据需求扩展功能 3️⃣ AI 灌喂 复习阶段，将整理好的 Obsidian 笔记（确保内容详实、结构清晰）上传至 NotebookLM，建立该科目的专属 AI 知识库。\n4️⃣ 转化输出 利用 NotebookLM 针对笔记生成复习测验、总结 PPT 或音频播客，进行针对性查漏补缺。\n框 架 梳 理 ( X → M i 细 n 节 d 沉 ) 淀 → A ( I O 灌 b 喂 s i → d i 转 a 化 n 输 ) 出 ( N o t e b o o k L M ) ( 复 习 输 出 ) 三、NotebookLM 核心功能与避坑指南 NotebookLM 是这套体系的放大器，但目前的 AI 工具仍有局限性，需采取针对性策略：\n✅ 推荐功能 功能 适用场景 推荐指数 小测验生成 期末复习，排查知识盲区 ⭐⭐⭐⭐⭐ 播客生成 语言类或文科类课程，导出音频磨耳朵辅助记忆 ⭐⭐⭐⭐ AI 问答 针对笔记内容的快速检索和答疑 ⭐⭐⭐⭐⭐ ❌ 功能避坑 功能 问题 建议 视频生成 功能耗时长且不稳定 现阶段直接放弃，优先使用文本和音频类功能 PPT 生成 汉字支持与排版较弱 生成后需手动重新排版 ⚠️ 操作避坑 问题 影响 解决方案 输入决定输出 AI 的准确率完全依赖你上传的笔记质量 务必提前在 Obsidian 中将内容整理规范 幻觉核对 AI 生成的测验答案可能出错 必须对照原笔记进行二次核实 排版问题 生成的 PPT 大纲格式不稳定 做好手动调整的心理准备 四、核心底线 ⚠️ 禁止用 AI 代写核心笔记。\nAI 的定位是\u0026rdquo;检索器\u0026ldquo;和\u0026rdquo;测试员\u0026quot;，知识体系的构建（如 Obsidian 中的卡片连接、核心逻辑的推演）必须由人脑完成。\n过度依赖 AI 抓取和总结，会让你沦为资料的搬运工，丧失独立思考能力。\n📚 延伸阅读 如果你对 Obsidian 感兴趣，可以探索其丰富的插件生态 NotebookLM 目前支持多语言，但英文资料的处理效果通常优于中文 腾讯 ima 是国内可选的替代方案，但在功能丰富度上仍有一定差距 希望这套工作流能帮你更高效地学习！如有疑问，欢迎交流讨论。\n","permalink":"https://bingorun.cn/posts/ai-learning-workflow/","summary":"传统学习方式常面临资料难以数字化、检索效率低的瓶颈。这套方案通过\u0026quot;本地笔记 + AI 知识库\u0026quot;的联动，帮助大学生快速建立结构化的复习与知识提取工作流。","title":"AI 辅助学习工作流：工具选型与实践要点"},{"content":"📚 今日知识点 【方法论】用AI学习新框架：1.让AI列出核心概念 2.逐个问\u0026rsquo;为什么需要它\u0026rsquo; 3.让AI给简单示例 4.问\u0026rsquo;如果不这样做会怎样\u0026rsquo;。30分钟入门。\n【感悟】AI不是万能药：它能加速已知路径的探索，但无法替代方向判断。选择什么问题去解决，比如何解决更重要。\n【架构】LangChain vs LangGraph：Chain是线性流程，Graph是循环流程。复杂Agent用LangGraph，简单任务用LangChain足够。\n【方法论】Debug新技巧：把错误信息和相关代码扔给AI，让它在本地环境模拟执行（如果有能力），或分析可能原因。比自己Google快5倍。\n【架构】RAG三要素：文档切分（chunk size 512-1024）、向量数据库（FAISS/Pinecone）、召回+重排（BM25+语义检索）。\n【项目经验】监控AI系统：除了延迟和成功率，还要监控「幻觉率」和「拒答率」。这些指标直接影响用户体验。\n📖 论文推荐 Language Models are Few-Shot Learners (2020)\n作者: Brown et al. (OpenAI) 简介: 引用6万+！GPT-3论文，定义few-shot learning。175B参数展示规模化效果，是现代prompt技术的起点。 Prompt Caching (2024)\n作者: Anthropic, OpenAI 简介: 缓存prefix重复使用不收费。RAG、长对话可节省50%+成本。生产环境必备优化。 Qwen2.5 (2024)\n作者: Alibaba 简介: 72B开源，性能超越闭源模型。数学、编程、长文本突出。中国开源AI的重要里程碑。 Chain-of-Thought Prompting (2022)\n作者: Wei et al. (Google) 简介: 引用1.2万+！CoT论文，通过展示推理步骤提升复杂任务能力。是prompt工程的核心技术。 GraphRAG (2024)\n作者: Microsoft Research 简介: 结合知识图谱+社区检测，解决RAG全局性盲点。企业级知识库必备技术。 Claude 3.5 Sonnet (2024)\n作者: Anthropic 简介: 编程、推理SOTA，Artifacts功能革新代码预览。AI辅助编程的新标杆。 本日报由AI助手自动生成，每日推送3条AI知识点 + 3篇精选论文，帮助你快速了解AI领域最新动态。\n","permalink":"https://bingorun.cn/posts/ai-daily-2026-02-10/","summary":"每日AI知识点推送与论文推荐汇总","title":"AI日报 2026-02-10"},{"content":"AI日报 - 2026年2月9日 今日知识点 1. RAG三要素 【架构】 文档切分（chunk size 512-1024）、向量数据库（FAISS/Pinecone）、召回+重排（BM25+语义检索）。\n2. 工具调用是Agent的核心能力 【Agent】 让模型决定何时调用函数（如搜索、计算、API），而不仅仅是生成文本。\n3. Debug新技巧 【方法论】 把错误信息和相关代码扔给AI，让它在本地环境模拟执行（如果有能力），或分析可能原因。比自己Google快5倍。\n今日论文 1. Emergent Abilities (2022) 作者： Wei et al. (Google)\n简介： 揭示某些能力只在模型规模达到阈值后出现。解释为什么大模型比小模型强很多。\n2. GPT-2: Language Models are Unsupervised Multitask Learners (2019) 作者： Radford et al. (OpenAI)\n简介： 引用2万+！1.5B参数模型，展示大规模无监督训练的潜力。是GPT-3、ChatGPT的先驱。