传统数据库存的是数字与文字，向量数据库存的是语义向量，支持“找最相似的”这种新查询。它是 RAG、推荐系统、图像检索的共同底座，被称为 AI 时代的基础设施。 向量数据库的兴起说明：当数据...

MCP（Model Context Protocol）是 Anthropic 提出的开放协议，统一了模型与外部工具的连接方式：装一次 MCP 服务器，所有支持它的模型都能用。它正在成为 Agent 生态的“USB 接口”。 MCP 的故...

大模型能解奥数题，却会在“9.11 和 9.8 哪个大”上翻车。它的数学能力是模式匹配而非符号推理——看起来会做题，其实是在模仿见过的解题格式。 这个现象最能说明当前 AI 的本质：它擅长格式与...

AI 编程的能力边界在快速移动：从补全单行，到写整个函数，到理解多文件项目，到自主完成需求。SWE-bench 等基准的分数每年都在大幅跃升。 AI 编程最值得关注的不是替代程序员，而是降低了创造...

大模型的多语言能力极不均衡：英语最好，中文次之，小语种常常一塌糊涂。这不只是数据问题，也关乎 tokenizer 设计与训练资源分配。 多语言问题是 AI 公平性的一个具体侧面：英语世界的人用着更...

语义搜索的原理很简单：把文档与查询都转成向量，算距离找最相关的。它不匹配关键词，而匹配意思，因此能理解“同义不同词”的查询。 语义搜索的体验提升是质变的：搜“怎么让电脑快点”能找到...

模型给出的是每个词的概率分布，最终说什么由解码策略决定：贪心解码总是选最高概率（稳定但死板），束搜索平衡质量与多样性，采样策略带来创造力与意外。 解码策略的存在说明：同样的知识储备...

端侧大模型把几十亿参数的模型装进手机和 PC，数据不出设备、无需联网、零调用成本。它正在重塑 AI 的部署形态——不是所有智能都需要云端。 端侧 AI 的意义超出技术本身：它意味着智能可以离线...

裸模型只是半成品，真正交付价值的是围绕它的服务层：限流、计费、负载均衡、缓存、内容审核、监控告警。这些“无聊”的工程，才是 AI 产品稳定运行的核心。 这个道理对所有技术创新都成立：聚...

Function Calling 让模型能“调用”外部函数：你说想查天气，模型生成一个 get_weather(location) 调用，系统执行后把结果返回给它。这是 AI 从“聊天”走向“办事”的技术基础。 Function Call...

代码解释器让模型在沙箱里写代码并实际运行——做数据分析、画图表、解方程、处理文件。它弥补了语言模型不擅长精确计算的短板，是 AI 数据分析的基石。 代码解释器体现了一个深刻转变：最强大...

大模型的知识止于训练截止日。联网搜索让它在回答前先检索最新信息，把“过时”这个致命缺陷补上了。搜索增强已成为 AI 助手的标配能力。 联网搜索让 AI 从“回顾过去”变成“面向当下”。这也...