Michel Johnson's Blog

在如今的大模型（LLM）时代，当我们惊叹于 ChatGPT 的对答如流、惊叹于 LLaMA 的逻辑推理能力时，我们往往将目光聚焦于 Transformer 架构、注意力机制或是庞大的参数量。然而，在这些宏大的叙事背后，有一个常常被忽视却至关重要的“基石”——Tokenization（分词）。

引言：从“聪明的一问一答”到“具备自我意识的智能体”

在过去的一年里，你可能已经被各种令人惊叹的 AI 绘画作品刷屏：无论是 Midjourney 绘制的赛博朋克宏大城市，还是 Stable Diffusion 根据几句简单提示词生成的逼真人像，亦或是 DALL-E 3 对复杂语义的完美理解。

引言：告别“暴力美学”，走向“精雕细琢”

在过去的一年多里，我们见证了大语言模型（LLM）的爆发。无数企业跃跃欲试，试图将 AI 融入自身的业务流中。然而，一个残酷的现实是：写一个基于 Gradio 的 ChatGPT 演示界面只需要几十行代码和几个小时，但将其转化为一个高可用、高并发、安全合规且能真正解决业务问题的企业级 AI 应用，却需要几个月甚至更长的时间。

引言：为什么大模型需要“对齐”？

引言：AI 编程助手的双刃剑

在人工智能席卷全球的当下，每个开发者心中或许都有一个梦想：拥有一个专属于自己的大语言模型（LLM）。无论是让它模仿特定的写作风格、成为某个垂直领域的专家，还是扮演某个特定的虚拟角色，全量微调曾是唯一的出路。

在大模型（LLM）百花齐放的今天，你是否遇到过这样的困境：开源模型很强大，但在你的特定业务场景下，它总是显得“水土不服”——要么答非所问，要么格式混乱，要么缺乏专业领域的深度知识？

引言：从“对话框”到“数字员工”的跨越

如果说大语言模型（LLM）是一本包罗万象的百科全书，那么 Agent（智能体）就是能够翻阅这本百科全书并动手干活的知识工作者。