\n3. BERT: Pre-training of Deep Bidirectional Transformers (2019) 作者： Devlin et al. (Google)\n简介： 引用8万+！首次证明双向预训练的效果。BERT刷新11项NLP任务SOTA，开启了预训练语言模型时代。\n本文由 AI 自动生成\n","permalink":"https://bingorun.cn/posts/ai-daily-2026-02-09/","summary":"每日AI知识点推送与论文推荐汇总","title":"AI日报 2026-02-09"},{"content":"尤其是对比上一轮流传很广的李一舟版本，这波新论调我看完只有一个感受：不敢苟同，甚至很多结论完全站不住脚。\n估值差距的本质 不可否认，中美科技公司、AI企业的估值差距确实大到刺眼，但很多人刻意忽略了一个核心：\n估值差距，本质是资本市场定价逻辑、资金池、监管环境、全球化资本通路的差异，不是纯技术实力的直接等价物。\n把全球AI竞赛比作一张牌桌，不管你承不承认，打到现在，桌上能继续出牌、有资格赌下一个十年的，真的就只剩下中美两家。\n欧洲缺完整算力与产业闭环，日韩缺海量场景与迭代土壤，其他新兴市场连基础投入都跟不上，第一梯队早已没有第三个玩家。\n被误读的\u0026quot;抢入口\u0026quot;打法 这一轮里，很多人嘲讽中国企业只会靠春节红包、裂变活动抢AI入口，我反倒觉得：这是最贴合本土市场、最合乎商业逻辑的打法，没有任何问题。\n春节是全球独一无二的人口大流动、社交高爆发节点，大厂把AI生图、写春联、智能助手、交互玩法和红包绑定，本质不是低级撒钱，而是用中国人最接受的方式，完成一次全民级AI启蒙——\n让原本只在科技圈里的模型、提示词、智能交互，真正走到每一个普通用户的手机里。\n不只是互联网大厂，现在连线下教培机构、街边奶茶店、社区门店都在跟着上AI工具、AI互动体验。\n不管这一波算不算泡沫、最后会不会有公司淘汰出局，一个无法否认的事实是：AI已经实实在在扎进了普通人的日常生活。\n可能是多抢了一个AI红包，可能是用AI一键生成了拜年海报，可能是跟着短视频学了两招实用提示词，可能是用AI翻译解决了出国麻烦，也可能是用AI剪视频、写文案第一次觉得\u0026quot;创作没那么难\u0026quot;。\n这些细碎、微小、不宏大的改变，都是AI对现实世界的真实影响。\n两种泡沫的本质差异 说到泡沫，我特别想把它和上一轮我们经历过的房地产泡沫放在一起说——同样是泡沫，性质天差地别，我愿意站AI这一边。\n先承认客观事实：早期房地产对城镇化、基建、就业的拉动作用，谁都无法否定。它确实撑起了过去几十年的高速增长，是实打实的经济支柱。\n但后期的走向，大家都看在眼里：它慢慢脱离了居住属性，变成了一场围绕杠杆、信贷、土地的金融空转游戏，最终留下的后遗症，直到今天还在影响每一个人。\n最扎心的一点就是： 哪怕现在房价回调到很多人理论上\u0026quot;够得着\u0026quot;的水平，年轻人依然不敢买房、不敢结婚、不敢生孩子。\n高房价对生育意愿的挤压、对居民消费力的透支、对年轻人未来收入的提前锁定，早已不是简单的经济问题。当一个家庭要掏空六个钱包、背上三十年房贷才能换一个\u0026quot;水泥盒子\u0026quot;，当月供吃掉大半收入、不敢辞职、不敢生病、不敢消费，这样的泡沫，再大也只是锁住当下，看不到未来。\nAI泡沫：赋能个体而非制造负债 反观AI这一波泡沫，完全是另一个方向。\nAI绘画、AI音乐、AI视频、AI写作在不断拉低创作门槛，让没有专业基础的普通人也能释放创造力 AI翻译、AI助手、AI眼镜、智能交互一点点重构人与设备、人与信息的效率关系 甚至像OpenCat这类低门槛工具，让普通人不用写代码也能搭建自己的AI应用、工作流，相当于把\u0026quot;当老板、做产品\u0026quot;的门槛降到极低 它不制造负债，不掏空积蓄，不挤压生育，不锁死你的三十年人生。\n它提升的是效率，释放的是创造力，拓宽的是个体可能性。哪怕有炒作、有跟风、有估值虚高、有公司会在浪潮里倒下，这也是一场奔向未来的泡沫，而不是困在当下的枷锁。\n中美AI竞争的真实图景 再说回被吵翻天的中美AI对比。\n美国的优势很清晰： 底层框架起步早、全球资本聚集、生态开放度高、顶尖人才密度大 中国的优势同样鲜明： 场景足够多、用户基数足够大、落地迭代速度快、本土化适配能力强 两者本就是不同路径的竞争，不是简单的\u0026quot;谁吊打谁\u0026quot;。\n春节红包大战抢入口，不是中国企业\u0026quot;只会搞营销\u0026quot;，而是用自己最擅长的方式，守住AI时代的用户基本盘。在一个6亿多网民、社交渗透极强的市场，这种打法高效、务实，也完全符合产业发展阶段的逻辑。\n很多人喜欢拿市值说事，可市值从来不等于真实的产业影响力，更不等于未来的话语权。\n我们不必仰视美国，也不必盲目自嗨；不必被差距吓退，也不必吹\u0026quot;弯道超车\u0026quot;的空话。\n真正重要的是：这一次关键的技术浪潮，我们没有缺席，没有被甩在牌桌之外。\n技术革命的必然之路 技术革命从来都是在喧嚣、质疑、泡沫里走出来的。\n互联网、移动互联网当年也满是泡沫，也有大批公司倒闭，但最终留下了基础设施、用户习惯、产业能力，改变了整个社会。\nAI也是一样。\n泡沫会破，虚火会退，但留在原地的会是：\n数亿用户的使用习惯 全场景的落地渗透 持续迭代的国产模型 从软件到硬件的完整生态 每一个普通人被提升的效率、被解放的创造力 这些东西，远比一张估值对比表更有分量。\n最后想说的话 最后想说一句很实在的话：\n同样是泡沫，我宁愿支持一场指向未来、赋能个体、不制造负债的AI浪潮，也不想再回到那个被水泥盒子、房贷、焦虑锁死一切的时代。\n至少AI让我们看到，下一个十年，社会进步的动力可以来自技术与创造，而不是透支与空转。\n这就够了。\n本文首发于 Bingo 的技术博客，转载请注明来源\n","permalink":"https://bingorun.cn/posts/%E5%88%AB%E5%86%8D%E4%B9%B1%E5%AF%B9%E6%AF%94%E4%B8%AD%E7%BE%8Eai%E4%BA%86%E8%BF%99%E6%B3%A2%E6%B3%A1%E6%B2%AB%E8%BF%9C%E6%AF%94%E6%88%BF%E5%9C%B0%E4%BA%A7%E7%9A%84%E9%87%91%E8%9E%8D%E6%B8%B8%E6%88%8F%E5%80%BC%E5%BE%97%E6%94%AF%E6%8C%81/","summary":"深入分析中美AI对比背后的真实逻辑，对比AI泡沫与房地产泡沫的本质差异，阐述为什么AI泡沫远比房地产的金融游戏值得支持","title":"别再乱对比中美AI了：这波泡沫，远比房地产的金融游戏值得支持"},{"content":"📚 今日知识点 【方法论】用AI学习新框架：1.