<?xml version="1.0" encoding="UTF-8" ?>
<rss version="2.0">
    <channel>
      <title>与 AI 交流 AI</title>
      <link>https://woniuguaniu.github.io/ai-knowledge-base</link>
      <description>最近的10条笔记 on 与 AI 交流 AI</description>
      <generator>Quartz -- quartz.jzhao.xyz</generator>
      <item>
    <title>HomeLab到中小企业LLM部署架构</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/HomeLab%E5%88%B0%E4%B8%AD%E5%B0%8F%E4%BC%81%E4%B8%9ALLM%E9%83%A8%E7%BD%B2%E6%9E%B6%E6%9E%84</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/HomeLab%E5%88%B0%E4%B8%AD%E5%B0%8F%E4%BC%81%E4%B8%9ALLM%E9%83%A8%E7%BD%B2%E6%9E%B6%E6%9E%84</guid>
    <description><![CDATA[ HomeLab 到中小企业:开源 LLM 部署架构 一句话:模型选好了(✅)、量化算清了(✅)、显卡架构理顺了(✅)、推理引擎选完了(✅)、驱动 / CUDA / PyTorch 跑通了(✅)——现在你面对一个新问题:怎么把”能跑”变成”能用 / 能稳 / 能给团队用 / 能挡住误用”? 本文是从家庭单显卡到中小企业 8 卡集群的部署架构指南。 ⚠️ 本篇为 Claude 原创补充笔记,非 LINUX DO @flymyd 原稿(详见末尾「作者声明」)。 目录 0. ]]></description>
    <pubDate>Sat, 26 Sep 2026 04:57:02 GMT</pubDate>
  </item><item>
    <title>LLM-API选型方法论</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/LLM-API%E9%80%89%E5%9E%8B%E6%96%B9%E6%B3%95%E8%AE%BA</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/LLM-API%E9%80%89%E5%9E%8B%E6%96%B9%E6%B3%95%E8%AE%BA</guid>
    <description><![CDATA[ LLM-API 选型方法论:在预算内选对模型 一句话:某个普通的清晨,你在工位上吃着早餐,领导突然把你叫进会议室——“公司决定了!用 AI 赋能 XX 业务,blabla… 预算只有 XXX”。然后你打开 API 列表,300+ 模型,价格从 0 到 60 美元 / M tokens 不等,瞬间懵了。这篇是把”模糊业务需求”变成”具体技术指标”再变成”最优解”的方法论指南。 适用时间：截至 2026-05-29 的知识库整理版本。五维选型框架可以长期复用；API 供应商、模型价格、发票/合规政策和平台稳定性属于高时效信息，落地前必须重新核对。 目录 0. ]]></description>
    <pubDate>Sat, 26 Sep 2026 04:57:02 GMT</pubDate>
  </item><item>
    <title>大模型生产级部署与选卡估算</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%94%9F%E4%BA%A7%E7%BA%A7%E9%83%A8%E7%BD%B2%E4%B8%8E%E9%80%89%E5%8D%A1%E4%BC%B0%E7%AE%97</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%94%9F%E4%BA%A7%E7%BA%A7%E9%83%A8%E7%BD%B2%E4%B8%8E%E9%80%89%E5%8D%A1%E4%BC%B0%E7%AE%97</guid>
    <description><![CDATA[ 大模型生产级部署与选卡估算：从”能跑”到”对外商用” 一句话定位：当你需要回答”部署某个满血开源模型，最低要几张什么卡，N 路并发下每个用户能有多快”时，这篇给你一套可手算的估算流程，以及读懂官方 benchmark 表所需的全部概念。适合已经会在单机上跑 vLLM、现在要往多机集群和商用服务迈进的人。 本文只补现有四篇部署笔记没覆盖的”上一层”：LLM 推理引擎选型 讲引擎，本地部署模型量化选型 讲精度和显存，HomeLab 到中小企业 LLM 部署架构 讲 8 卡以内的架构，NVIDIA 显卡架构与 AI 算力 讲硬件原理。它们讲过的东西这里只给链接，不重复。 目录 1. ]]></description>
    <pubDate>Sat, 26 Sep 2026 04:57:02 GMT</pubDate>
