收录于 AI 浏览量
从模型认知层讲清 AI 的“思考”：Transformer 每步算力固定，推理链如何把计算摊开；推理模型是怎样靠可验证奖励的强化学习练出来的；过程奖励与结果奖励的差别；为什么当前的大模型是局部优化器而非长程规划器；并结合光网络控制平面的 PCE 规划要素做一个工业级对照。
上一篇《AI 的自我改进》回答的是模型怎么变得更强，这篇往回退一步，回答一个更基础的问题：它那种“思考”，到底是什么东西？《AI Agent 核心推理逻辑详解》已经讲过 Agent 怎么组织思考——思维链、先规划后执行、反思修正，那是工程层的用法；这篇沉到模型层，讲为什么这套用法有效，以及它真实的边界在哪里。
收录于 AI 浏览量
讲清 AI 自我改进的三个层次：单次输出上的自审查、任务内策略迭代的自闭环、跨任务改写自身的自演进。覆盖生成与评估分离、独立验证器、多次采样一致性、Reflexion、技能库、自举训练数据、自博弈强化学习，以及四个让“完全自演进”还无法成立的硬约束。
这个系列写到第八篇，主角都在回答同一个问题：模型怎么干活——底层架构决定它能不能跑，推理逻辑决定它怎么想，Agent 工作原理决定它怎么行动，Skills 和 MCP 决定它怎么长本事。但这几篇都停留在单个任务内部。这篇把时间维度加上去：AI 怎么在干完活之后变得更强？“自审查、自闭环、自演进”这三个词你大概都见过，但经常被混用——实际上是三个不同层次的闭环。
收录于 AI 浏览量
大语言模型入门：next-token 预测的生成原理、规模与涌现、从补全到对话的后训练、上下文窗口、能力边界与幻觉的根源、提示词的基本手艺、主流模型生态一览。本系列其他四篇的起点。
这个系列已经写了四篇：OpenCode 教程、Agent 推理逻辑、Agent 工作原理、AI 底层架构。有读者说该有个起点——对，这篇补上：大语言模型本身。不讲工程栈，讲一个使用者最该懂的概念：它是什么、能力从哪来、边界在哪、怎么把它用好。看完这篇再读系列其他篇，会顺很多。
收录于 AI 浏览量
拆开 Transformer 本体：总体结构与三种形态、embedding 与位置编码、自注意力的 QKV 完整机制与因果掩码、多头并行、前馈网络与残差归一化、输出侧的投影与采样，以及它为什么战胜了 RNN。
大语言模型基础讲了模型“是什么”，AI 底层架构讲了“跑在什么上面”，中间还缺一块：模型本体长什么样。这篇把 Transformer 拆开——从整体结构到每个组件的职责，看完你就能把“注意力、多头、前馈网络、残差、归一化”这些术语各归各位。
收录于 AI 浏览量
开源 AI 编码代理 OpenCode 的上手教程：安装、连接模型、TUI 核心键位、内置 Agent 体系、自定义命令与子代理，一篇走完从零到熟练的路。
AI 编码助手这两年层出不穷，但大多绑死在某一家厂商的客户端里。OpenCode 是一个开源的 AI 编码代理（AI coding agent）：它把“能读写你代码库、能执行命令、能自己多步干活的 AI 助手”做成了一款终端优先的工具，同时提供桌面 App 和 Web 界面。模型随便换——Anthropic、OpenAI、Google 或任何兼容供应商都行，数据和工作流都留在你自己的机器上。
