我的 AI 学习经历

按时间顺序记录我在学习大模型原理、RAG 检索与 Agent 开发过程中的关键节点和实操收获。

独立产品与多智能体协同

从单点对话走向自主执行的 Agent 系统

2026.07 — 至今

不再满足于套壳问答,开始围绕真实研发与写作场景设计长程任务 Agent,重点攻克工具调用稳定性、上下文压缩与端到端评测。

  • 完成个人知识检索助手 MemoFlow 的 v2 重构,将召回准确率从 68% 提升至 91%
  • 系统实践 Model Context Protocol (MCP),打通本地笔记库与浏览器自动化工作流
  • 建立自动化 Eval 基准集,用确定性指标替代主观体感调 Prompt
TypeScriptNext.jsMCPLangGraphEval
查看配套笔记
RAG 深度实践与工程化

解决长文档检索与幻觉控制的工程难题

2026.01 — 2026.06

围绕垂直领域知识库做了大量对比实验,深入拆解分块策略、混合检索(BM25 + Dense Vector)与 Rerank 重排在实际业务中的收益边界。

  • 对比 6 种文档切分方案,总结出适合中文技术文档的语义分段规则
  • 上线开源小工具 PromptDiff,支持多模型同题并行对比与版本回溯
  • 将流式输出与结构化 JSON Schema 约束结合,显著降低前端解析异常率
PythonFastAPIpgvectorOpenAI APIStructured Outputs
查看配套笔记
大模型原理与 Prompt 体系

补齐 Transformer 底层直觉与系统化提示工程

2025.08 — 2025.12

从零手写微型 Attention 与 Tokenizer 理解模型边界,系统梳理 Few-shot、思维链与角色约束的失效场景,建立稳定的日常 AI 协作习惯。

  • 精读经典论文《Attention Is All You Need》并复现精简版解码器
  • 整理 40+ 份高复用工程提示词模板,覆盖代码审查、架构拆解与技术写作
  • 开始坚持每周输出一篇 AI 学习复盘,形成公开数字花园
PyTorchTransformerPrompt EngineeringMarkdown
查看配套笔记