让AI列出核心概念 2.逐个问\u0026rsquo;为什么需要它\u0026rsquo; 3.让AI给简单示例 4.问\u0026rsquo;如果不这样做会怎样\u0026rsquo;。30分钟入门。\n【LLM】Few-shot learning比Zero-shot效果更好：给2-3个示例，模型理解能力显著提升。示例格式很重要，保持一致性。\n【项目经验】成本优化：小模型+Prompt工程 \u0026gt; 大模型+暴力Prompt。7B模型调优后，很多任务能达到GPT-4的80%效果，成本只有1/10。\n📖 论文推荐 GraphRAG (2024)\n作者: Microsoft Research 简介: 结合知识图谱+社区检测，解决RAG全局性盲点。企业级知识库必备技术。 Mixture of Agents (2024)\n作者: Together AI 简介: 多Agent协作框架，每个专注一领域。通过aggregation得到更好结果。 o1-preview: OpenAI\u0026rsquo;s Reasoning Model (2024)\n作者: OpenAI 简介: test-time compute首次显式训练，推理前多步思考。数学、编程、科学推理能力大幅提升。 本日报由AI助手自动生成，每日推送3条AI知识点 + 3篇精选论文，帮助你快速了解AI领域最新动态。\n","permalink":"https://bingorun.cn/posts/ai-daily-2026-02-08/","summary":"每日AI知识点推送与论文推荐汇总","title":"AI日报 2026-02-08"},{"content":"一、第一象限：我知道，AI也知道——效率放大器 这是人机协作的舒适区，核心是**「已知知识的批量落地」**。\n双方都具备对应领域的基础认知，无需探索、只需高效执行。\n典型场景 资深编辑熟知爆款文案\u0026quot;开头勾人、内容服人、结尾动人\u0026quot;的结构，AI也掌握通用创作套路 职场人熟悉PPT大纲逻辑、公文格式、数据整理流程，AI同样具备标准化操作能力 协作策略 直接指令、高效复用，把AI当作**「效率杠杆」**：\n明确需求、限定规则，直接下达具体指令，例如\u0026quot;生成5个时间管理短视频悬念开头，3秒内抓注意力\u0026quot; 用AI完成初稿撰写、文字润色、大纲梳理、格式排版等重复劳动，解放双手与时间 把自身成熟经验、标准化流程交给AI复刻，实现已知能力的规模化、自动化产出 核心价值 不消耗核心精力，专注创意与决策，让AI完成\u0026quot;体力型\u0026quot;工作，放大已有能力的产出效率。\n二、第二象限：我不知道，但AI知道——学习加速器 这是个人成长的提升区，核心是**「填补知识盲区」**。\n你对领域完全陌生，但AI拥有海量数据、行业框架与成熟方法论。\n典型场景 产品经理突然要分析AI眼镜行业 职场人跨界学习剪辑 新手研究投资逻辑 自身无基础，但AI可整合报告、数据、案例，快速搭建知识体系。\n协作策略 精准提问、拆解学习，把AI当作**「私人导师」**：\n拒绝笼统提问（如\u0026quot;AI眼镜行业怎么样\u0026quot;），改用「剥洋葱式」拆解，例如\u0026quot;用价值投资框架分析AI眼镜：市场规模、产业链、风险与机会分点说明\u0026quot; 用费曼学习法反向验证，让AI用通俗语言纠正认知偏差，快速建立领域基础认知 定制极简学习路线，聚焦目标、剔除冗余信息，避免无效收藏与认知负债，短时间达到领域80分理解水平 核心价值 快速突破陌生领域，降低学习成本，把\u0026quot;知道自己不知道\u0026quot;的盲区，转化为可掌握的实用技能。\n三、第三象限：我知道，但AI不知道——潜能探测仪 这是个人核心竞争力的专属区，核心是**「激活隐性知识」**。\n你拥有AI没有的独家经验、直觉、案例与行业洞察，这些未被梳理的\u0026quot;隐性知识\u0026quot;，是你的独特优势。\n典型场景 十年设计师的审美直觉 资深策划的落地逻辑 职场人的专属工作技巧 个人独家读书笔记与项目复盘 这些内容未公开、AI无储备，无法直接调用。\n协作策略 主动投喂、显性转化，把AI当作**「思维镜子」**：\n通过RAG（检索增强生成）逻辑，将个人工作总结、项目案例、灵感碎片、专属文档构建私人数字知识库，让AI学习你的专属认知 让AI基于你的独家经验，提炼核心逻辑、延伸新方向，例如\u0026quot;结合我10篇用户心理文章，提炼核心观点并构思3个新选题\u0026quot; 把模糊的直觉、\u0026ldquo;只可意会\u0026quot;的经验，转化为可复用、可传播的清晰方法，实现隐性知识显性化 核心价值 挖掘自身未被察觉的潜能，让AI成为专属创意伙伴，而非通用信息搬运工，打造不可替代的个人优势。\n四、第四象限：我不知道，AI也不知道——创新催化剂 这是人机协作的无人区，核心是**「共创未知可能」**。\n双方都无现成答案、无成熟框架，属于前沿探索、跨界脑洞、无标准答案的创新场景。\n典型场景 \u0026ldquo;用庄子无为思想管理远程AI编程团队\u0026rdquo; \u0026ldquo;2026年独立创作者的全新工作流\u0026rdquo; \u0026ldquo;跨界融合两个完全无关领域的新模式\u0026rdquo; 这类问题没有标准答案，属于认知盲区中的盲区。\n协作策略 开放对话、跨界碰撞，把AI当作**「共创伙伴」**：\n放弃指令式沟通，改用头脑风暴、开放式提问，引导AI提供多元视角 让AI扮演不同角色（投资人、竞争对手、未来观察者），挖掘方案漏洞、拓展思维边界 不追求完美答案，而是收集创意素材、跨界连接点，再通过自身判断筛选、组合、升华 核心价值 突破固有认知，探索全新可能性，实现真正的人机共创，诞生原创性、突破性思路。\n五、动态导航：让认知与AI协同进化 这张「认知地图」并非静态划分，而是动态迭代的导航系统，核心是持续把「未知」转化为「已知」，实现认知升级：\n1. 第四象限→第二象限 通过AI跨界推荐、广泛交流，把\u0026quot;不知道自己不知道\u0026quot;的盲区，转化为\u0026quot;知道不知道\u0026quot;的学习目标。\n2. 第二象限→第一象限 借助AI快速学习，把陌生知识转化为熟练技能，纳入高效协作范围。\n3. 第三象限→第一象限 通过AI梳理隐性知识，让专属经验标准化、可复用，放大核心优势。\n关键技巧 高效使用AI的核心，不是盲目提问，而是先花10秒定位象限：\n我是否清楚问题核心？ AI是否具备相关知识？ 对应哪种协作模式？ 想清楚再行动，效率与效果天差地别。\n六、总结：AI时代的核心竞争力，是认知协作能力 AI不是替代人类的工具，而是思维的延伸。\n在信息爆炸的时代，竞争力不再是知识储备的数量，而是认知效率——能否快速定位自身认知状态，精准匹配AI协作方式，实现\u0026quot;已知放大、盲区补齐、潜能激活、未知探索\u0026rdquo;。\nAI能给出答案，但提出正确问题、划定协作边界、主导共创方向，才是人类不可替代的核心能力。\n这张「认知地图」，本质是帮我们建立清晰的自我认知，与AI形成互补、协同、进化的伙伴关系，最终实现个人能力与AI价值的双重最大化。\n行动建议 从今天开始，每次使用AI前，花10秒回答三个问题：\n这个问题属于哪个象限？ 我应该用什么方式与AI协作？ 我的核心目标是效率放大、学习补齐、潜能激活，还是创新探索？ 定位清晰，才能让AI真正成为你的认知合伙人。\n","permalink":"https://bingorun.cn/posts/%E8%AE%A4%E7%9F%A5%E8%A7%89%E9%86%92-%E7%94%A8%E4%B8%80%E5%BC%A0%E8%AE%A4%E7%9F%A5%E5%9C%B0%E5%9B%BE%E8%AE%A9ai%E4%BB%8E%E5%AE%9E%E4%B9%A0%E7%94%9F%E5%8D%87%E7%BA%A7%E4%B8%BA%E5%90%88%E4%BC%99%E4%BA%BA/","summary":"基于乔哈里视窗理论，构建AI对话四象限，让人机协作从工具进化为思维合伙人","title":"认知觉醒：用一张认知地图，让AI从实习生升级为合伙人"},{"content":"最近网上流传一张对比图：美国在追求 AGI，中国在发红包。这种简单粗暴的叙事确实很吸引眼球，但真的准确吗？\n今天我想聊聊这件事。\n流量时代的叙事陷阱 \u0026ldquo;美国搞技术，中国搞应用\u0026quot;这种简单化叙事之所以能广泛传播，不是因为它准确，而是因为它好传播。\n很多内容创作者（UP主、自媒体）太需要流量了。他们深知：\n简单对立的标题点击率高 情绪化的内容容易转发 复杂的分析没人看 于是中美AI大战变成了一个可以被消费的话题，而不是需要严肃讨论的问题。这背后是流量逻辑在主导叙事，而不是事实逻辑。\n但作为读者，我们需要警惕。当一个问题被简化成\u0026quot;美国vs中国\u0026rdquo;、\u0026ldquo;技术vs应用\u0026rdquo;、\u0026ldquo;高端vs低端\u0026quot;时，我们已经丢失了90%的信息量。\n差距在哪里 先说大家最容易看到的部分。\n算力差距客观存在。 美国在高端芯片、数据中心建设上有先发优势，OpenAI、Anthropic 这些公司在算力投入上确实遥遥领先。这不是一个能短期追赶的差距。\n追求高度不同。 美国的目标是 AGI，是通用人工智能，是改变世界的颠覆性突破。而中国不少公司更关注短期变现、快速落地。\n投入结构差异。 美国的资本更愿意为长期不确定性买单，中国的投资人更看重短期回报。这导致了创新路径的根本差异。\n这些都不是空穴来风。\n中国做对了什么 但换一个角度看，问题没那么简单。\n应用落地同样是硬实力。 技术如果不能转化为产品、不能解决实际问题，价值就有限。中国在应用层做得确实更好——微信里的AI助手、电商里的推荐系统、政务里的智能客服，这些都是实打实的技术落地。\n务实不等于不追求技术。 选择先从应用切入，是一种策略选择，不是能力天花板。就像先造自行车再造汽车，路径不同不代表最终高度不同。\n生态差异带来优势。\n开源 vs 闭源：美国更多闭源商业模型，中国更愿意开源，这让更多开发者能参与创新。\n数据优势：中国在人口规模、应用场景上的数据积累，是训练大模型的宝贵资源。\n监管环境：中美对AI的不同监管态度，形成了不同的发展路径和机会窗口。\nDeepseek：打破简单叙事的案例 Deepseek 的出现其实是一个很好的例子。\n它说明什么？说明中国同样在基础模型上发力，而且做出了世界级的产品。这和\u0026quot;中国只做应用\u0026quot;的叙事是矛盾的。\n但 Deepseek 也没有脱离商业现实——它在开源策略、成本控制上都有深思熟虑，这又是中国特色的务实主义。\n除了Deepseek，还有阿里Qwen、腾讯混元、百度文心等，都证明了中国在基础模型上的实力。\n真实的图景是什么？ 中美两国都在做两件事：\n技术突破——基础研究、模型架构、算法创新 应用落地——产品化、商业化、规模化 只是两者的优先级、节奏、路径不同。\n美国：技术突破优先，应用是结果 中国：应用落地优先，技术是支撑\n没有谁在\u0026quot;只做\u0026quot;某一件事。只是叙事需要简单化，传播需要对比感。\n时间会给出答案 现在的对比可能5年后看就很可笑。\n科技发展是非线性的，现在领先的未必最后赢。\n回顾互联网发展史：早期美国主导，但后来中国出现了淘宝、微信这样的应用创新，甚至在移动支付、社交电商等领域反超。\nAI这条线还很长。应用层的积累可能会反哺基础层，数据优势可能转化为模型优势，商业落地可能为持续研发提供资金。\n简单说：不要用当下的差距判断未来的格局。\n个人应该如何面对？ 比起纠结\u0026quot;谁更厉害\u0026rdquo;，不如想想\u0026quot;怎么利用\u0026quot;。\n拒绝被叙事裹挟 拒绝情绪化。 看到中美对比时，不要被民族情绪带偏。技术发展不是面子问题，是实用问题。谁做得好，就用谁的；什么好用，就用什么。\n拒绝简单化。 不要相信非黑即白的结论。多问几个\u0026quot;为什么\u0026quot;，多看看数据，多了解一些案例。复杂问题没有简单答案。\n拒绝二极化。 不是\u0026quot;要么全对要么全错\u0026quot;，不是\u0026quot;要么崇美要么排外\u0026quot;。每个国家都有自己的优势和局限，每个产品都有自己的适用场景。\n实用主义行动指南 关注创新，也关注应用。 技术突破值得关注，但更重要的是它能不能解决你的问题。一个AI模型再强大，如果不能帮你的工作更高效，对你来说意义不大。\n充分利用AI提效。 这才是最实际的：\n如果你是程序员： 用 Copilot、Cursor 辅助写代码 用AI解释复杂代码、生成测试用例 用AI进行Code Review，查找潜在bug 但要记住： 核心逻辑、架构设计还是要自己思考 如果你是产品经理： 用AI快速生成原型、PRD初稿 用AI做竞品分析、需求梳理 用AI分析用户反馈、提取关键词 但要记住： 最终的决策、对用户的理解还是要自己 如果你是学生： 用AI快速理解复杂概念 用AI辅助复习、整理知识框架 用AI改作文、练口语 但要记住： 不要依赖AI做作业，思考能力不能外包 其他实用场景： 知识管理： 用AI整理笔记、提取关键信息 数据分析： 用AI处理Excel、解读报告 创意启发： 用AI brainstorm、生成想法 决策支持： 用AI梳理选项、分析利弊 避坑指南 不要完全依赖AI。 