旧卷
归档
凡 455 篇，按年编次。
2026
- 深挖-分块策略实测Ch13 RAG
- 概念-采样策略Ch03 AI数学
- 概念-线性回归Ch04 机器学习
- 概念-特征工程Ch05 评估与特征工程
- 概念-优化器详解Ch06 神经网络基础
- 概念-自注意力机制详解Ch09 Transformer
- 概念-LLM概述Ch10 LLM架构
- 概念-DPOCh11 模型微调
- 概念-RLHFCh11 模型微调
- 概念-SFTCh11 模型微调
- 概念-WikiLinkCh12 Prompt工程
- 概念-重排序Ch13 RAG
- Agent 评估：如何衡量自主 AI 的能力Ch14 Agent原理
- 概念-LLaVACh17 多模态AI
- 概念-AWQCh20 推理部署
- SmoothQuant: 平滑量化消除激活异常值Ch20 推理部署
- 概念-模型压缩Ch20 推理部署
- 术语对照表根目录
- 标签索引根目录
- 自测题根目录
- 章间知识图谱根目录
- 实践项目项目
- 11.2 全量微调与LoRACh11 模型微调
- 11.4 SFT：让模型学会"回答"而不是"续写"Ch11 模型微调
- 11.5 DPO与偏好对齐Ch11 模型微调
- 11.7 2026年微调新趋势Ch11 模型微调
- Agent 规则 — Obsidian Vault 协议_root
- 阅读指南_root
- 信息熵 (Information Entropy)Ch03 AI数学
- Bagging (Bootstrap Aggregating)Ch04 机器学习
- Boosting (提升法)Ch04 机器学习
- Isolation Forest (孤立森林/隔离森林)Ch04 机器学习
- SVM 支持向量机 (Support Vector Machine)Ch04 机器学习
- 概念-XGBoostCh04 机器学习
- 决策树 (Decision Tree)Ch04 机器学习
- 异常检测 (Anomaly Detection)Ch04 机器学习
- 无监督学习 (Unsupervised Learning)Ch04 机器学习
- 核方法 (Kernel Method)Ch04 机器学习
- 迁移学习 (Transfer Learning)Ch04 机器学习
- 概念-随机森林Ch04 机器学习
- 集成学习 (Ensemble Learning)Ch04 机器学习
- KNN（K 近邻）Ch04 机器学习
- 深挖-SVMCh04 机器学习
- 深挖-决策树Ch04 机器学习
- 5.1 过拟合 vs 欠拟合：模型的两大病症Ch05 评估与特征工程
- 5.2 分类问题的评估Ch05 评估与特征工程
- 5.4 评估指标的完整体系Ch05 评估与特征工程
- 5.5 混淆矩阵深度解析Ch05 评估与特征工程
- 5.6 交叉验证完全指南Ch05 评估与特征工程
- 5.7 特征工程实战Ch05 评估与特征工程
- 5.8 2026 年：AutoML 和自动化特征工程Ch05 评估与特征工程
- 第5章 · 模型评估与特征工程Ch05 评估与特征工程
- 交叉验证 (Cross-Validation)Ch05 评估与特征工程
- 偏差与方差 (Bias-Variance Tradeoff)Ch05 评估与特征工程
- 偏差方差权衡 (Bias-Variance Tradeoff)Ch05 评估与特征工程
- 学习曲线 (Learning Curves)Ch05 评估与特征工程
- 归一化 (Normalization)Ch05 评估与特征工程
- 数据增强 (Data Augmentation)Ch05 评估与特征工程
- 正则化 (Regularization)Ch05 评估与特征工程
- 过拟合 (Overfitting)Ch05 评估与特征工程
- 过拟合与欠拟合 (Overfitting & Underfitting)Ch05 评估与特征工程
- Embedding (嵌入 / 向量表示)Ch06 神经网络基础
- GELU (Gaussian Error Linear Unit)Ch06 神经网络基础
- Leaky ReLU 与 ReLU 变体家族Ch06 神经网络基础
- ReLU 与激活函数 (Activation Functions)Ch06 神经网络基础
- 概念-SAECh06 神经网络基础
- Softmax 函数Ch06 神经网络基础
