LEARN · 學習區
AI 學習區
從零開始學 AI:什麼是 RAG / agent / prompt / fine-tuning / 對齊 / context window;怎麼選工具;實用情境;進階技術。
LLM 講的「open source」到底是什麼意思?
大多數「open source」LLM 並非真的完全開源。它們是「open weights」 — 可下載可執行,但訓練資料、配方、授權其實比這個詞暗示的更複雜。
2026 年怎麼為你的場景挑對 LLM
Claude、GPT-5、Gemini、DeepSeek、Llama 重疊很多。挑對的關鍵是任務、預算、需要多少控制 — 不是哪間 lab 公關聲量最大。
2026 年怎麼搭你第一個 RAG 系統:實戰選型指南
embedding 模型、vector DB、檢索器、reranker、生成 — 五層、幾十個選項。這篇給你不過度工程的路徑。
向量資料庫怎麼選:pgvector、Qdrant、Pinecone、Weaviate 比較
大部分團隊用錯誤理由選錯了 vector DB。這篇按你的實際 stack 教你怎麼挑。
Token vs 字:LLM 定價實際怎麼算
為什麼中文段比同樣英文貴、發布前怎麼估你的帳單。
為什麼輸入 token 比輸出 token 便宜
讀取快、生成慢 — 你的 LLM 帳單長那樣的技術原因。
LLM 量化:為什麼 4-bit 模型還能用
70B 模型怎麼塞進單張消費級 GPU — 以及這個魔法在哪裡會失靈。
2026 年 AI 入門必懂的 30 個名詞
省略學術教科書。30 個關鍵詞 — LLM、RAG、embedding、MoE、agent、fine-tuning — 一句話定義 + 實際有用的脈絡。
2026 年中文任務最強的 LLM 是哪個?
前沿閉源模型處理中文還行,但 Qwen 3、DeepSeek 等開源中文模型在原生語氣跟成本常常贏。這篇按任務告訴你怎麼挑。
怎麼老實評測你的 RAG 系統
隨便丟 10 個 query 不叫評測。這套框架會抓到 demo 抓不到的 bug。
AI 會議筆記工具怎麼選:Otter、Fireflies、Fathom、Granola 比較
不同工具贏不同工作流:獨立創業者、業務團隊、定期 stand-up、客戶訪談。配對選擇。
開源 LLM vs 前沿 API:2026 年哪個任務該用哪個
開源模型在通用任務上把差距縮得很小,但難任務還沒追上。這是分界線。
怎麼用單張 GPU 自架一套 LLM stack(2026)
vLLM、Ollama、LM Studio、LocalAI — 看你是 hobby、side project、還是 production 來挑對的工具。
免費 vs 付費 AI 工具:什麼時候付錢真的值得
大部分人不是付太多就是付太少。這篇給你一個清楚的框架,知道哪些訂閱真的值得。
Perplexity、Felo、秘塔(Metaso):AI 搜尋引擎挑選指南
AI 搜尋分裂成西方跟中文圈兩條主線。挑符合你資訊來源跟語言的那個。
一個下午搭好你筆記的個人 RAG
別再為了找一句話滑 Notion。這是真的能用在個人筆記上的最簡 stack。
用 LLM 自動化第一線客服(而且不要把體驗弄更糟)
大部分 LLM 客服部署失敗。這篇給你限定範圍、誠實的版本,真的能 deflect ticket 又不會激怒用戶。
用 LLM 加抽查工作流把部落格翻成 3 個語言
別把部落格丟 Google 翻譯。這篇教你產出讀者察覺不到是翻譯的工作流。
讀研究論文用 AI 摘要又不丟掉細節
「幫我總結這篇論文」這種 prompt 會剝掉真正重要的部分。這篇教你問對問題。
用 AI 寫週報但不要聽起來像機器人
AI 寫的週報讀起來像 AI 就死了。這篇給你保留你 voice 又省時間的工作流。
用 AI 寫一份能通過關鍵字過濾的履歷
大部分履歷被軟體過濾、真人從沒看到。這篇教你用 AI 修這個但不會聽起來假。
用 AI 準備技術面試
獨自 mock 面試、行為題練習、主題缺口找尋 — AI 在讓候選人緊張的部分上意外擅長。
用 AI 整合做客戶研究訪談
AI 不取代訪談者。但訪談前後 — 從準備到整合 — 它能讓速度劇烈提升。
用 AI 寫 UX 文案:什麼時候有用、什麼時候會毀掉語氣
AI 寫按鈕跟 tooltip 草稿快。但定義產品感覺的部分,它寫得很糟。