没有判断力的人用AI会制造垃圾。AI是放大器，它会放大你的能力，也会放大你的错误。\n不要迷信某个产品。 适合自己的才是最好的。ChatGPT不一定比国产模型好，取决于具体场景。\n不要只学工具不学原理。 AI工具在快速迭代，但原理相对稳定。理解原理才能快速适应新工具。\n结论 AI是工具，不是信仰。\n中美谁更强，对你个人来说其实不重要。重要的是：你能不能用AI让自己的生活、工作、学习变得更好？\n与其在简单化的叙事里站队，不如在复杂的世界里行动。\n今天就选一个AI工具，开始用它解决你的第一个问题。\n","permalink":"https://bingorun.cn/posts/%E4%B8%AD%E7%BE%8Eai%E5%A4%A7%E6%88%98%E7%9A%84%E7%9C%9F%E5%AE%9E%E5%9B%BE%E6%99%AF/","summary":"深入分析中美AI发展的真实图景，超越简单化叙事，探讨技术差距、应用落地与个人行动指南","title":"中美AI大战的真实图景：超越简单叙事"},{"content":"toc_number: true /images/bitter-lesson-ai-seventy-years/AI历史关键突破时间线.jpg 序幕：一个时代的开端 1983年，当第一套中文输入系统出现在DOS命令行时，没人能想到，这会是人类与数字世界交互方式的一场漫长变革的开始。\n最初的拼音输入法，简单到近乎朴素——用户逐字敲击拼音，候选词从几十个选项中筛选。效率低下？是的。但它开启了中国人用键盘打字的大门。在那个年代，输入只是一个机械的\u0026quot;编码-匹配\u0026quot;过程，机器完全不理解你在说什么，它只是在字典里查找匹配的字。\n第一次革命：用规则对抗低效 拼音的短板显而易见——重码率高、击键次数多。于是，聪明的人们想到了\u0026quot;简化\u0026quot;。\n双拼输入法将每个音节压缩到两次击键，将输入效率提升了约30%。五笔输入法走得更远，通过字形拆解，将汉字输入变成了\u0026quot;码字游戏\u0026quot;，高手可以轻松突破每分钟100字的障碍。\n这是一场纯粹的工程优化。五笔甚至创造了\u0026quot;盲打\u0026quot;的神话——你可以不看屏幕，只凭肌肉记忆完成输入。\n但问题依然存在：所有这些方案本质上都是\u0026quot;编码器\u0026quot;。你必须先学会一套规则，把脑子里的汉字转换成机器能理解的代码。机器只是个查表工，它不认识你打的是什么意思。\n输入法 击键数/字 优势 劣势 全拼 3-4 无需学习 效率低 双拼 2-3 效率提升30% 需学习 五笔 1-2 效率最高、盲打 学习曲线陡 第二次革命：让机器学会\u0026quot;猜\u0026quot; 90年代末，输入法开始有了\u0026quot;智能\u0026quot;。\n简单的模糊匹配出现了——你输入\u0026quot;zhguan\u0026quot;，系统知道你想打\u0026quot;主管\u0026quot;而不是\u0026quot;猪冠\u0026quot;。再后来，基于统计的词频统计让候选词排序更加合理。\n这是质变的一步。机器不再是只会查表的死板工具，它开始根据上下文\u0026quot;猜\u0026quot;你想要什么。虽然这种猜测还很粗糙，但交互体验已经有了质的飞跃——你需要按的键变少了，选择的时间变短了。\n最典型的例子是\u0026quot;整句输入\u0026quot;。你不再需要一个个选择字，输入一整句拼音，系统自动帮你完成分词和选字。虽然错误率还不低，但这标志着输入法从\u0026quot;字匹配\u0026quot;进化到了\u0026quot;句理解\u0026quot;。\n第三次革命：AI时代的语义觉醒 进入21世纪第二个十年，AI技术为输入法注入了真正的灵魂。\n**NLP（自然语言处理）**让输入法第一次真正\u0026quot;理解\u0026quot;了语言。当你输入\u0026quot;我想吃\u0026quot;时，它会根据当前时间、地点、你的历史偏好，优先推荐\u0026quot;火锅\u0026quot;而不是\u0026quot;蛋糕\u0026quot;。\n上下文理解能力达到了前所未有的高度。你刚说过\u0026quot;明天要去北京\u0026quot;，再输入\u0026quot;天气\u0026quot;时，候选词直接是\u0026quot;北京天气\u0026quot;——它记住了你的对话。\n这就是AI输入法的核心：它不再是被动响应，而是主动预测你的意图。从\u0026quot;你给什么我处理什么\u0026quot;进化到\u0026quot;我知道你想说什么\u0026quot;。\n效率的突破来自两个维度：\n预测准确率：AI模型在复杂场景下的准确率超过90% 交互步数：很多场景下，你只需要输入首字母，系统就给出完整答案 技术代 核心能力 交互方式 准确率 统计模型 模糊匹配 候选词排序 70-80% 深度学习 上下文理解 意图预测 85-90% 大模型 语义理解 无输入预测 90%+ 第四次革命：多模态的交互范式 键盘不再是唯一的输入通道。\n语音输入的成熟，让\u0026quot;说\u0026quot;成为打字的替代方案。得益于ASR（自动语音识别）技术的进步，中文语音识别准确率已达98%以上。你不再需要学习任何输入法，直接开口即可。\n但这不仅仅是多了一个通道那么简单。多模态输入的本质是：让人用最自然的方式与机器交互。\n想发一段话？直接说出来 想输入一个公式？手写识别更直观 想快速表达？语音+键盘的组合效率最高 交互的友好程度达到了新的峰值：你不再需要迁就机器，机器开始迁就你。\n技术与人文的交汇 回顾这四十年，输入法的进化路线清晰可见：\n时代 核心技术 交互特点 用户负担 拼音时代 字典匹配 逐字选择 高（需频繁选择） 双拼/五笔 编码优化 高频码字 中（需学习规则） 模糊匹配 统计预测 短语联想 中低 AI输入 NLP+深度学习 意图预测 低 多模态 语音+视觉 自然交互 极低 技术发展的本质：从规则驱动到数据驱动，从匹配编码到理解语义。\n交互友进的本质：从用户适应机器，到机器适应用户。\n终极形态：无形即有形 未来的输入法会是什么样子？\n可能是这样的：你想到一句话，还没开始输入，屏幕上已经显示出来了。它通过你的视线、表情、甚至脑电波捕捉意图。