LEARN · 学习区
AI 学习区
从零开始学 AI:什么是 RAG / agent / prompt / fine-tuning / 对齐 / context window;怎么选工具;实用情境;进阶技术。
LLM 讲的「open source」到底是什么意思?
大多数「open source」LLM 并非真的完全开源。它们是「open weights」 — 可下载可运行,但训练数据、配方、授权其实比这个词暗示的更复杂。
2026 年怎么为你的场景挑对 LLM
Claude、GPT-5、Gemini、DeepSeek、Llama 重叠很多。挑对的关键是任务、预算、需要多少控制 — 不是哪间 lab 公关声量最大。
2026 年怎么搭你第一个 RAG 系统:实战选型指南
embedding 模型、vector DB、检索器、reranker、generator — 五层、几十个选项。这篇给你不过度工程的路径。
向量数据库怎么选:pgvector、Qdrant、Pinecone、Weaviate 对比
大部分团队用错误理由选错了 vector DB。这篇按你的实际 stack 教你怎么挑。
Token vs 字:LLM 定价实际怎么算
为什么中文段比同样英文贵、发布前怎么估你的帐单。
为什么输入 token 比输出 token 便宜
读取快、生成慢 — 你的 LLM 账单长那样的技术原因。
LLM 量化:为什么 4-bit 模型还能用
70B 模型怎么塞进单张消费级 GPU — 以及这个魔法在哪里会失灵。
2026 年 AI 入门必懂的 30 个名词
省略学术教科书。30 个关键词 — LLM、RAG、embedding、MoE、agent、fine-tuning — 一句话定义 + 实际有用的脉络。
2026 年中文任务最强的 LLM 是哪个?
前沿闭源模型处理中文还行,但 Qwen 3、DeepSeek 等开源中文模型在原生语气跟成本常常赢。这篇按任务告诉你怎么挑。
怎么老实评测你的 RAG 系统
随便丢 10 个 query 不叫评测。这套框架会抓到 demo 抓不到的 bug。
AI 会议笔记工具怎么选:Otter、Fireflies、Fathom、Granola 对比
不同工具赢不同工作流:独立创业者、业务团队、定期 stand-up、客户访谈。配对选择。
开源 LLM vs 前沿 API:2026 年哪个任务该用哪个
开源模型在通用任务上把差距缩得很小,但难任务还没追上。这是分界线。
怎么用单张 GPU 自架一套 LLM stack(2026)
vLLM、Ollama、LM Studio、LocalAI — 看你是 hobby、side project、还是 production 来挑对的工具。
免费 vs 付费 AI 工具:什么时候付钱真的值得
大部分人不是付太多就是付太少。这篇给你一个清楚的框架,知道哪些订阅真的值得。
Perplexity、Felo、秘塔(Metaso):AI 搜索引擎挑选指南
AI 搜索分裂成西方跟中文圈两条主线。挑符合你信息源跟语言的那个。
一个下午搭好你笔记的个人 RAG
别再为了找一句话滑 Notion。这是真的能用在个人笔记上的最简 stack。
用 LLM 自动化第一线客服(而且不要把体验弄更糟)
大部分 LLM 客服部署失败。这篇给你限定范围、诚实的版本,真的能 deflect ticket 又不会激怒用户。
用 LLM 加抽查工作流把博客翻成 3 个语言
别把博客丢 Google 翻译。这篇教你产出读者察觉不到是翻译的工作流。
读研究论文用 AI 摘要又不丢掉细节
「帮我总结这篇论文」这种 prompt 会剥掉真正重要的部分。这篇教你问对问题。
用 AI 写周报但不要听起来像机器人
AI 写的周报读起来像 AI 就死了。这篇给你保留你 voice 又省时间的工作流。
用 AI 写一份能通过关键字过滤的简历
大部分简历被软件过滤、真人从没看到。这篇教你用 AI 修这个但不会听起来假。
用 AI 准备技术面试
独自 mock 面试、行为题练习、主题缺口找寻 — AI 在让候选人紧张的部分上意外擅长。
用 AI 整合做客户研究访谈
AI 不取代访谈者。但访谈前后 — 从准备到整合 — 它能让速度剧烈提升。
用 AI 写 UX 文案:什么时候有用、什么时候会毁掉语气
AI 写按钮跟 tooltip 草稿快。但定义产品感觉的部分,它写得很糟。