- 反向传播 (Backpropagation)Ch06 神经网络基础
- 学习率 (Learning Rate)Ch06 神经网络基础
- 对比学习 (Contrastive Learning)Ch06 神经网络基础
- 批归一化 (Batch Normalization) 与归一化家族Ch06 神经网络基础
- 损失函数 (Loss Function)Ch06 神经网络基础
- 梯度下降 (Gradient Descent)Ch06 神经网络基础
- 梯度消失与梯度爆炸 (Vanishing/Exploding Gradient)Ch06 神经网络基础
- 深度学习 (Deep Learning)Ch06 神经网络基础
- 激活函数 (Activation Functions)Ch06 神经网络基础
- ConvNeXt（深挖）Ch06 神经网络基础
- 状态空间模型（深挖）Ch06 神经网络基础
- 7.1 卷积：滑动窗口看局部Ch07 CNN与CV
- 7.10 图像分割：像素级的理解Ch07 CNN与CV
- 7.11 CNN vs ViT vs 混合架构：2026 年 CV 领域格局Ch07 CNN与CV
- 7.12 2026年CV的应用前沿Ch07 CNN与CV
- 7.13 什么时候选什么技术Ch07 CNN与CV
- 7.14 CNN学习路线Ch07 CNN与CV
- 7.2 卷积运算的数学直觉Ch07 CNN与CV
- 7.3 池化：缩小特征图Ch07 CNN与CV
- 7.4 CNN 的核心组件深入Ch07 CNN与CV
- 7.5 经典架构Ch07 CNN与CV
- 7.6 经典 CNN 架构详解：从 1998 到 2022 的创新之路Ch07 CNN与CV
- 7.8 CNN 的训练技巧Ch07 CNN与CV
- 7.9 目标检测 — 从 R-CNN 到 YOLOCh07 CNN与CV
- 第7章 · CNN 与计算机视觉Ch07 CNN与CV
- 对比-CNNvsTransformerCh07 CNN与CV
- CNN 卷积神经网络 (Convolutional Neural Network)Ch07 CNN与CV
- 卷积核 (Convolution Kernel)Ch07 CNN与CV
- 深挖-YOLO (You Only Look Once)Ch07 CNN与CV
- 8.1 RNN：有记忆的网络Ch08 RNN序列模型
- 8.2 LSTM：更长的记忆Ch08 RNN序列模型
- 8.3 梯度消失与梯度爆炸：为什么深层 RNN 训练不好Ch08 RNN序列模型
- 8.4 双向 RNN：同时看过去和未来Ch08 RNN序列模型
- 8.5 Seq2Seq：输入一串，输出一串Ch08 RNN序列模型
- 8.6 2026 年：理解 RNN 是理解序列建模的基础Ch08 RNN序列模型
- 第8章 · RNN 与序列模型Ch08 RNN序列模型
- 对比-RNNvsTransformerCh08 RNN序列模型
- GRU 门控循环单元 (Gated Recurrent Unit)Ch08 RNN序列模型
- LSTM 长短期记忆网络 (Long Short-Term Memory)Ch08 RNN序列模型
- Mamba (状态空间模型)Ch08 RNN序列模型
- 概念-RingAttentionCh09 Transformer
- Transformer 架构Ch09 Transformer
- 上下文窗口（深挖）Ch09 Transformer
- 位置编码 (Position Encoding)Ch09 Transformer
- 注意力机制 (Attention Mechanism)Ch09 Transformer
- 深挖-ViT (Vision Transformer)Ch09 Transformer
- 概念-DeepSeekCh10 LLM架构
- Google Gemini 模型家族Ch10 LLM架构
- 概念-JambaCh10 LLM架构
- MoE 混合专家 (Mixture of Experts)Ch10 LLM架构
- 概念-RLAIFCh10 LLM架构
- RWKV (Receptance Weighted Key Value)Ch10 LLM架构
- Token (词元)Ch10 LLM架构
- 推理模型 (Reasoning Models)Ch10 LLM架构
- 深挖-MambaCh10 LLM架构