\n听起来很科幻？但回想40年前，谁能想到今天我们可以对着手机说话就能完成复杂的文本输入？\n输入法的终极形态，可能是没有输入法。当技术足够成熟，交互将变得无形——你的意图直接转化为数字内容，中间不再有任何\u0026quot;输入\u0026quot;这个环节。\n从拼音到AI，从键盘到语音，这不仅是技术的进化，更是人类不断降低与机器交互门槛的过程。输入法的终极使命，就是让这个门槛降到零。\n参考资料 1983年第一套中文输入系统 - 中国计算机历史 五笔字型发明者 - 王永民 中文自然语言处理发展史 - 清华大学 ASR技术综述 - 百度AI 多模态交互研究 - 微软亚洲研究院 脑机接口技术 - Nature期刊 技术史 #输入法 #AI #NLP #人机交互 #语音识别 #多模态 ","permalink":"https://bingorun.cn/posts/%E8%BE%93%E5%85%A5%E6%B3%95%E7%9A%84%E8%BF%9B%E5%8C%96%E4%B9%8B%E8%B7%AF/","summary":"回顾中文输入法四十年进化史，从拼音到AI，探讨人机交互的未来形态","title":"输入法的进化之路：从敲击键盘到理解意图"},{"content":"toc_number: true 强化学习之父 Rich Sutton 在 2019 年写下的《The Bitter Lesson》，撕开了 AI 发展的一个反直觉真相：\n\u0026ldquo;短期靠人类知识\u0026rsquo;喂\u0026rsquo;机器能快速见效，但长期来看，砸算力 + 用通用方法（比如搜索、学习）的\u0026rsquo;笨办法\u0026rsquo;，才是真正的赢家。\u0026rdquo;\n这教训\u0026quot;苦涩\u0026quot;在哪？\n就像你费尽心机教 AI 下围棋（比如写死\u0026quot;金角银边\u0026quot;规则），短期内 AI 能赢新手，特有成就感。但等算力上来后，AlphaGo 用\u0026quot;自我对弈 + 搜索\u0026quot;的通用方法，直接碾压你的\u0026quot;知识注入型\u0026quot; AI——之前的心血全成了无用功。\n根本原因很现实：算力成本每年都在暴跌（摩尔定律持续生效）。你还在纠结\u0026quot;怎么教机器\u0026quot;时，别人已经靠堆算力让通用方法跑通了，而且越跑越强。\n核心图示：AI 发展路径对比 二、历史反复验证：四个领域的\u0026quot;打脸时刻\u0026quot; AI 七十多年的发展，其实就是\u0026quot;人类知识注入\u0026quot;被反复打脸的历史。这四个关键节点尤其典型：\n1. 国际象棋（1997 年） IBM 深蓝靠暴力搜索赢卡斯帕罗夫，那些沉迷\u0026quot;复刻人类棋谱\u0026quot;的研究者傻眼了。\n2. 围棋（2016 年） AlphaGo 用\u0026quot;深度学习 + 蒙特卡洛搜索\u0026quot;吊打李世石，此前 20 年\u0026quot;靠围棋规则设计 AI\u0026quot;的努力全白费。\n3. 语音识别（1970 年代） DARPA 竞赛中，\u0026ldquo;统计模型 + 多计算\u0026quot;干翻了\u0026quot;靠声道知识设计的系统\u0026rdquo;，CMU 的 HEARSAY Ⅱ 系统虽靠语言学知识实现 97% 准确率，但后续仍被统计模型超越。\n4. 计算机视觉（2012 年） AlexNet 出现前，研究者靠人工找\u0026quot;边缘特征\u0026quot;，而 CNN（卷积神经网络）只用通用算法，效果直接甩十条街。\n历史时间线图 Sutton 总结的规律堪称真理：\n人类知识注入 → 短期进步 → 遇瓶颈 → 被\u0026quot;算力 + 通用方法\u0026quot;秒杀\n三、2025 年最新印证：AI 大佬们还在聊这个 今年以来的大模型动态，再次印证了\u0026quot;苦涩教训\u0026quot;的正确性：\n1. 前任科学家观点分歧 前 OpenAI 首席科学家 Ilya 说\u0026quot;预训练到头了\u0026quot;，但 Transformer 共同发明者 Noam 立刻补刀：\u0026ldquo;提升实时算力才是关键\u0026rdquo;，他在 HotChips 2025 大会上直言\u0026quot;算力越多越好\u0026quot;。\n2. 不同公司的路线对比 马斯克的 Grok3：堆算力硬冲参数记录 DeepSeek-R1：优化工程省算力 本质都是\u0026quot;靠通用方法挖算力潜力\u0026quot; 3. 通用智能体的共识 通义千问开源智能体时直言：\u0026ldquo;不写死规则，让模型自己推理探索\u0026rdquo;——这正是\u0026quot;苦涩教训\u0026quot;的现实验证。\n算力路线对比图 现在行业里没人再纠结\u0026quot;怎么把人类知识灌进模型\u0026quot;，而是比拼\u0026quot;如何让通用模型更高效地利用算力\u0026quot;。\n四、个人怎么应对？三个\u0026quot;反焦虑\u0026quot;行动指南 作为技术人，与其焦虑被 AI 替代，不如主动拥抱这种逻辑。结合我的实践经验，分享三个可落地的方向：\n1. 思维先转：别当\u0026quot;知识的搬运工\u0026quot; 放弃\u0026quot;全知幻觉\u0026quot;：别总想着\u0026quot;把所有知识学会再行动\u0026quot;。就像 AI 不用背完棋谱才赢，我学 Python 时也没看完教材，直接用 GPT 辅助写脚本，边错边改反而学得更快。\n抓\u0026quot;元能力\u0026quot;而非\u0026quot;知识点\u0026quot;：比如学 Excel，别死记函数参数（知识点），要学\u0026quot;怎么用搜索 / 插件解决新问题\u0026quot;（元能力）——这对应 AI 的\u0026quot;通用方法\u0026quot;。\n2. 能力聚焦：练\u0026quot;能借算力放大的本事\u0026quot; 根据 Sutton 强调的\u0026quot;搜索 + 学习\u0026quot;两大通用技术，个人重点提升这三项能力：\n2.1 工具使用力 熟练用 AI 工具（Copilot 写代码、ChatGPT 查资料）、云算力平台（腾讯云、AWS）——相当于给大脑装\u0026quot;外接算力\u0026quot;。\n2.2 持续学习力 用\u0026quot;最小行动 + 快速迭代\u0026quot;代替\u0026quot;完美准备\u0026quot;，这和 AI 的\u0026quot;自我对弈学习\u0026quot;逻辑一致。