百亿参数模型的并行训练：节点内张量并行、节点间数据并行
瓶颈不在于数据移动的速度，而在于内存里能存多少、以及在移动数据的同时能让 GPU 保持多忙
DiffusionGemma：用离散文本扩散和双向注意力，把推理瓶颈从内存带宽转移到算力
DiffusionGemma 则是离散文本扩散（discrete text diffusion）的实验性模型，可以同时生成并精炼整个文本块，绕过了历史上制约本地 AI 性能的主要硬件瓶颈。
微调LocateAnything-3B 实现超高密度的目标检测
微调LocateAnything-3B，实现当图像中有 300+ 个密集重叠目标、人工标注不可行时的实用方案。
10 个 AI 工程师必须掌握的 LangChain & LangGraph 概念
但是应用需要检索文档、调用工具、处理故障、路由请求、记住历史操作，还要在关键决策节点引入人工审核。这时这个聊天机器人已经变成了一套工作流。
Flash-KMeans：快速且内存高效的精确 K-Means，可在单张 GPU 进行亿级数据的聚类
本文介绍 Flash-KMeans是一个近期提出的框架，它受 Flash（最小化数据移动）的启发，论文给出了一种执行精确 K-Means 的方案，速度更快内存效率也远优于 FAISS 等行业标准实现
AI Agent的三重记忆机制：打造高可用的多维记忆系统
本文是一份实用指南，帮助你选择合适的记忆层。
相关性与因果性：识别伪相关以提升模型在真实环境的可用性
相关性表示两个指标存在同步变动趋势，因果性则代表一件事直接促成了另一件事。两者之间有着一道需要用严谨论证来填补的鸿沟。测算相关性毫无门槛但是证明因果关系却极度困难。
2026 年开源 Agent 工具包选型指南：延迟、审计、可移植性与语言栈
2026 年用于构建 agent 的开源工具包已经已经得到了巨大的发展，所以本篇文章将从以下角度来帮助你如何选择最适合你的工具：延迟预算、审计追踪、模型可移植性、还是语言栈。
Pydantic v2 入门教程：模型、字段、验证器
本问将覆盖 API 的每个核心部分：定义模型、约束字段、写验证器、组合嵌套结构、控制序列化。所有示例基于 **Pydantic v2** 和 **Python 3.10+**，每个清单完整可运行。
Orchestrator 为什么比 Agentic Loop 快：LLM 决策与执行分离的架构解析
Agentic loop 适合前期的探索工作，而Orchestrator 适合生产。
手写 Triton Softmax Kernel：程序实例、块大小、mask 与指针算术
以官方 Triton 教程为基础，深入代码背后的原理并配上手绘图解。如果你觉得 GPU 编程教程总是太晦涩，这篇文章正好可以用来入门。
Prompt Engineering 的本质：角色、任务、上下文、格式、约束
Prompt engineering 就是用来填这个坑的，它是一种和 AI 系统沟通的方法——表达得足够清晰、足够精确，让模型的第一反应就了解你的真实意图。
视频 RAG 中分块策略：基于停顿、滑动窗口与基于 LLM 的方法
文本的RAG我们都已经很熟悉了，但是如果数据以原始视频转录文本的形式存储，没有合适的时间结构，那么相比标准的 PDF 或文本文档，如何检索视频里面的内容呢？
lat.md：将任意项目代码转换为可查询的知识图谱
lat.md让我们不再停留在“搜索”信息，而是面向一张组织有序、经过校验的项目地图。把笔记直接挂到代码上，再让它们的一致性接受自动校验，AI 工具因此变得更聪明、更可靠。
四种无向量RAG 方案实测:BM25、GraphRAG、Tree Search、Agent
四种方法都查这一份数据集，但每种方法分别使用刻意挑选、能发挥其长处的查询。得到的结果是：没有任何一种方法是通用的。
Agentic 设计模式拆解：6 种结构的优缺点与应用场景
所以这篇文章总结一些常见的设计模式，这些模式归纳了在大量已验证实现中反复出现的共性，可以视为一组结构化的骨架，用来理解智能体（Agent）、用户、模型和工具之间的核心交互。
从零搭建 Harness Engineering 框架 ：Rule、Skill、Sub-Agent等工程落完整路径
Harness 这个词听起来宽泛而且像一种抽象的方法论。如果它没法落到具体的目录结构、文档、脚本和工作流上，那就只是一句漂亮口号。
推理 → 行动 → 观察：用 LangChain + Python 实现一个智能体循环
下面这篇介绍会说明它是什么、如何工作，以及如何把它实现出来。
TraceML：用三行代码为训练循环加入 step 级诊断
TraceML 是开源的目前支持单 GPU 以及单节点 DDP/FSDP；多节点支持很快会推出。
