实验设计Agent：参数优化与结果分析
深入探索如何构建智能实验设计Agent，实现自动化参数优化、实验规划和结果分析，提升科研实验的效率和质量
技术文章、实现记录与项目复盘。
栏目
按年份
LLM 基础篇：大语言模型到底是什么
LLM 不是普通的搜索引擎，也不是传统规则系统，它的核心能力是基于上下文生成语言、代码、结构化结果和行动计划。
Prompt Engineering 篇：如何写出稳定可控的提示词
Prompt 的目标不是把话写得神秘，而是把角色、任务、上下文、约束和输出格式说清楚。
RAG 篇：基于知识库的智能问答系统设计
RAG 用检索把外部知识送进上下文，让模型基于企业文档、代码库、规范和数据库说明回答问题。
向量数据库篇：Embedding 检索系统如何选型
向量数据库负责存储 embedding 并做相似度检索，是 RAG、语义搜索和推荐召回中的重要基础设施。
Tool Calling 篇：让 LLM 调用外部工具
Tool Calling 让模型不只会回答，还能选择调用搜索、数据库、代码执行、业务 API 等外部能力。
Agent 基础篇：什么是 AI Agent
Agent 是围绕目标持续观察、规划、调用工具并根据结果调整行动的 LLM 应用形态。
Agent 工程实践篇：从 0 到 1 构建一个可用 Agent
一个可用 Agent 不只是一个循环调用模型的脚本，还需要任务状态、工具注册、错误处理、日志追踪和退出条件。
多 Agent 协作篇：复杂任务如何拆给多个智能体
多 Agent 适合把复杂任务拆给不同角色处理，但它带来的协调成本、上下文同步和结果一致性也不能忽视。