LLM推理时计算技术详解：四种提升大模型推理能力的方法
本文要讲四种主流的推理时计算技术：深度方向的Chain-of-Thought，宽度方向的Self-Consistency，搜索方向的Tree-of-Thoughts，以及迭代方向的Reflexion/Self-Refine。
分类数据 EDA 实战：如何发现隐藏的层次结构
这篇文章讲的是如何在 EDA 阶段把这些隐藏结构找出来，用实际的步骤、真实的案例，外加可以直接复用的 Python 代码。
Daggr：介于 Gradio 和 ComfyUI 之间的 AI 工作流可视化方案
Daggr 是一个代码优先的 Python 库，可将 AI 工作流转换为可视化图，支持对 Gradio 管道进行检查、重跑和调试。
torch.compile 加速原理：kernel 融合与缓冲区复用
torch.compile 的价值在于：它把原本需要手写 CUDA 或 Triton 才能实现的优化，封装成了一行代码的事情。
LangGraph 入门：用图结构构建你的第一个多智能体工作流
LangGraph 里每个工作流都是一个 StateGraph——本质上是有向图。节点就是智能体，或者说处理状态的函数；边是智能体之间的转换；状态则是在整个图中流动的共享数据结构。
让 AI 智能体学会自我进化：Agent Lightning 实战入门
本文将介绍 Agent Lightning 的核心架构和使用方法，并通过一个开源的"自修复 SQL 智能体"项目演示完整的训练流程。
用 PyTorch 实现 LLM-JEPA：不预测 token，预测嵌入
这篇文章从头实现 LLM-JEPA: Large Language Models Meet Joint Embedding Predictive Architectures。
大模型如何训练百万 Token 上下文：上下文并行与 Ring Attention
上下文并行本质上是拿通信开销换内存空间，把输入序列切到多张 GPU 上，突破训练时的内存限制
让 Q 值估计更准确：从 DQN 到 Double DQN 的改进方案
这篇文章要内容包括：DQN 为什么会过估计、Double DQN 怎么把动作选择和评估拆开、Dueling DQN 怎么分离状态值和动作优势、优先经验回放如何让采样更聪明，
Claude Code子代理实战：10个即用模板分享
简单的说子代理就是给AI指定一个专门的角色。
pandas 3.0 内存调试指南：学会区分真假内存泄漏
在pandas 3.0 之后这类情况更多了，因为Copy-on-Write 改变了数据共享的方式，Arrow 支持的 dtype 让内存行为变得更难预测。
用 PydanticAI 让 LLM 输出变成可信赖的 Python 对象
本文会介绍 PydanticAI 的核心概念，解释为什么类型化响应对 agent 系统如此重要并给出与 CrewAI 集成的实际代码示例。
为什么标准化要用均值0和方差1？
为什么标准化要把均值设为0、方差设为1？
知识图谱的可验证性：断言图谱的设计原理
本文会介绍自动化知识图谱生成的核心难题：生成式模型为什么搞不定结构化提取，判别式方案能提供什么样的替代选择，生产级知识图谱的质量标准又是什么。
OPIK：一个开源的自动提示词优化框架
本文介绍如何用OPIK的MetaPromptOptimizer实现自动提示词优化，通过几轮迭代将大模型在复杂推理任务上的准确率从34%提升至97%。详解环境搭建、代码实现及优缺点，展示如何让LLM自我改进提示词，大幅提升效率与性能，推动提示工程迈向自动化。
RAG 检索模型如何学习：三种损失函数的机制解析
本文将介绍我实验过的三种方法：Pairwise cosine embedding loss（成对余弦嵌入损失）、Triplet margin loss（三元组边距损失）、InfoNCE loss。
对抗样本：20行Python代码让95%准确率的图像分类器彻底失效
本文会用FGSM（快速梯度符号法）演示如何制作对抗样本，并解释神经网络为何如此脆弱。
使用 tsfresh 和 AutoML 进行时间序列特征工程
本文将介绍多步时间序列预测的构建方式、auto-sklearn 如何扩展用于时间序列、tsfresh 的工作原理和使用方法
用提示工程让大模型自己检查自己：CoVe方法有效减少幻觉
Chain-of-Verification（CoVe）的思路是既然模型会在生成时犯错，那就让它生成完之后再检查一遍自己的输出，把能发现的错误纠正掉，然后再给用户看。
为什么所有主流LLM都使用SwiGLU？
本文的目标是解释为什么现代LLM架构在前馈部分使用 ``` SwiGLU ``` 作为激活函数并且已经放弃了 ``` ReLU ```
