Pathway: Python 流处理框架，实时分析与 LLM 管道的利器
深入分析 Pathway Python ETL 框架，探索其在流处理、实时分析和 LLM 管道构建中的应用价值。
标签
LLM
共 20 篇文章
LightRAG: [EMNLP2025]
深入分析 GitHub 趋势项目 LightRAG，探讨其技术架构、应用场景和社区价值。
AI Agents and LLM Development: Weekly Tech Hotspots
本周技术热帖精选：AI Agent、LLM开发、RAG架构等热门话题深度分析
ECC: AI Agent 性能优化系统，为 Claude Code、Cursor 等 AI 编程工具注入技能与记忆
深入分析 ECC（Agent Harness Performance Optimization System），探讨其如何为 AI 编程工具提供技能、本能、记忆和安全增强能力。
AI 辅助调度：智能建议、日志分析与任务生成
深入分析 go-ai-scheduler 的 AI 辅助模块，理解 Advisor、Log Analysis、Task Parser 和 Chat Agent 的实现与边界。
从 Hacker News 热议看：LLM Agent 架构演进与实践思考
基于近期 Hacker News 社区讨论，深入分析 LLM Agent 架构的演进趋势、工程实践挑战和未来发展方向。
Agent推理性能优化：提示词压缩、缓存与并发推理
深入探讨Agent系统的推理性能优化策略，包括提示词压缩技术、智能缓存机制和并发推理管理
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。
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。
LLM 应用后端架构篇：如何设计一个生产级 AI 应用
生产级 LLM 应用需要模型调用层、Prompt 管理、会话存储、任务队列、监控、限流和降级机制。
LLM 应用评测篇：如何判断模型回答是否靠谱
没有评测的 LLM 应用很难持续迭代，Prompt、模型和检索策略的每次修改都可能带来隐性回归。
LLM 成本优化篇：如何降低 Token 和模型调用成本
LLM 成本优化不是单纯换便宜模型，而是从上下文、缓存、路由、批处理和评测一起控制。
AI 辅助开发篇：如何用 LLM 提升程序员效率
AI 辅助开发的价值不只是生成代码，更在于解释代码、拆任务、补测试、查问题和降低上下文切换成本。
AI Code Review 篇：让大模型参与代码审查
AI Code Review 可以帮助发现明显缺陷、总结 PR、补充测试建议，但不能替代人类对业务语义和架构取舍的判断。
LLM 与 Agent 未来趋势篇：从 Copilot 到自主软件工程师
LLM 与 Agent 正在从问答工具走向能读代码、调工具、跑测试、写文档和协作交付的软件工程助手。