- 长上下文 (Long Context) — 深度解析Ch10 LLM架构
- 项目五：从零训练一个分词器Ch10 LLM架构
- 对比-DPOvsRLHFCh11 模型微调
- 对比-LoRvsQLoRACh11 模型微调
- 对比-SFTvsRLHFCh11 模型微调
- GRPO (Group Relative Policy Optimization)Ch11 模型微调
- 概念-ORPOCh11 模型微调
- 概念-SelfInstructCh11 模型微调
- 概念-SimPOCh11 模型微调
- 模型训练管线Ch11 模型微调
- 精选训练数据集 (Curated Training Data)Ch11 模型微调
- Adapter Tuning（适配器微调）Ch11 模型微调
- DoRA（Weight-Decomposed Low-Rank Adaptation）Ch11 模型微调
- LoRA（Low-Rank Adaptation）Ch11 模型微调
- 参数高效微调（PEFT）Ch11 模型微调
- Prefix Tuning（前缀微调）Ch11 模型微调
- Prompt Tuning（软提示微调）Ch11 模型微调
- QLoRA（Quantized LoRA）Ch11 模型微调
- RAFT（深挖）Ch11 模型微调
- 全量微调（Full Fine-Tuning）Ch11 模型微调
- 深挖-模型合并 (Model Merging)Ch11 模型微调
- 项目四：用 LoRA 微调一个模型Ch11 模型微调
- AI 工程范式演化Ch12 Prompt工程
- Context 工程Ch12 Prompt工程
- 概念-JailbreakingCh12 Prompt工程
- 四次范式跃迁Ch12 Prompt工程
- 概念-提示词注入Ch12 Prompt工程
- 提示词纪律Ch12 Prompt工程
- 漏斗架构Ch12 Prompt工程
- 对比-AgenticRAGvsGraphRAGCh13 RAG
- 对比-RAGvs微调Ch13 RAG
- 对比-稠密检索vs稀疏检索Ch13 RAG
- Bi-Encoder (双塔模型/双编码器)Ch13 RAG
- BM25 (Best Match 25)Ch13 RAG
- 概念-ColBERTCh13 RAG
- Cross-Encoder (交叉编码器)Ch13 RAG
- 概念-CrossEncoderCh13 RAG
- 概念-Embedding模型Ch13 RAG
- HyDE (Hypothetical Document Embeddings)Ch13 RAG
- 概念-Neo4jCh13 RAG
- RAG (Retrieval-Augmented Generation)Ch13 RAG
- Self-RAG 与 Corrective RAGCh13 RAG
- 上下文压缩 (Context Compression)Ch13 RAG
- 概念-上下文管理技术Ch13 RAG
- 概念-图数据库与知识图谱Ch13 RAG
- 相似度计算 (Similarity Metrics)Ch13 RAG
- 深挖-ElasticsearchCh13 RAG
- 深挖-FAISSCh13 RAG
- 深挖-pgvectorCh13 RAG
- 深挖-向量数据库Ch13 RAG
- 深挖-向量数据库选型Ch13 RAG
- 深挖-重排序Ch13 RAG
- 项目三：搭一个能查资料的 AICh13 RAG
- 对比-StaticvsDynamicvsAgenticWorkflowCh14 Agent原理
- 概念-AgenticWorkflowCh14 Agent原理
- Agent 原理与 ReActCh14 Agent原理
- AI 安全生态：谁在评估 AI 的安全Ch14 Agent原理
- 概念-DynamicWorkflowCh14 Agent原理
- 概念-FunctionCallingCh14 Agent原理
- Function Calling 演化Ch14 Agent原理
- 概念-Hook机制Ch14 Agent原理
- 概念-ReActAgentCh14 Agent原理
- 概念-StaticWorkflowCh14 Agent原理
- 概念-ToolUseCh14 Agent原理
- 对话到 Agent 演化Ch14 Agent原理
- 概念-纯对话Ch14 Agent原理
