所有文章

深度解析：OpenAI Function Calling 的運作原理與實作指南

當無記憶遇上多階段：LazyHole-Agent 跨輪狀態實驗報告

Agent Loop 策略：為什麼有的 tool 要多輪、有的要單輪

> 一句話摘要：LLM 呼叫工具後要不要再 call 一次 LLM，是延遲與能力的取捨。這份筆記解釋這個專案是怎麼決定的。

深入淺出 LLM 指令遵從

本文深度解析大型語言模型（LLM）指令遵循失敗的 8 大原因，從 Prompt Engineering 角度提供表格化、正向指令及結構化優化策略，助你打造更精準的 AI 溝通術。

RAG 技術中的 Reranking（重排序）

向量搜尋找得快，但找得不夠準——Reranking 就是那個在最後把最重要的資料推到前排的裁判。

模型蒸餾

讓小模型繼承大模型的「智慧」，而不只是複製它的「答案」。

解密 LLM 知識庫：Karpathy 的「LLM Wiki」如何重新定義 RAG

Andrej Karpathy 提出 LLM Wiki 概念，主張 AI 應透過「知識編譯」將 RAG 資料轉化為結構化 Wiki，而非反覆碎片化查詢。本文解析參數化記憶、現代 RAG 與 LLM Wiki 的本質差異與挑戰。

MCP 與 CLI：AI 時代的兩種工具整合哲學

當 AI Agent 需要與外部世界互動時，該讓它敲指令，還是講協議？

如何驗證LLM降智

模型真的變笨了嗎？本文提供五大測試維度與嚴謹的統計學方法，教你如何用數據驗證 AI 模型降智，排除主觀偏誤，建立自動化監控管線。

知識圖譜的靈魂之問：AI 工程中的 KG 是設計給「機器」還是「人」看？

在大型語言模型（LLM）橫掃技術領域的今天，Knowledge Graph（知識圖譜，以下簡稱 KG）座定位正經歷一場深刻的變革。對於一個正處於 AI 應用浪潮中的舊專案來說，KG 不僅是技術組件，更是連接「過去代碼」與「未來智能」的橋樑。

模型降智??

這篇文章將 AI模型降智比喻為「連鎖咖啡店的配方調整」，深入分析了廠商在成本、速度與安全性之間進行權衡時，如何導致模型在深度推理與指令遵循能力上的偏移，並提供了 McNemar's Test、LiveBench 等科學驗證方法。

不丟失語意地縮小 Context Window 壓力

AI 模型的「短期記憶」有上限——這篇文章告訴你工程師怎麼在不讓它失憶的前提下，騙它用更少的空間記住更多的事。

量子糾纏

兩個粒子，無論相距多遠，測量其中一個，另一個的狀態瞬間確定——這不是魔法，是宇宙運作的規則。

從零開始建立 RAG 系統：完整流程拆解

想讓 AI 讀懂你的文件再回答？這篇用最白話的方式，拆解 RAG 系統從「準備資料」到「回答問題」的完整流程，附上 Python 和 TypeScript 程式碼範例。

RAG：讓 AI 不再瞎掰的關鍵技術

RAG 是一種讓 AI 先查資料再回答的技術，大幅減少幻覺問題。你每天用的 Cursor、Copilot、Claude Code 背後都在用它——理解 RAG，就是理解你手上 AI 工具為什麼有時超神、有時超廢。

Harness Engineering 簡介：從 Prompt 到系統化架構

Harness Engineering 簡介

打造 Blog 系統時，我修復了哪些資安漏洞

記錄建立 Next.js Blog 系統後，針對 Brute Force、CSRF、JWT 黑名單、Slug 衝突等資安問題的修復過程。

產品模式 vs 專案模式

軟體開發有兩種玩法：「做完就散」的專案模式，以及「養一支長期隊伍」的產品模式。這篇文章用費曼學習法拆解 Martin Fowler 的經典文章，告訴你為什麼現代軟體團隊應該從接案思維轉向產品思維。