先讲原理、再谈个人理解的 AI 深度长文（公众号「炼金术」站内首发）。https://databean.com.cn/zh-cnhttps://databean.com.cn/home/garden/writing/2026-10-11-a1/https://databean.com.cn/home/garden/writing/2026-10-11-a1/A1 要求在开源 LLM 上实现 Agent 基类、CodeAgent、上下文压缩与程序化工具调用——拆解这份作业的设计思想：它在逼你亲手摸到 Agent 的四个承重墙。（不含任何解答）Sun, 11 Oct 2026 00:00:00 GMT课程 · 作业解读agentscourseharnesshttps://databean.com.cn/home/garden/writing/hello-garden/https://databean.com.cn/home/garden/writing/hello-garden/命名的来处、园子的分区方式，以及这里的内容从哪来——开垦的第一锹。Sat, 10 Oct 2026 00:00:00 GMT园地手记meta命名https://databean.com.cn/home/garden/writing/2026-08-11/https://databean.com.cn/home/garden/writing/2026-08-11/基于 Reddit 上的 KL 散度实测数据，比较 Qwen3.6-27B 在 GGUF、FP8、NVFP4 等量化方案下的性能损耗与显存表现，并分析各方法差异的成因，为部署精度选择提供参考。Tue, 11 Aug 2026 00:00:00 GMT工程实战quantizationqweninferencehttps://databean.com.cn/home/garden/writing/2026-07-22/https://databean.com.cn/home/garden/writing/2026-07-22/对比 Claude Skills 与 MCP 两种 Agent 能力扩展方式：MCP 近乎黑盒的接口调用，功能固定、对模型要求低；Skills 更像开放源码的 SDK 框架，灵活但学习曲线更陡。从 MCP 到 Skills，Agent 开发的抽象层次正逐步提高。Wed, 22 Jul 2026 00:00:00 GMTAgenticagentsmcpclaudehttps://databean.com.cn/home/garden/writing/2026-07-22-1/https://databean.com.cn/home/garden/writing/2026-07-22-1/围绕 Agent 记忆管理展开思考：澄清记忆、上下文与提示词三个易混概念的边界，并按目标驱动、对话式、短程与长程任务等场景梳理记忆问题，结合相关综述探讨从实际细节切入的实践路径。Wed, 22 Jul 2026 00:00:00 GMTAgenticmemoryagentshttps://databean.com.cn/home/garden/writing/2026-07-22-10/https://databean.com.cn/home/garden/writing/2026-07-22-10/从不再沉迷村上春树的自省谈起，回味《黄金时代》《百年孤独》与炸牡蛎等镌刻于记忆的阅读场景，借韦伯"意义之网"的观点讨论文学之于脆弱心灵的力量，追问芜杂心绪中自我的位置。Wed, 22 Jul 2026 00:00:00 GMT随笔essayreadingmurakamihttps://databean.com.cn/home/garden/writing/2026-07-22-11/https://databean.com.cn/home/garden/writing/2026-07-22-11/以一篇豆瓣书评为引，回顾三次改变认知方式的阅读跃迁：《枪炮、病菌与钢铁》提供归纳框架，《自私的基因》给出理解人性的工具，《无穷的开始》以"寻求好解释"重新校准对进步与选择的看法。Wed, 22 Jul 2026 00:00:00 GMT随笔essayreadingbook-reviewhttps://databean.com.cn/home/garden/writing/2026-07-22-12/https://databean.com.cn/home/garden/writing/2026-07-22-12/梳理大语言模型所需的数学基础：线性代数中的张量运算与 embedding 的空间含义、概率统计中的极大似然估计与联合概率、微积分中的链式法则与自动微分，说明三门数学在模型训练和推理中各自的用途。Wed, 22 Jul 2026 00:00:00 GMTLLM 基础llmmathtutorialhttps://databean.com.cn/home/garden/writing/2026-07-22-13/https://databean.com.cn/home/garden/writing/2026-07-22-13/以 PyTorch 官方的多项式拟合示例为线索，拆解机器学习训练的完整流程：数据准备、模型定义、损失函数、优化算法与训练循环，辨析参数与超参数等概念，并延伸到大语言模型训练中的实践差异。Wed, 22 Jul 2026 00:00:00 GMTLLM 基础tutorialpytorchllmhttps://databean.com.cn/home/garden/writing/2026-07-22-14/https://databean.com.cn/home/garden/writing/2026-07-22-14/借助 PyTorch 图像分类示例介绍深度学习的基本流程，重点拆解 torch.nn 中 Module 与 Parameter 的核心抽象、模型容器及各类预置组件，并概览从随机梯度下降到 Adam 的优化算法演进，为阅读大模型源码做准备。