高级 RAG 技术：查询转换与查询分解
基础 RAG 的准确性受制于查询质量，查询模糊、表述不当，或者用户对问题的抽象层次把握不准，检索结果就会出偏差，LLM 拿到的上下文也跟着失真。
构建生产级 AI Agent 系统的4大主流技术：反思、工具、规划与多智能体协作
本文拆解当下重塑AI系统构建方式的4种核心 Agentic 模式，分析每种模式的工作机制、适用场景，以及如何将它们组合出真正可用的系统。
BookRAG：面向层级文档的树-图融合RAG框架
本文介绍的BookRAG或许能提供一个有用的视角。
多智能体系统的三种编排模式：Supervisor、Pipeline 与 Swarm
当单个智能体确实力的确无法解决，任务需要多种能力、独立验证或动态路由，精心编排的智能体团队是目前见过的最可靠的解法。
更大的上下文窗口为什么让RAG变得更重要而非更多余
在不少实际系统中，更大的上下文窗口反而拖累了模型表现。
LangGraph vs Semantic Kernel：状态图与内核插件的两条技术路线对比
本文依据 LangGraph 官方文档、Semantic Kernel 官方文档以及两个框架的变更日志写成。
基于网格搜索与分段回归的时间序列变化点检测方法
传统统计方法在时间序列分析中既简洁又有力，但面对大规模时间序列集合时，扩展性往往不尽如人意。现实中的趋势变化往往微弱、带有噪声、数量也不止一个，靠肉眼判断既不可靠也不现实。
Python标准库里藏着的7个代码简化利器
开始使用它们之后，项目体积缩小了，维护成本降低了，自动化也顺畅得多。以下是改变一切的七个技巧。
LangGraph RemoteGraph：本地图与远程图的组合机制解析
本地编排器负责流程控制，远程图服务器承担具体计算，状态管理和控制流的职责边界清晰。
MIT论文解读：LLM 会被自身历史回复拖累 ，上下文污染会导致多轮对话质量衰减
和 AI 对话超过 20 轮之后，看着它慢慢开始胡说八道，如果有过这种经历，那么你就应该看看这篇论文
Energy Distance：度量两个多元分布差异的统计方法
Energy Distance 是一种基于度量的统计工具，适用于衡量两个多元分布的差异程度。
大模型训练的硬件基础：GPU内存层级、分块与并行策略
这篇文章从 GPU 架构讲到并行策略，涉及的是把模型从玩具规模拉到生产规模所必须面对的工程问题。
贝叶斯公式推导：从联合概率的对称性看条件反转
本文从简单概率的概念出发，逐步过渡到条件概率，最后介绍贝叶斯定理。整个过程会尽量保持直观，不涉及复杂的数学形式。
KV Cache管理架构演进：从连续分配到统一混合内存架构
本文梳理KV cache管理经历的5个时代，从它根本不存在的阶段，到今天正在成型的统一内存架构。文中会结合多个模型的部署经验，对比vLLM、SGLang和TensorRT-LLM在各阶段的应对思路。
PhysioDSP：一个面向可穿戴设备的 Python 信号处理库
PhysioDSP 是一个开源 Python 库，它给出了一套统一、可扩展的框架来处理和分析生理传感器数据
VAE 原理拆解：从概率编码到潜在空间正则化
这篇文章从基本原理出发完整拆解变分自编码器（VAE）的构建过程。
基于能量的模型（EBM）：用能量函数替代概率分布的建模框架
Yann LeCun 反复强调过一个观点：当前LLM基于概率、逐 Token 预测的设计路线，很可能走不到人类水平的AI。他的团队更看好另一条路，基于能量的模型（EBM）。
时间序列异常检测的5种方法：从统计阈值到深度学习
异常检测的核心不在于找出"奇怪的数字"，而在于理解每个时间点上什么才算正常。
从提示工程转向 上下文工程，6种让LLM在生产环境中稳定输出的技术
提示工程告诉模型怎么说话；context engineering 控制模型说话时看到什么。以下是把生产系统和Demo区分开的6种上下文工程技术。