  </item><item>
    <title>README</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/README</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/README</guid>
    <description><![CDATA[ AI 探索知识库 记录与 AI 交流学习的探索之旅，持续积累对人工智能的理解。 知识库结构 与AI交流AI/ ├── 00_核心概念/ # AI/ML 基础（Transformer、注意力机制 …） ├── 01_模型架构/ # 各模型的架构与创新（DeepSeek …） ├── 02_提示词工程/ # 独立子项目，10 个递进模块的完整教程 ├── 03_应用实践/ # 实际应用案例（RAG、数据建模 …） ├── 04_探索日志/ # 按日期归档的探索记录（YYYY-MM-DD_主题.md） ├── 05_技术基础/ # AI 之外的技术基础（Shell、系统、软件工程） ├── 06_A... ]]></description>
    <pubDate>Sat, 26 Sep 2026 04:57:02 GMT</pubDate>
  </item><item>
    <title>决策型模型Jev与System-One</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/01_%E6%A8%A1%E5%9E%8B%E6%9E%B6%E6%9E%84/%E5%86%B3%E7%AD%96%E5%9E%8B%E6%A8%A1%E5%9E%8BJev%E4%B8%8ESystem-One</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/01_%E6%A8%A1%E5%9E%8B%E6%9E%B6%E6%9E%84/%E5%86%B3%E7%AD%96%E5%9E%8B%E6%A8%A1%E5%9E%8BJev%E4%B8%8ESystem-One</guid>
    <description><![CDATA[ 决策型模型 Jev 与 System One：只做判断、不说话的模型 一句话定位：Jev 是 2026 年 9 月 TypeSafe AI 发布的一类新模型，它不生成文字，只对你预先定义好的问题返回带概率的类型化答案。这篇讲清它和普通大模型的本质区别、官方承认的缺陷、评测数据怎么读、正确的用法，并用”能不能拿它做自动驾驶决策层”这个真实争论做一次完整的思维演练。适合已经会调大模型 API、想知道”分类 / 路由 / 打分这类活是不是该换个便宜工具”的人。 目录 1. ]]></description>
    <pubDate>Wed, 23 Sep 2026 12:01:02 GMT</pubDate>
  </item><item>
    <title>模型训练技术速查</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/00_%E6%A0%B8%E5%BF%83%E6%A6%82%E5%BF%B5/%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E6%8A%80%E6%9C%AF%E9%80%9F%E6%9F%A5</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/00_%E6%A0%B8%E5%BF%83%E6%A6%82%E5%BF%B5/%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83%E6%8A%80%E6%9C%AF%E9%80%9F%E6%9F%A5</guid>
    <description><![CDATA[ 模型训练技术速查：预训练 / SFT / RLHF / 蒸馏 / DPO / RFT 一句话总览：大模型不是一锤子练出来的，而是经过预训练 → 后训练的流水线打磨。本文把这条流水线上的关键技术——SFT、RLHF、DPO、蒸馏、RFT、RLAIF——用小白能懂的比喻一次性讲清楚。 目录 0. ]]></description>
    <pubDate>Wed, 23 Sep 2026 01:44:05 GMT</pubDate>
  </item><item>
    <title>README</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/01_%E6%A8%A1%E5%9E%8B%E6%9E%B6%E6%9E%84/README</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/01_%E6%A8%A1%E5%9E%8B%E6%9E%B6%E6%9E%84/README</guid>