Wed, 22 Jul 2026 00:00:00 GMTLLM 基础tutorialpytorchdeep-learningllmhttps://databean.com.cn/home/garden/writing/2026-07-22-2/https://databean.com.cn/home/garden/writing/2026-07-22-2/记录作者阅读《段永平投资问答录》后对“做对的事情”与知行合一的思考，将投资不为清单类比软件设计元原则，并结合跑步、写作与 AI 各自梳理不为清单与能力圈边界。Wed, 22 Jul 2026 00:00:00 GMT随笔essay投资段永平https://databean.com.cn/home/garden/writing/2026-07-22-20/https://databean.com.cn/home/garden/writing/2026-07-22-20/总结使用大模型的几类反模式：以搜索关键词方式提问、让模型做纯计算、追求一步到位等，并借 Jevons 悖论说明模型越强对使用者专业度要求越高的反直觉现象。Wed, 22 Jul 2026 00:00:00 GMT工程实战llmessayhttps://databean.com.cn/home/garden/writing/2026-07-22-21/https://databean.com.cn/home/garden/writing/2026-07-22-21/系统拆解前沿 LLM 的架构、量化与显存，覆盖 Dense/MoE、注意力机制演进、BF16 到 FP4 精度选择与 KV Cache 估算，并以三款模型为例给出部署选型参考。Wed, 22 Jul 2026 00:00:00 GMT工程实战llmattentionquantizationinferencehttps://databean.com.cn/home/garden/writing/2026-07-22-22/https://databean.com.cn/home/garden/writing/2026-07-22-22/梳理机器学习中过拟合的成因与应对之道，先厘清训练、验证与测试数据的分工，再逐一推导 L1、L2 正则化与 Dropout 的工作原理，并介绍数据扩增为何能提升模型的泛化表现。Wed, 22 Jul 2026 00:00:00 GMT工程实战deep-learningoverfittingregularizationhttps://databean.com.cn/home/garden/writing/2026-07-22-23/https://databean.com.cn/home/garden/writing/2026-07-22-23/回望 Adrian Colyer 的博客 The Morning Paper：2014 年起约两天一篇，七年解读千余篇计算机论文后停更。作者梳理其选题与写作方式，立下持续写作、定期总结的目标。Wed, 22 Jul 2026 00:00:00 GMT论文笔记（致敬 MP）essaypaper-readingwritinghttps://databean.com.cn/home/garden/writing/2026-07-22-24/https://databean.com.cn/home/garden/writing/2026-07-22-24/解读 Predibase 的 LoRAX 推理引擎：让上百个同源 LoRA 微调模型共用一份基础权重部署，靠动态加载适配器、分层缓存与多适配器批处理降低推理成本、提升吞吐，并借操作系统概念类比讲解。Wed, 22 Jul 2026 00:00:00 GMT论文笔记（致敬 MP）lorainferencefine-tuninghttps://databean.com.cn/home/garden/writing/2026-07-22-25/https://databean.com.cn/home/garden/writing/2026-07-22-25/复盘 ChatGPT 问世后中国大模型产业的融资牌局：从王慧文的光年之外起伏，到智谱、月之暗面等公司的崛起，梳理红杉、阿里、腾讯等机构的 Club Deal 式押注策略与其中的人性博弈。Wed, 22 Jul 2026 00:00:00 GMT论文笔记（致敬 MP）llm融资https://databean.com.cn/home/garden/writing/2026-07-22-26/https://databean.com.cn/home/garden/writing/2026-07-22-26/顺着吴恩达的文章聊大模型自学：预训练与微调的数据需求悬殊，模型直接吃自产数据会崩溃；文章以人读经典作类比，并分析用 agentic workflow 生成合成数据的可行性与成本。Wed, 22 Jul 2026 00:00:00 GMT论文笔记（致敬 MP）llmagentsessayhttps://databean.com.cn/home/garden/writing/2026-07-22-3/https://databean.com.cn/home/garden/writing/2026-07-22-3/由互联网创业的唯快不破谈起，借多年跑步经历反思把里程配速等手段误当目的的急于求成心态，并结合多本跑步书籍梳理热身、柔韧性、变速与力量训练等科学方法。Wed, 22 Jul 2026 00:00:00 GMT随笔essay跑步https://databean.com.cn/home/garden/writing/2026-07-22-4/https://databean.com.cn/home/garden/writing/2026-07-22-4/回顾 Llama 3 发布要点：tokenizer 词汇扩至 128K、训练序列增至 8k 并全系采用 GQA，附 8B 本地实测与模型、系统、应用三级安全体系的梳理。Wed, 22 Jul 2026 00:00:00 GMT随笔llamallmtokenizersafety