- 深挖 CrewAICh14 Agent原理
- 深挖 LangChainCh14 Agent原理
- 项目六：搭一个能用工具的 AgentCh14 Agent原理
- LangChain: 链式思维Ch15 Agent通信协议
- 对比-MCPvsA2ACh15 Agent通信协议
- 对比-ToolUsevsFunctionCallingCh15 Agent通信协议
- 概念-A2ACh15 Agent通信协议
- 概念-MCPCh15 Agent通信协议
- MCP+A2A 双协议生态Ch15 Agent通信协议
- 深挖 LangGraphCh15 Agent通信协议
- 概念-MultiAgentCh16 多Agent协作
- 深挖 AutoGenCh16 多Agent协作
- AI 3D 生成：从文字到三维世界Ch17 多模态AI
- AI 视频生成：2026 年主流化Ch17 多模态AI
- CLIP (Contrastive Language-Image Pre-training)Ch17 多模态AI
- CogVLM 与中文视觉语言模型生态Ch17 多模态AI
- AI 硬件：GPU 不是唯一的选择Ch20 推理部署
- KV Cache (Key-Value 缓存)Ch20 推理部署
- 概念-llama.cppCh20 推理部署
- 概念-MedusaCh20 推理部署
- 概念-OllamaCh20 推理部署
- 语义缓存 (Semantic Cache)Ch20 推理部署
- 概念-vLLMCh20 推理部署
- 概念-模型服务Ch20 推理部署
- 概念-渐进式加载Ch20 推理部署
- 深挖-量化Ch20 推理部署
- 项目二：在自己的电脑上跑一个 AICh20 推理部署
- 21.1 模型怎么变成服务Ch21 MLOps
- 21.2 MLOps成熟度模型Ch21 MLOps
- 21.3 实验管理Ch21 MLOps
- 21.4 小型团队MLOps最低可行方案Ch21 MLOps
- 21.6 生产监控Ch21 MLOps
- 21.7 CI/CDCh21 MLOps
- 21.9 2026年MLOps趋势Ch21 MLOps
- 第21章 . MLOps 基础Ch21 MLOps
- 概念-GuardrailsCh21 MLOps
- LLM 可观测性 (LLM Observability)Ch21 MLOps
- 概念-RedTeamingCh21 MLOps
- 深挖 LangSmithCh21 MLOps
- 概念-AI编程工具Ch22 技术全景
- 概念-ObsidianGraphViewCh22 技术全景
- 出处根目录
- 写作规范_root
- 写作错误日志_root
- 前言_root
- 角色卡_root
- 1.1 第一次浪潮：符号主义的兴起与寒冬（1956--1980）Ch01 AI简史
- 1.2 第二次浪潮：连接主义的兴起与寒冬（1986--2012）Ch01 AI简史
- 1.3 第三次浪潮：深度学习（2012--至今）Ch01 AI简史
- 1.4 关键人物Ch01 AI简史
- 1.5 2026 年 AI 格局Ch01 AI简史
- 第1章 · AI简史与必知过时技术Ch01 AI简史
- 2.1 pip 与 conda：包管理工具对比Ch02 Python与数据科学
- 2.2 Python环境管理：venv vs conda vs poetry vs uvCh02 Python与数据科学
- 2.3 Jupyter Notebook实战：AI开发的交互式工作台Ch02 Python与数据科学
- 2.5 零基础最需要的 5 个 Python 库Ch02 Python与数据科学
- 2.6 你不需要成为程序员Ch02 Python与数据科学
- 2.7 2026 年推荐学习路径：不要从头学 Python，按需学Ch02 Python与数据科学
- 2.8 2026年AI开发必备工具链Ch02 Python与数据科学
- 2.9 从零到第一个AI程序：5步跑通你的第一个 AI 调用Ch02 Python与数据科学
- 第2章 · Python 与数据科学生态Ch02 Python与数据科学
- 3.1 线性代数：向量和矩阵Ch03 AI数学
- 3.2 概率统计：理解不确定性Ch03 AI数学
- 3.3 微积分：理解优化Ch03 AI数学
- 3.4 优化理论 — 让 AI 找到最优解Ch03 AI数学