    <description><![CDATA[ 01 模型架构 本模块收录具体模型的架构创新与技术拆解——不是”Transformer 是什么”这类通用原理（那在 00_核心概念），而是”某个团队在标准架构上改了什么、为什么改、效果如何”。 目前以 DeepSeek 系列和 Jev 决策型模型为主，是全库较薄的模块之一。这不是遗漏——见下文「本模块与相邻模块的分工」，大部分模型相关内容天然会落到 00（原理）或 03（应用）。 笔记列表 笔记讲什么DeepSeek.mdDeepSeek 的架构与训练创新，低成本高效率是怎么做到的DeepSeek_Engram条件记忆.md2026 年 1 月的 Engram 论文——给大模型外挂一本可查的”... ]]></description>
    <pubDate>Wed, 23 Sep 2026 01:44:05 GMT</pubDate>
  </item><item>
    <title>LLM接口规范实战</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/LLM%E6%8E%A5%E5%8F%A3%E8%A7%84%E8%8C%83%E5%AE%9E%E6%88%98</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/03_%E5%BA%94%E7%94%A8%E5%AE%9E%E8%B7%B5/LLM%E6%8E%A5%E5%8F%A3%E8%A7%84%E8%8C%83%E5%AE%9E%E6%88%98</guid>
    <description><![CDATA[ LLM 接口规范实战:OpenAI / Response / Gemini / Anthropic 四种格式 一句话:“反正都是 OpenAI 兼容接口,一把梭就行了吧?”——这话在 2024 年还算对,2026 年已经不再适用。御三家各有特色,转换过程中既可能缺少特有参数,又可能因为传入了”OpenAI 标准但目标厂商不支持的参数”直接调用失败。本篇从 HTTP 请求角度讲清 4 种主流接口规范的核心差异与常见坑。 适用时间：截至 2026-05-29 的知识库整理版本。接口范式和常见坑具备参考价值；具体 endpoint、字段名、SDK 行为和 beta API 状态必须以各家官方文档为准... ]]></description>
    <pubDate>Wed, 23 Sep 2026 01:44:05 GMT</pubDate>
  </item><item>
    <title>Eval测评体系</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/06_Agent%E5%B7%A5%E7%A8%8B/Eval%E6%B5%8B%E8%AF%84%E4%BD%93%E7%B3%BB</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/06_Agent%E5%B7%A5%E7%A8%8B/Eval%E6%B5%8B%E8%AF%84%E4%BD%93%E7%B3%BB</guid>
    <description><![CDATA[ Eval / 测评体系：让 Agent 质量”有数可证” 一句话：Eval 是给 AI 系统做体检的整套办法——没有它，“我的 Agent 变好了”只是感觉；有了它，“变好了 8.3%“是事实。Eval 是 Agent 工程的命根子，是数据飞轮的方向盘，也是 Agent 架构师最容易被忽略的硬技能。 目录 0. ]]></description>
    <pubDate>Wed, 23 Sep 2026 01:44:05 GMT</pubDate>
  </item><item>
    <title>Function Calling与MCP工程指南</title>
    <link>https://woniuguaniu.github.io/ai-knowledge-base/06_Agent%E5%B7%A5%E7%A8%8B/Function-Calling%E4%B8%8EMCP%E5%B7%A5%E7%A8%8B%E6%8C%87%E5%8D%97</link>
    <guid>https://woniuguaniu.github.io/ai-knowledge-base/06_Agent%E5%B7%A5%E7%A8%8B/Function-Calling%E4%B8%8EMCP%E5%B7%A5%E7%A8%8B%E6%8C%87%E5%8D%97</guid>
    <description><![CDATA[ Function Calling 与 MCP:从工具调用原理到工程实战 一句话:Function Calling(工具调用) 让 LLM 学会”喊外援”,MCP(Model Context Protocol) 让”外援名单”变成 USB 接口式的可插拔标准。这两件事是 2024-2026 年 Agent 工程的两块基石——理解它们,就理解了”为什么 Cursor / Claude Code / ChatGPT 都能用你的本地工具”。 ⚠️ 本篇为 Claude 原创补充笔记,非 LINUX DO @flymyd 原稿(详见末尾「作者声明」)。 📌 不重复已有内容:本文聚焦”原理 + 协议对比... ]]></description>
    <pubDate>Wed, 23 Sep 2026 01:44:05 GMT</pubDate>
  </item>
    </channel>
  </rss>