\n2.3 工程化思维 做事情留\u0026quot;可扩展接口\u0026quot;，比如我写报告必用模板，下次能直接套新数据——就像 AI 模型能接更多训练数据。\n能力提升流程图 3. 避坑提醒：知识不是没用，别当\u0026quot;天花板\u0026quot; \u0026ldquo;苦涩教训\u0026quot;不是否定知识，而是别让知识限制你：\n3.1 用知识\u0026quot;搭梯子\u0026quot;而非\u0026quot;筑围墙\u0026rdquo; 我做 AI 应用时，懂基础算法能快速入门，但真正出效果靠的是\u0026quot;数据测试（搜索）+ 用户反馈（学习）\u0026ldquo;优化。\n3.2 稀缺领域抓知识 医疗、法律等数据少的领域，人类经验仍很重要。比如学医，基础解剖知识必须扎实，但也要用 AI 辅助看 CT 片（知识 + 算力结合）。\n五、总结：拥抱算力时代 《The Bitter Lesson》的核心启示是：\n不要高估人类知识的短期价值，不要低估通用方法的长期潜力\n在 AI 时代，真正的赢家是那些：\n愿意接受\u0026quot;笨办法\u0026quot;的人 持续投入算力的人 建立可扩展系统的人 参考资料 核心原文：Rich Sutton《The Bitter Lesson》原版 1997 深蓝事件：IBM 官方报道《Deep Blue | IBM》 2016 AlphaGo vs 李世石：DeepMind 官方博客 1970 年代 DARPA 语音竞赛：CMU 计算机学院 50 周年回顾 2012 AlexNet 论文：《ImageNet Classification with Deep Convolutional Neural Networks》 2025 Noam Shazeir 观点：HotChips 2025 演讲 2025 Grok3 技术报告：马斯克 xAI 官方文档 2025 DeepSeek-R1 技术报告：深度求索官方文档 \u0026ldquo;The greatest lesson AI can teach us is humility in the face of our own cleverness.\u0026rdquo;\n—— Rich Sutton\n","permalink":"https://bingorun.cn/posts/bitter_lesson_personal_path/","summary":"深入解读Rich Sutton的《The Bitter Lesson》，探讨AI七十年发展史与个人成长启示","title":"读懂《苦涩教训》：AI 七十年真相与个人突围指南"},{"content":"toc_number: true photos:\n/images/bitter-lesson-ai-seventy-years/AI发展路径对比图.jpg 电工初级理论知识超全总结｜从基础到实操，小白也能看懂！ 哈喽，各位电工行业的小伙伴～最近整理了《题库.pdf》里的电工初级理论知识，从电阻电路到安全操作，从低压电器到电机控制，每一个知识点都拆解得明明白白，还有实操要点和记忆提示，赶紧码住慢慢看！\n一、电阻与电路基础｜打好理论第一关 1.1 导线电阻计算 核心结论：电阻为 R 的导线均匀拉长至原来 2 倍，电阻变为 4R 记忆提示：电阻与「长度平方成正比」「横截面积成反比」，拉长后长度 ×2、横截面积 ÷2，最终电阻 ×4 1.2 电阻组合规律 核心结论：4 个 0.5W100Ω 电阻，分两组并联后再串联，构成 1W100Ω 电阻 计算逻辑： 每组 2 个 100Ω 电阻并联，单组电阻 = 100Ω÷2=50Ω 两组 50Ω 电阻串联，总电阻 = 50Ω+50Ω=100Ω 每组功率 = 0.5W×2=1W，串联后总功率不变（1W） 1.3 电流与电位特性 电流方向：规定为正电荷定向移动的方向（电子带负电，移动方向与电流方向相反） 电位本质：相对于参考点的电压，参考点不同，同一点电位值不同 电压关系：电路中两点间的「电位差」就是两点间的电压，既有大小也有方向 1.4 闭合电路与定律 电流计算：I=E/(R+r)（E = 电源电动势，r = 电源内阻） 例子：1.4Ω 电阻接 1.6V、0.2Ω 内阻电源，电流 = 1.6/(1.4+0.2)=1A\n基尔霍夫定律： KVL（电压定律）：∑IR=∑E，适用于任何闭合回路 KCL（电流定律）：∑I=0，适用于节点和闭合曲面 二、电功与电功率｜搞懂能量计算 2.1 电功单位与区分 核心结论：「度」是电功单位（1 度 = 1kWh），衡量「消耗电能的多少」 易混提示：「瓦特（W）」是电功率单位，衡量「消耗电能的快慢」，二者不可混淆 2.2 串联灯泡功率计算 核心结论：两只 \u0026ldquo;100W、220V\u0026rdquo; 灯泡串联接 220V 电源，每只实际功率 25W 计算步骤： 单只灯泡电阻：R=U²/P=(220V)²/100W=484Ω 串联分压：每只灯泡分得电压 = 220V÷2=110V 实际功率：P 实 = U 实 ²/R=(110V)²/484Ω=25W 三、电源与电容器｜电路核心元件 3.1 电源电动势与端电压 电动势特性：\n定义：外力将单位正电荷从电源负极移到正极所做的功，衡量电源输送电荷能力 方向：仅存在于电源内部，由「负极指向正极」 端电压规律：\n方向：存在于电源外部，由「正极指向负极」 与电流关系：内阻一定时，端电压随电流增大而减小（U=E-Ir，电流 I 增大，内阻分压 Ir 增大） 3.2 电容器核心知识 核心特性：隔直流、通交流（对直流相当于开路，对交流有容抗可通过） 串并联规律： 并联：电容数量越多，总容量越大（4 个 100μF 并联，总容量 = 4×100μF=400μF） 串联：电容数量越多，总容量越小（4 个 100μF 串联，总容量 = 100μF÷4=25μF） 四、磁学基础｜电机与变压器的核心 4.1 物质磁分类与磁场特性 物质分类：根据磁导率分为「逆磁物质」「顺磁物质」「铁磁物质」（铁磁物质磁导率远大于 1，如铁、钴、镍） 匀强磁场：各点磁感应强度大小相同，且与「介质性质有关」（介质磁导率影响数值） 4.2 通电导体与感应电动势 导体受力：\n方向：用「左手定则」判断（掌心朝 N 极，四指指电流方向，大拇指指受力方向） 大小：与磁力线「垂直时受力最大」，「平行时受力为 0」 感应电动势：\n方向：用「右手定则」判断 大小：沿磁力线方向运动时电动势 = 0，垂直运动时电动势最大 4.3 磁极与铁磁物质 磁极作用：同极相互排斥，异极相互吸引 磁力线方向：外部从 N 极到 S 极，内部从 S 极到 N 极 铁磁物质： 