- 3.5 信息论基础Ch03 AI数学
- 3.6 数学在 AI 各领域的应用地图Ch03 AI数学
- 3.7 零基础数学学习路径Ch03 AI数学
- 3.8 2026年：你需要多少数学Ch03 AI数学
- 第3章 · AI 需要的数学Ch03 AI数学
- 4.1 三大类学习Ch04 机器学习
- 4.3 五个必知算法Ch04 机器学习
- 4.5 过拟合和欠拟合Ch04 机器学习
- 4.6 2026年：经典ML vs 深度学习的选型Ch04 机器学习
- 4.7 机器学习项目实战流程Ch04 机器学习
- 第4章 · 机器学习核心算法Ch04 机器学习
- 6.1 感知机：神经网络的原子Ch06 神经网络基础
- 6.10 反向传播：怎么让模型变好Ch06 神经网络基础
- 6.11 学习率调度的艺术Ch06 神经网络基础
- 6.12 2026年：从零手写神经网络还有意义吗Ch06 神经网络基础
- 6.2 层：感知机的堆叠Ch06 神经网络基础
- 6.3 神经网络为什么有效Ch06 神经网络基础
- 6.4 激活函数：为什么不能全用线性Ch06 神经网络基础
- 6.5 常见激活函数深入Ch06 神经网络基础
- 6.6 归一化层：BatchNorm 与 LayerNormCh06 神经网络基础
- 6.7 权重初始化Ch06 神经网络基础
- 6.8 前向传播：从输入到输出Ch06 神经网络基础
- 6.9 损失函数：衡量模型多差Ch06 神经网络基础
- 第6章 · 神经网络基础Ch06 神经网络基础
- 9.1 为什么需要 Transformer — RNN 的困境Ch09 Transformer
- 9.10 动手实现 Self-AttentionCh09 Transformer
- 9.2 自注意力机制 — 深度拆解Ch09 Transformer
- 9.3 多头注意力 -- 为什么需要多个头Ch09 Transformer
- 9.4 位置编码 — Transformer 的"序列感知"Ch09 Transformer
- 9.5 前馈网络（FFN）— Transformer 的"知识存储"Ch09 Transformer
- 9.6 残差连接与层归一化Ch09 Transformer
- 9.7 完整编码器-解码器架构Ch09 Transformer
- 9.8 Decoder-Only -- 为什么 LLM 只用解码器Ch09 Transformer
- 9.9 2026 Transformer 进化Ch09 Transformer
- 第9章 · Transformer 架构精讲Ch09 Transformer
- 10.1 什么是 LLMCh10 LLM架构
- 10.3 2026 年开源 LLM 版图Ch10 LLM架构
- 10.4 MoE：稀疏激活的艺术Ch10 LLM架构
- 10.5 Scaling Law：更大的力量Ch10 LLM架构
- 10.6 上下文窗口的军备竞赛Ch10 LLM架构
- 10.7 Tokenizer：AI 的词典Ch10 LLM架构
- 10.8 2026年主流LLM能力对比Ch10 LLM架构
- 10.9 LLM选型决策框架Ch10 LLM架构
- 第10章 · LLM 原理与架构演进Ch10 LLM架构
- 11.1 微调数据准备Ch11 模型微调
- 11.14 什么时候微调 vs 什么时候用 RAG vs 什么时候用 PromptCh11 模型微调
- 11.3 QLoRA：单卡微调大模型Ch11 模型微调
- 11.7 灾难性遗忘详解Ch11 模型微调
- 11.8 常见错误Ch11 模型微调
- 11.9 微调实操流程Ch11 模型微调
- 第11章 · 模型微调Ch11 模型微调
- AI 安全基础Ch11 模型微调
- LLM 通用评估：怎么给 AI 打分Ch11 模型微调
- Constitutional AI（深挖）Ch11 模型微调
- LoRA 微调（深挖）Ch11 模型微调
- 偏好对齐：DPO vs GRPO（深挖）Ch11 模型微调
- 模型蒸馏（深挖）Ch11 模型微调
- 12.1 提示词为什么跟以前不一样Ch12 Prompt工程
- 12.2 提示词结构模板Ch12 Prompt工程
- 12.3 好提示词长什么样Ch12 Prompt工程
- 12.4 Few-shot 实战Ch12 Prompt工程
