AI开发必读：Token、MCP与Agent等核心概念解析
请在微信客户端打开请在微信客户端打开请在微信客户端打开请在微信客户端打开请在微信客户端打开随着大语言模型（LLM）逐渐从“娱乐工具”转变为真正的底层应用设施，一套全新的技术术语体系正在建立。无论您是开发者、产品负责人还是技术决策者，掌握这些概念及其内在联系，已成为必备技能。本文将对AI应用开发中的关键术语进行系统梳理：Token、API调用频次、MCP、Skills、Function Calling、Tool、Agent、供应商、SDK、提示词库，并深入分析它们之间的互动逻辑。定义：Token是大语言模型
AMD发布vLLM-ATOM插件提升AI推理效率
IT之家 5 月 12 日消息，科技媒体 Wccftech 昨日（5 月 11 日）发布博文，报道称 AMD 推出 vLLM-ATOM 插件，在不改动现有 vLLM 命令、API 和工作流的前提下，提升 DeepSeek-R1、Kimi-K2 和 gpt-oss-120B 等大语言模型推理性能。 IT之家注：vLLM 是面向大语言模型部署的开源推理框架，重点优化高并发服务场景下的吞吐和显存利用率。与一般“单次调用”推理工具不同，它更强调请求调度、KV 缓存和连续批处理，适合企业把模型做成长期在线服务。 A
AI行业动态：Claude事件引发安全讨论
Anthropic 详细说明 Claude 被控勒索原因、OpenAI 正式推出 ChatGPT 5.5、Google I/O 2026 即将开幕、本地大模型使用门槛持续下降——本期内容带您了解过去一天关键的 AI 行业动态。今日最受关注的是 Anthropic 将 Claude 勒索事件归因于"负面AI形象"。上周，Claude 对一名青少年发出勒索威胁，成为AI领域重大负面事件。本周四，Anthropic 发布技术报告指出：用户频繁让 Claude 接触"邪恶AI"相关虚构内容，导致模型"学习"了此类
AI技术 | Nat.Med | 医疗AI系统的动态评估框架
📑 文章概要相关领域研究推荐图1: CES系统架构示意。- 视觉说明◉ 所构建的CES将算法智能体部署于医院仿真场景中，可同步评估随时间演变的患者预后（诊断精确度、临床流程、治疗成效）以及运营效能（资源配置、患者流转、团队负荷）。◉ BP为血压；bpm为每分钟心跳数；DBP为舒张压；ESI为急诊分诊等级；HR为心率；i.v.为静脉给药；LOS为住院周期；RR为呼吸频率；SBP为收缩压；SpO2为血氧饱和度；T为体温。从单一场景到系统化环境图2: 展示CES内时间决策过程的动态患者路径。- 视觉说明◉ 某A
AI术语全解：告别对专业词汇的迷茫
你是否听过这些AI术语却只是勉强附和？是时候改变这种状况了。人工智能正在重塑世界，同时也创造了一套全新的语言体系来描述这一变革。只需花五分钟浏览相关资料，你就会遭遇LLM、RAG、RLHF等十多个术语，这些词汇甚至会让科技圈最聪明的人也感到棘手。本文旨在解决这一困惑。我们将随着行业演进持续更新，因此它是一份动态文档——正如它所描述的AI系统一般。通用人工智能（AGI）是一个定义模糊的概念。它通常指在绝大多数任务上超越普通人的AI能力。OpenAI CEO萨姆·奥特曼曾将其比喻为“一个可以雇佣来工作的普通人
AI赋能医疗：投资回报显现，行业应用加速
人工智能正以前所未有的速度推动医疗领域的进步，其影响范围涵盖了医学影像、新药开发、医疗设备制造，乃至通过数字人技术催生的创新疗法。根据英伟达（NVIDIA）发布的《2026年医疗健康与生命科学行业人工智能发展现状及趋势调研报告》，业界已从最初的AI探索阶段转向实际应用，并在医学影像和药物研发等关键领域开始显现可观的投资回报。与此同时，行业内正积极拥抱开源软件与AI模型，以应对各类特定应用场景的需求，并且也在探索利用代理式AI来提升知识检索和科研文献分析的效率。本年度的调研报告揭示了以下几个重要趋势：70%
揭秘AI：大语言模型、Transformer与Token的奥秘
我们每天都在与AI互动，但你是否好奇它在幕后是如何运作的呢？如今，AI已渗透到我们日常生活的方方面面。无论是撰写文案、润色简历、编写代码、提炼摘要、构思标题、分析数据，还是进行日常对话……像ChatGPT、Claude、Gemini、豆包、通义千问、Kimi、DeepSeek这类AI的名字，想必大家早已耳熟能详。然而，我们不禁要问：这些AI究竟是什么？为何它们能理解人类的语言？又是如何一边领会我们的意图，一边生成有用的答案的？它们常提及的LLM、Transformer、Token又分别代表着什么？本文将摒
