置顶从模型到 Harness：重新理解 Agent 与 AI 编程工具
很多人把模型、工具、Agent、Harness、编程助手和多 Agent 系统混在一起讨论，结果是同一个词在不同语境中指向不同东西。本文先建立一套统一的概念地图，再用 Codex、Cursor、Claude Code、OpenCode、Hermes Agent 和 DeepSeek Harness 说明这些概念如何落地到真实产品中。
Ai
共 11 篇公开文章
大模型应用开发学习 10：混合检索：BM25、TF-IDF 和向量检索怎么配合
这篇文章从 RAG 检索的真实问题出发，梳理 TF-IDF、BM25 和向量检索各自擅长什么，为什么只靠语义向量并不总是可靠，以及混合检索如何把关键词命中和语义理解结合起来，让知识库召回更稳定、更准确。
大模型应用开发学习 09：向量数据库，如何保存和检索语义
很多人知道向量数据库能做语义检索，但不知道它到底存了什么、怎么查、为什么比普通数据库更适合做 RAG。这篇文章会从文本块、Embedding、Metadata、Top K、距离计算讲起，把向量数据库的工作方式和工程边界讲清楚。
大模型应用开发学习 08：文本切分长文档为什么不能直接用于检索
本文从检索系统的视角讲清文本切分为什么不只是“把长文档切短”，并深入拆解 chunk size、chunk overlap、递归切分、中文分隔符、结构化文档处理和检索效果评估，帮助读者理解如何在语义完整、召回精度与处理成本之间找到平衡。
大模型应用开发学习 07：余弦相似度：如何判断两段文本像不像
本文从文本向量化后的实际问题出发，系统讲清余弦相似度为什么适合判断两段内容像不像。文章先用生活例子建立直觉，再补足点积、模长、公式推导与手算过程，最后落到语义检索、去重、推荐和使用边界，帮助读者真正把“像不像”这件事讲明白。
大模型应用开发学习 06：Embedding：文本如何变成向量
Embedding 把文本映射成可比较的语义向量，让程序能用“距离”理解文本相似性。本文从直觉、用途、维度和工程场景出发，讲清文本为什么要变成向量，以及它如何支撑搜索、分类、推荐和 RAG。
大模型应用开发学习 05：Token：上下文、记忆和成本的基本单位
Token 是大模型处理文本、计算上下文和统计成本的基本单位。本文从分词器、BPE 原理、上下文窗口、多轮对话成本和 usage 统计出发，梳理 Token 在 AI 应用开发中的真实影响
大模型应用开发学习 04：用 API 把大模型接入程序
从网页聊天到 API 调用，是把大模型真正接入程序的第一步。本文梳理 API Key、Base URL、Model、Messages、响应字段、流式输出和成本控制，帮助理解一次模型调用背后的完整链路。
大模型应用开发学习 03：大模型是怎么生成回答的
这篇记录我对“大模型如何生成回答”的阶段性理解：它不是从数据库里查答案，而是在上下文基础上不断预测下一个 Token。文章从 LLM、GPT、ChatGPT 的关系讲起，用迷你语言模型解释生成过程，再延伸到上下文影响、幻觉来源和人工校验边界。
大模型应用开发学习 02：Prompt 不是提问，而是任务设计
从“随口问 AI”到“设计一次任务调用”，这篇记录我对 Prompt 的重新理解：它不是一句神奇咒语，而是让模型明确目标、背景、格式与边界的任务说明书。文章梳理 Prompt 工程、消息结构、常见技巧、参数影响与安全风险，适合刚开始学习大模型的人建立 Prompt 基础认知。