sshipanoo

最简单的模型：先让训练循环运转起来

搭建一个只依据前一个字预测的 Bigram 模型，目标不是模型能力，而是让输入数据、计算损失、调整参数这一完整训练循环首次运转

把文字变成数字：分词与编码

计算机只能处理数字，所以训练的第一道工序是为每个字符分配编号，并借此厘清 token 这一关键概念

模型到底在学什么

把模型训练这件事从头说清楚：语言模型的本质是预测下一个字，训练就是反复调整参数让预测更准确

MCP：自己动手写一个 Server

讲清 MCP 和 Function Calling 的关系，并从零实现一个 MCP Server，覆盖场景设计、调试与测试

番外 16：uvicorn --reload 与本地大模型的相处难题

为什么每次保存代码 BGE-M3 都要重新加载？从 uvicorn reload 的进程级机制讲起，到三条解决路径

Agent 不只是套个循环

从 ReAct、Plan-and-Execute 到记忆、多 Agent 协作和 LangGraph，把 Agent 的骨架和成本讲透

番外 15：RAG 评估方法，把感觉变成数字

怎么衡量 RAG 系统的检索质量与回答质量：Recall / MRR / NDCG、Faithfulness / Answer Relevance、Ragas 工具、LLM-as-judge 的坑

Function Calling 用好了才叫工具调用

多工具选择、工具链嵌套、失败回退和工具设计原则，讲清 LLM 调工具为什么不是把函数签名贴进去

番外 14：向量数据库 Qdrant 实战、混合检索与 Reranker

Qdrant 部署与使用、向量库选型对比、BM25 + 向量混合检索、RRF 融合、BGE-reranker / Cohere 精排——RAG 检索栈一篇拉通

你的 RAG 为什么回答得不好

从向量检索天花板到混合检索、Rerank、HyDE 和评估指标，把 RAG 失效点逐层拆开