- 12.5 Chain-of-Thought 深入Ch12 Prompt工程
- 12.6 提示词调试技巧Ch12 Prompt工程
- 12.7 提示词版本对比Ch12 Prompt工程
- 12.8 2026 年：提示词正在消失Ch12 Prompt工程
- 12.9 提示词有什么局限Ch12 Prompt工程
- 第12章 · 提示词工程Ch12 Prompt工程
- AI 对话的三年演变Ch12 Prompt工程
- Loop 工程：让 AI 自己转起来Ch12 Prompt工程
- 三种问法：Zero-shot、Few-shot、思维链Ch12 Prompt工程
- 上下文工程Ch12 Prompt工程
- 提示词的局限Ch12 Prompt工程
- 系统提示词和用户提示词Ch12 Prompt工程
- DSPy：声明式 Prompt 编程（深挖）Ch12 Prompt工程
- 13.1 为什么需要 RAGCh13 RAG
- 13.10 第五代：知识图谱辅助（Graph RAG）Ch13 RAG
- 13.12 RAG 高级技术Ch13 RAG
- 13.13 RAG 评估Ch13 RAG
- 13.14 RAG vs 微调 vs 长上下文Ch13 RAG
- 13.15 RAG 生产部署Ch13 RAG
- 13.16 动手搭一个 RAGCh13 RAG
- 13.2 RAG 系统架构Ch13 RAG
- 13.3 分块策略 —— RAG 的地基Ch13 RAG
- 13.4 第一代：关键词搜索（稀疏检索）Ch13 RAG
- 13.5 第二代：语义搜索（稠密检索）Ch13 RAG
- 13.6 第三代：混合检索Ch13 RAG
- 13.7 重排序 —— 提升精度的关键Ch13 RAG
- 13.8 生成阶段 —— 让 LLM 用上检索结果Ch13 RAG
- 13.9 第四代：AI 自己决定怎么搜（Agentic RAG）Ch13 RAG
- 第13章 · RAG 进化树Ch13 RAG
- AI 搜索的三年演变Ch13 RAG
- 上下文管理Ch13 RAG
- 向量数据库演变Ch13 RAG
- RAG 系统评估（深挖）Ch13 RAG
- 上下文压缩（深挖）Ch13 RAG
- 分块策略（深挖）Ch13 RAG
- 图谱检索 RAG（深挖）Ch13 RAG
- 混合检索（深挖）Ch13 RAG
- 稀疏检索（深挖）Ch13 RAG
- 稠密检索（深挖）Ch13 RAG
- 14.1 普通 AI：一问一答Ch14 Agent原理
- 14.10 Agent 的局限性Ch14 Agent原理
- 14.11 2026 年主流 Agent 框架对比Ch14 Agent原理
- 14.2 Agent：多步自主执行Ch14 Agent原理
- 14.3 举个例子Ch14 Agent原理
- 14.4 Agent 的三种工具使用模式Ch14 Agent原理
- 14.5 Agent 的记忆系统Ch14 Agent原理
- 14.6 Agent 的规划能力Ch14 Agent原理
- 14.7 Agent 的工具设计Ch14 Agent原理
- 14.8 2026 年 Agent 的新变化Ch14 Agent原理
- 14.9 Agent 评估Ch14 Agent原理
- 第14章 · Agent 是怎么工作的Ch14 Agent原理
- Harness 工程：给 AI 搭工作台Ch14 Agent原理
- 工具调用演变Ch14 Agent原理
- Agent 规划算法（深挖）Ch14 Agent原理
- Agent 记忆系统（深挖）Ch14 Agent原理
- LangChain、LangGraph 和 LangSmith（深挖）Ch14 Agent原理
- ReAct 循环（深挖）Ch14 Agent原理
- 工作流模式（深挖）Ch14 Agent原理
- 自主检索 RAG（深挖）Ch14 Agent原理
- 15.1 问题：每个 Agent 各说各话Ch15 Agent通信协议
- 15.2 MCP：AI 连接工具的通用接口Ch15 Agent通信协议
- 15.3 A2A：Agent 之间的通信协议Ch15 Agent通信协议
- 15.6 和传统 API 调用的区别Ch15 Agent通信协议
- 第15章 · Agent 之间的通信协议Ch15 Agent通信协议
- Agent 安全与沙箱（深挖）Ch15 Agent通信协议
- 提示词注入攻防（深挖）Ch15 Agent通信协议
