这个站已经积累了数百篇文章。按发布时间逐篇翻，很容易在几个相似系列之间来回跳。更省时间的办法，是先看自己想解决什么问题。

我刚开始接触语言模型

先读《模型到底在学什么》。mini-gpt 系列用 PyTorch 从字符预测写到完整 GPT 结构，适合已经会写一点 Python、但没有系统学过神经网络的读者。

如果你的目标不是训练模型，而是调用模型完成一个应用，转到 AI for Python。这条路线从 API 调用开始，逐步加入结构化输出、Embedding、RAG、工具调用和本地模型。

我正在开发 LLM 应用

先确认问题处在哪一层：

• 检索结果不准，读向量数据库系列和 RAG 相关文章。
• 推理延迟或显存占用过高，读模型推理优化系列。
• 需要从 API、Prompt、工具调用走到完整应用，读 LLM 进阶系列。

这些系列会有少量概念重叠。区别在于观察角度：向量数据库关注检索结构，推理优化关注模型服务，LLM 进阶关注应用端的调用与控制。

我想理解 Agent 为什么会成功或失败

Agent 运行时实验室是当前主线。它不把 Agent 当成一个模型功能，而是拆成上下文组装、工具协议、权限、状态、恢复和评测。

如果你还不熟悉 ReAct、规划、记忆和工具调用，先看Agent 模式手册。已经做过 Agent 项目，可以直接进入运行时实验室，按手头问题选篇阅读，不要求顺序读完。

这里的文章怎样得出结论

技术文章会尽量区分三类信息：

• 请求、响应或日志里可以直接找到的事实；
• 只改变一个变量后得到的实验结果；
• 根据协议和故障轨迹提出的工程判断。

产品版本、模型行为和云服务接口都会变化。涉及这些内容时，以文章标注的测试环境和验证日期为准。没有证据支撑的部分，我会明确写成推测，不把它包装成产品内部事实。

旧文章怎么处理

这个站也保留了一些早期的 Linux、部署和旅行记录。它们代表当时解决过的问题，但不再与新的 AI 系列争夺首页入口。内容为空、步骤失效或尚未验证的页面会先转为草稿，补齐后再发布。