磁化：需在外磁场作用下产生磁性 分类：软磁（硅钢片，用于电机铁心）、硬磁（铝镍钴，用于永久磁铁）、矩磁（磁芯存储器） 五、正弦交流电｜交流电路必备 5.1 正弦电三要素 核心组成：最大值（峰值）、角频率（ω=2πf）、初相位（t=0 时的相位） 记忆提示：初相位决定初始时刻的瞬时值，角频率与频率成正比（f=50Hz 时，ω=314rad/s） 5.2 相位关系与三角函数 相位超前 / 滞后：A 比 B 提前到达正峰值→A 超前 B（\u0026ldquo;提前到达\u0026rdquo; 即相位超前） 三角函数用途：仅表示「瞬时值」变化规律（有效值、最大值是恒定值，无需三角函数） 六、安全用电｜重中之重 6.1 基础安全操作 验电笔使用：使用前需在「有电电源」上检查氖管是否发光（禁止拆开检查，防止损坏） 停电检修：未做好安全措施（挂接地线、设遮栏）的设备，「无论是否断电均视为有电」 带电作业：需经部门批准 + 按规程操作 + 专人监护，「禁止单独作业」 6.2 特殊场景要求 临时用电：严禁「三相一地、二相一地、一相一地」供电（避免接地故障触电） 行灯电压： 干燥环境（机床、钳工台）：36V 及以下 潮湿环境（卫生间、车间）：24V 及以下 上海低压电网：采用「TT 系统」（设备接地与电源接地分开，安全性更高） 安全用电流程图 七、低压电器｜电路控制核心 7.1 熔断器与刀开关 熔断器：\n作用：主要用于「短路保护」（过载保护用热继电器） 熔体特性：低熔点、易熔断、导电好（如铅锡合金） 接线：螺旋式熔断器「电源线接下接线座，负载线接上接线座」（防触电） 刀开关：\n用途：隔离电源 + 不频繁通断电路（禁止频繁操作，易烧触点） 寿命：含「机械寿命」（动作次数）和「电寿命」（通断电流次数） 7.2 低压断路器与热继电器 低压断路器：\n功能：手动开关 + 自动保护（欠压、失压、过载、短路） 脱扣器：热脱扣器（过载）、电磁脱扣器（短路） 热继电器：\n用途：电机「过载保护」（不能用于短路，动作慢） 原理：双金属片热膨胀系数不同，受热弯曲触发保护 7.3 接触器 交流接触器铁心：用硅钢片叠压（减小涡流损耗），装「短路环」（减小振动和噪音） 额定电流：铭牌标注「主触头电流」（辅助触头电流远小，忽略不计） 八、变压器与电机｜电工核心设备 8.1 变压器基础 工作原理：电磁感应（原边通交流电→交变磁场→副边感应交流电） 型号含义：S7-500/10 中，\u0026ldquo;500\u0026rdquo;= 额定容量 500kV·A，\u0026ldquo;10\u0026rdquo;= 一次侧电压 10kV 核心结构： 铁心：0.35mm/0.5mm 涂漆硅钢片叠压，分层交错叠装（减小磁阻） 绕组：同心式绕组「低压侧放内侧」（便于绝缘），高压侧放外侧 8.2 特殊变压器 自耦变压器：一、二次侧有「电 + 磁联系」，「禁止作为安全变压器」（低压侧可能带高压） 电流互感器：接近短路状态，二次侧「不准开路、不准装熔断器」（开路产生高电压） 电压互感器：接近空载状态，二次侧「不准短路」（短路产生大电流），二次侧额定电压 = 100V 8.3 异步电动机 分类：\n按电源：单相、三相 按转子：笼型（铸铝条）、绕线型（有绕组，可串电阻） 启动方式：\n笼型：Y/△减压（仅适用于△接电机）、自耦变压器减压（大容量） 绕线型：转子串电阻（减电流、增转矩） 制动方式：能耗制动（通直流）、反接制动（变相序）、回馈制动（电能回馈电网）\n九、电工操作技能｜实操必备 9.1 基础操作要点 划线：基准尽量与「设计基准」一致（保证尺寸符合图纸） 锉削：软材料（铜、铝）锉刀楔角取 30°~50°（软材料易切削，需小楔角） 锯割：起锯用「近起锯」（锯齿不易崩裂，操作稳） 9.2 攻丝与钎焊 攻丝钻孔：M8 丝攻在铸铁件上攻丝，选 6.6mm 钻头（铸铁无塑性，孔径略小；钢件选 6.8~6.9mm） 钎焊焊剂： 钢铁件：用盐酸（去除氧化层） 电子器件：用松香酒精溶液（无腐蚀，防损坏元件） 9.3 弯管操作 有焊缝管子：焊缝放「中性层」（中性层受力最小，防焊缝裂） 大直径薄壁管：弯曲前「灌实沙子」（防止管子变形） 十、电气图与照明设备｜日常应用 10.1 电气图基础 组成：电路图、功能表图、系统图、框图、位置图（不含装配图，装配图是机械图） 电源标注： 直流：标电压 + 极性（如 12V、+/-） 交流：标有效值 + 相数（如 220V/380V、单相 / 三相） 原理图规则：元件为未通电常态，按功能分区，不同电压线路独立绘制 10.2 照明设备 白炽灯：电流热效应（灯丝加热发光） 日光灯： 镇流器：限制预热电流，启动时产生高压 启辉器：仅启动时工作，短接 - 断开帮点火 节能灯：紧凑型带电子镇流器的日光灯（效率高、节能） 碘钨灯：灯架距可燃面≥1 米（防火灾），管内充碘 + 氙气（延寿命） 十一、半导体与仪表｜电子与测量 11.1 半导体基础 载流子：半导体有自由电子 + 空穴（N 型电子多，P 型空穴多，均中性） 二极管： 特性：正偏导通（阳极高电位），反偏截止 参数：硅管死区电压 0.5V，正向压降 0.7V 测量：万用表 R×1k 档，正向电阻小，反向电阻大 稳压管：反向击穿工作，需串限流电阻（防烧毁） 11.2 指示仪表 分类：磁电系（测直流）、电磁系（交直流两用）、电动系（测功率）、感应系（测电能） 功率表： 结构：电动系，电压线圈并联，电流线圈串联 接线：\u0026quot;*\u0026quot; 端接电源侧 读数：P=U×I×cosφ（φ= 电压电流相位差） 兆欧表：测绝缘电阻，常用 500V（低压）、1000V（高压） 标签总结 #电工初级 #电工理论 #电路基础 #安全用电 #低压电器 #变压器 #异步电机 #电工实操 #电气图 #半导体知识\n#题库整理 #电工备考 #零基础学电工 #电工知识点 #实操技巧\n备考资料 电工题库 国家职业资格证 - 电工（初级） 电工基础知识速查手册 安全生产法 - 电工作业安全规程 \u0026ldquo;安全第一，规范操作。\u0026rdquo;\n","permalink":"https://bingorun.cn/posts/%E7%94%B5%E5%B7%A5%E5%88%9D%E7%BA%A7-%E4%BA%94%E7%BA%A7-%E7%90%86%E8%AE%BA%E8%80%83%E8%AF%95%E7%9F%A5%E8%AF%86%E7%82%B9%E6%95%B4%E7%90%86/","summary":"利用 AI 工具结合考试材料，整理了电工初级(五级)理论考试背诵知识点，从电阻电路到安全操作，从低压电器到电机控制，每一个知识点都拆解得明明白白，还有实操要点和记忆提示，帮你快速记忆和备考。","title":"电工初级(五级)理论考试知识点超全总结｜从基础到实操，小白也能看懂！"}]