deephub

摘要： Agentic AI 这项技术并不新，只是模型性能提高后让它从研究环境走向了可以规模化落地的阶段。 所以这篇文章总结一些常见的设计模式，这些模式归纳了在大量已验证实现中反复出现的共性，可以视为一组结构化的骨架，用来理解智能体（Agent）、用户、模型和工具之间的核心交互。 下面会介绍 5 种常见的设 阅读全文

摘要： Harness Engineering（脚手架工程）这个概念已经流行一阵了。网上大多数文章都停留在理论层面，反复解释为什么现代 AI 开发不能再依赖单个 Prompt、也不能把模型当成"聪明的代码自动补全"。不过这里有一个实际问题被反复提及： 概念我懂了。可一旦真要落到工程上，第一步到底该做什么？ 阅读全文

摘要： 如果你用过 ChatGPT 或 Claude的话对标准聊天机器人的工作方式应该不陌生：提问然后得到一个回答。但如果交给它一个多步骤任务呢？比如：“帮我找到最便宜航班，查询我的常旅客积分，并预订最佳选项”。 这时标准聊天机器人就会卡住，因为它没有在单次响应之后继续推进的机制。 智能体循环架构（agen 阅读全文

摘要： 一直以来，你都能盯着 loss 曲线看；TraceML 让你看见训练循环内部的效率。 在每个训练步骤内部，时间究竟是如何在数据加载、前向、反向和优化器之间分配的，你其实并不清楚。在查看训练运行时，工程师常用的工具链大致是这样： nvidia-smi 和集群仪表盘，用于查看 GPU 利用率 W&B、M 阅读全文

摘要： 多智能体系统代表了 AI 应用设计上的一次根本性转向，在过去几年，主流的一直是单智能体模型：一个 LLM、一条提示链（prompt chain）、一个系统包办所有事。这种范式在简单任务上能跑，到了复杂任务上就有一些力不从心了。 这里主要有三点： 第一，值得解决的问题在本质上就是多智能体问题。供应链优 阅读全文

摘要： 强化学习一直是个执着于游戏、机器人和控制回路的小众子领域，直到ChatGPT 出现之后它就成了夹在“聪明的”基础模型与“有用的”产品之间的那一层。到现在差不多已经五年过去，整套流程至少被重写过三次；而被奖励的对象变化的程度甚至比执行奖励的算法本身还要剧烈。 现在训练模型要回答的问题已经不是“要不要用 阅读全文

摘要： 检索增强生成（Retrieval-Augmented Generation，RAG）已经成为将大语言模型（Large Language Model，LLM）回答对接外部知识的主流方式。单 Agent 的 RAG Pipeline 却暴露出一个根本性矛盾：检索质量、推理深度和答案合成被揉进了同一次不透 阅读全文

摘要： Claude Code 和 Cursor 并不是用来跟 AI 对话的界面。同一个项目上跑AI 编码助手：Claude Code、Trae 和 Qwen，你就会发现同一个任务，换一个工具，结果就不一样。 或者是代码看着没问题，但是违反了一条以为已经设好的约束，或者产生了结构的差异。这不是模型问题，也不 阅读全文

摘要： 做过检索增强生成（Retrieval-Augmented Generation，RAG）的人大概都遇到过这样的情况：用户问了一个完全合理的问题，但检索就是漏掉了最相关的信息。 传统 RAG Pipeline 不弱，但它严重依赖查询和文档分块之间的直接相似度匹配。措辞和文档内容只要写法不一样这套就开始 阅读全文

摘要： AI 项目的代码膨胀速度很快。跑通原型后过几周就会塞满 API 调用、模型 Pipeline、重试、日志、缓存和各种校验逻辑。 函数被各种边角任务塞满，反而不再专注于核心的逻辑。所以有经验的 Python 工程师会大量使用装饰器老解决这个问题装饰器让代码可复用、可扩展，写出来的 AI 应用也更整洁， 阅读全文