1文章進階中文
Harness Engineering — Agent 不好用，也许不是模型的问题
定義 Harness Engineering 為除模型權重外的一切工程實踐，透過系統提示、工具集、隔離環境與上下文壓縮等機制提升效能。
chaofa用代码打点酱油（袁朝发）
部落格 ・ 華語圈 ・ 簡體中文 ・ A 級 ・ 10 筆內容 ・ 最近更新 2026/10/04
簡中；LLM 與 Agent 的技術長文：Harness Engineering、訓練方法解讀、從零手寫 LLM 與 Agentic RAG；近半年以月度小結為主
最受歡迎
依人氣
- 2文章高階中文
理解 KV Cache 与 Prompt Caching：LLM 推理加速的核心机制
深入解析 LLM 推理中的 KV Cache 原理，說明 Prefill 與 Decode 兩階段如何分別受算力與記憶體限制，並闡述 Prompt Caching 如何透過字首匹配跨請求加速推理。
- 3文章進階中文
Agent 系统中的 Prompt Caching 设计（上）：Cache 破坏、Prompt 布局与工具管理
探討 AI Agent 為何比 Chatbot 更需要 Prompt Caching，並分析會破壞 Cache 的操作如修改 System Prompt 或工具定義。
- 4文章進階中文
DPO 算法原理与代码实现：让 LLM 对齐变得简单
深入解析 DPO 演算法原理，解釋其如何將 RLHF 簡化為只需兩個模型的訓練流程。讀者將掌握 DPO 損失函式的數學推導、手寫核心程式碼，並使用 trl 庫完成完整訓練。
- 5文章進階中文
Agent 系统中的 Prompt Caching 设计（下）：上下文管理与子代理架构
深入探討 AI Agent 的上下文管理策略，包括解決上下文腐爛、實現 Cache-Safe 壓縮、演進 Plan 模式以及利用檔案系統作為延展記憶。
- 6文章高階中文
从零手写 RoPE 位置编码：原理、PyTorch 源码实现与可视化理解
深入解析 RoPE 旋轉位置編碼的數學原理與 PyTorch 實作，從旋轉矩陣推導相對位置編碼，並提供可執行的程式碼範例。讀者能掌握 RoPE 的核心思想，理解其如何讓注意力機制依賴相對位置，並透過視覺化輔助直觀理解。
- 7文章入門中文
从打点酱油到袁朝发（2026-05-月度小结）
作者袁朝發分享斷更七個月的反思，決定將全平台署名改為真名，強調內容需負起責任而非由 AI 接管思考。同時更新書寫進度，說明《大型語言模型：從菜鳥到大師》因工作忙碌暫未完成，並分享投資與生活近況。
- 8文章進階中文
2025，浪潮与拧巴
回顧 2025 年作為父親、打工人與內容創作者的多重挑戰，探討在 AI 浪潮中如何平衡家庭與工作，並反思個人產出與商業化嘗試的得失。文章分享了 Agent 系統設計經驗、技術公開表達的成長，以及對未來擁抱 AI Coding 的展望。
- 9文章高階中文
Kimi K2.5 技术解读：原生多模态联合训练与并行 Agent 编排训练
深度解析 Kimi K2.5 技術，涵蓋原生多模態聯合訓練、Zero-Vision SFT 及 Agent Swarm 並行編排等創新。讀者可掌握反常識的訓練策略與提升效能的 RL 架構設計。
- 10文章進階中文
AI 狂飙，怎么才能 10 倍 or 100 倍自己的工作效率（2026-09-月度小结）
分享如何利用 Multica 和 Hermes Agent 建立自動化工作流，將效率提升數倍。文章探討了從工程師思維轉向「老闆思維」，透過設定目標與驗收機制來管理 AI 任務。
最新內容
依發布時間
- 文章進階中文
AI 狂飙，怎么才能 10 倍 or 100 倍自己的工作效率（2026-09-月度小结）
分享如何利用 Multica 和 Hermes Agent 建立自動化工作流，將效率提升數倍。文章探討了從工程師思維轉向「老闆思維」，透過設定目標與驗收機制來管理 AI 任務。
- 文章入門中文
从打点酱油到袁朝发（2026-05-月度小结）
作者袁朝發分享斷更七個月的反思，決定將全平台署名改為真名，強調內容需負起責任而非由 AI 接管思考。同時更新書寫進度，說明《大型語言模型：從菜鳥到大師》因工作忙碌暫未完成，並分享投資與生活近況。
- 文章進階中文
Harness Engineering — Agent 不好用，也许不是模型的问题
定義 Harness Engineering 為除模型權重外的一切工程實踐，透過系統提示、工具集、隔離環境與上下文壓縮等機制提升效能。
- 文章高階中文
Kimi K2.5 技术解读：原生多模态联合训练与并行 Agent 编排训练
深度解析 Kimi K2.5 技術，涵蓋原生多模態聯合訓練、Zero-Vision SFT 及 Agent Swarm 並行編排等創新。讀者可掌握反常識的訓練策略與提升效能的 RL 架構設計。
- 文章進階中文
2025，浪潮与拧巴
回顧 2025 年作為父親、打工人與內容創作者的多重挑戰，探討在 AI 浪潮中如何平衡家庭與工作，並反思個人產出與商業化嘗試的得失。文章分享了 Agent 系統設計經驗、技術公開表達的成長，以及對未來擁抱 AI Coding 的展望。
- 文章進階中文
Agent 系统中的 Prompt Caching 设计（下）：上下文管理与子代理架构
深入探討 AI Agent 的上下文管理策略，包括解決上下文腐爛、實現 Cache-Safe 壓縮、演進 Plan 模式以及利用檔案系統作為延展記憶。
- 文章進階中文
Agent 系统中的 Prompt Caching 设计（上）：Cache 破坏、Prompt 布局与工具管理
探討 AI Agent 為何比 Chatbot 更需要 Prompt Caching，並分析會破壞 Cache 的操作如修改 System Prompt 或工具定義。
- 文章高階中文
理解 KV Cache 与 Prompt Caching：LLM 推理加速的核心机制
深入解析 LLM 推理中的 KV Cache 原理，說明 Prefill 與 Decode 兩階段如何分別受算力與記憶體限制，並闡述 Prompt Caching 如何透過字首匹配跨請求加速推理。
- 文章進階中文
DPO 算法原理与代码实现：让 LLM 对齐变得简单
深入解析 DPO 演算法原理，解釋其如何將 RLHF 簡化為只需兩個模型的訓練流程。讀者將掌握 DPO 損失函式的數學推導、手寫核心程式碼，並使用 trl 庫完成完整訓練。
- 文章高階中文
从零手写 RoPE 位置编码：原理、PyTorch 源码实现与可视化理解
深入解析 RoPE 旋轉位置編碼的數學原理與 PyTorch 實作，從旋轉矩陣推導相對位置編碼，並提供可執行的程式碼範例。讀者能掌握 RoPE 的核心思想，理解其如何讓注意力機制依賴相對位置，並透過視覺化輔助直觀理解。