- 结构化输出（深挖）Ch15 Agent通信协议
- 16.1 为什么需要多 AgentCh16 多Agent协作
- 16.11 2026 年多 Agent 趋势Ch16 多Agent协作
- 16.12 什么时候用单 Agent vs 多 AgentCh16 多Agent协作
- 16.2 四种协作模式Ch16 多Agent协作
- 16.3 多 Agent 架构模式深入Ch16 多Agent协作
- 16.4 怎么避免 Agent 之间扯皮Ch16 多Agent协作
- 16.5 Agent 间通信Ch16 多Agent协作
- 16.6 多 Agent 的挑战Ch16 多Agent协作
- 16.8 多 Agent 实战案例Ch16 多Agent协作
- 第16章 · 多个 AI 怎么配合工作Ch16 多Agent协作
- 17.1 什么叫"多模态"Ch17 多模态AI
- 17.10 多模态 Agent：能看、能听、能做的 AICh17 多模态AI
- 17.11 2026 多模态技术栈：从零搭建多模态应用Ch17 多模态AI
- 17.12 2026 年主流多模态模型对比Ch17 多模态AI
- 17.13 多模态应用场景Ch17 多模态AI
- 17.14 多模态的局限性Ch17 多模态AI
- 17.2 多模态的核心挑战：模态对齐Ch17 多模态AI
- 17.3 多模态的四大核心挑战Ch17 多模态AI
- 17.4 看图：CLIP 和视觉模型Ch17 多模态AI
- 17.5 CLIP 深度解析：多模态 AI 的基石Ch17 多模态AI
- 17.6 视觉语言模型（VLM）详解：从看图到对话Ch17 多模态AI
- 17.7 图像生成模型详解：从 VAE 到扩散模型Ch17 多模态AI
- 17.8 视频理解与生成：2026 年最热的前沿Ch17 多模态AI
- 17.9 语音与音频：听和说的 AICh17 多模态AI
- 第17章 . 多模态 AICh17 多模态AI
- 18.1 2023：图像生成爆发Ch18 AI创作
- 18.2 2024：视频和 3D 来了Ch18 AI创作
- 18.3 2025：语音和音乐爆发Ch18 AI创作
- 18.4 2026：全能创作Ch18 AI创作
- 18.5 2026年AI创作工具全景表Ch18 AI创作
- 18.6 AI创作的工作流变革Ch18 AI创作
- 18.7 AI创作的核心争议Ch18 AI创作
- 第18章 · AI 创作这三年Ch18 AI创作
- AI 编程的三年演变Ch18 AI创作
- 项目一：用 AI 做一个个人主页Ch18 AI创作
- 19.1 CLIP：怎么让 AI 看懂图Ch19 多模态深度原理
- 19.2 扩散模型：怎么从文字生成图Ch19 多模态深度原理
- 19.3 ViT：Transformer 怎么看图Ch19 多模态深度原理
- 19.4 Whisper架构详解Ch19 多模态深度原理
- 19.5 TTS技术演进Ch19 多模态深度原理
- 19.6 2026年语音AI应用Ch19 多模态深度原理
- 第19章 · 多模态深度原理Ch19 多模态深度原理
- 20.1 问题：AI 模型太大了Ch20 推理部署
- 20.10 推理服务质量Ch20 推理部署
- 20.11 推理安全Ch20 推理部署
- 20.2 几种常见的量化格式Ch20 推理部署
- 20.3 怎么跑Ch20 推理部署
- 20.6 2026 年推理部署新趋势Ch20 推理部署
- 20.7 推理优化技术深入Ch20 推理部署
- 20.8 部署方案选型深入Ch20 推理部署
- 20.9 2026年推理成本分析Ch20 推理部署
- 第20章 · 模型推理部署Ch20 推理部署
- vLLM 推理引擎（深挖）Ch20 推理部署
- 推测解码（深挖）Ch20 推理部署
- 模型量化（深挖）Ch20 推理部署
- 22.1 全栈架构Ch22 技术全景
- 22.2 推理引擎：从云端到边缘Ch22 技术全景
- 22.3 Agent 框架：选型指南Ch22 技术全景
- 22.4 微调技术：SFT -> LoRA -> DPO 管线Ch22 技术全景
- 22.5 RAG 技术栈Ch22 技术全景
- 22.6 多模态模型一览Ch22 技术全景
- 第22章 · 2026 AI 技术全景Ch22 技术全景
- 项目实践Ch22 技术全景
- 名词根目录
- 目录根目录
- AI 应用层知识图谱根目录