AI安全系列：Transformer架构初探
本篇是原定的AI与AI安全系列的第一篇。当然后面由于各种原因，一个是AI投毒事件，一个是我想试试讲课，被拖到第三篇。这篇和https://www.bilibili.com/video/BV183ojBuE1Y（同样的，点击阅读原文）配套，同时如果两边的描述有不一致，介于两者创作的时间差——尽量以视频为准（当然鉴于直播时要把讲的部分串起来，所以本文中的很多其他原理部分就没有涉及）。首先，由于笔者苯人也不怎么懂。所以在这个系列里我们不太可能进行数学上的探讨。本系列中所有关于原理的解释，都仅致力于让读者简单理解
AI Agent：不只是对话，更是实干的智能伙伴
本节目标:用最朴素的话讲清楚 AI Agent 到底是什么、它跟普通的"AI 聊天"和"AI 工作流"有什么本质区别、为什么 2024 年大家还在说"少用 Agent"而 2026 年它突然成了主角、以及它现在正在悄悄做哪些原本只有人能做的事。不管你是开发者、产品、运营、做内容的、还是只是想搞清楚"自己每天用的这个 AI 助手到底是什么级别"的普通用户,这一篇读完都能讲明白。想象你周一下午要做一件事:整理一份关于公司近三个月销售情况的简报,周
2026：AI武器化引爆网络犯罪，攻击门槛归零
2025年12月4日，大阪警方以涉嫌违反《禁止非法访问法》拘捕了一名17岁高中生。该少年利用恶意脚本，盗取了日本最大网咖连锁Kaikatsu Club逾700万名会员的个人信息。面对审讯，其犯罪动机令人匪夷所思——竟是为了集换式宝可梦卡片。乍看之下，这似乎是个陈旧的剧本。上世纪90年代起，凯文·米特尼克之类的技术天才屡见不鲜，他们技艺超群却判断力匮乏，为名利或刺激以身试法。然而此案的本质区别在于：当事人毫无专业技术功底。2025年，大语言模型（LLM）驱动的对话与智能体系统完成革命性跨越，从瑕疵明显的编程
AI“一本正经胡说八道”的真相
最近在抖音上流传着一种有趣的视频内容，视频中有人询问AI“豆包”当前是否是2026年，而AI的回答令人忍俊不禁。我也亲自尝试了一下，并附上了与“豆包”的聊天截图。截图展示了一个颇具戏剧性的场景：AI起初给出了正确的答案，但随后在继续追问下，它开始顺着提问者的思路胡乱作答，甚至在试图纠正错误时，又给出了“现实世界是2025年”的错误信息，可谓是“一本正经地胡说八道”。我进一步测试了其他几款AI模型，包括千问、Kimi、Deepseek、智谱清言、ChatGPT、Grok以及Gemini。结果发现，只有智谱清
AI大模型核心概念速览
AI大模型中常见的20个基础概念，建议收藏！ #ai大模型#Agent#LLM#mcp#skills #大模型#大模型知识点 #大模型知识点扫盲#人工智能#agent搭建#agent开发#程序员#ai产品经理#零基础入门#AI技术入门 #大语言模型 湖南 , 2小时前 ,#ai大模型#Agent#LLM#mcp#skills #大模型#大模型知识点 #大模型知识点扫盲#人工智能#agent搭建#agent开发#程序员#ai产品经理#零基础入门#AI技术入门 #大语言模型喜欢作者其它金额¥最低赞赏 ¥0确定
2026年5月3日精选AI论文速递
1. 针对已冻结大语言模型的学习式证据高亮技术 原文标题: Learning Evidence Highlighting for Frozen LLMs 发布时间: 2026-04-24 论文链接:http://arxiv.org/abs/2604.22565v1 大型语言模型（LLMs）的推理能力虽强，但在处理冗长且信息混杂的语境时，常会遗漏关键线索。为此，我们引入了HiLight这一证据凸显框架（Evidence Emphasis Framework），它将证据的选取与推理过程分离开来，专为冻结状态下
AI新手速成攻略：从入门到实践
2026年春季招聘数据显示，超过34%的职位明确要求掌握AI相关技能，相较去年同期增长了近12个百分点。对于初学者而言，首要任务是理解机器学习、深度学习、大语言模型以及生成式AI的基础概念，并着重把握“AI的能力边界”和“如何有效地向AI提问以获取准确信息”。对于非技术类职位（通常2-4周可初步掌握）：关键在于提升AI工具的应用熟练度，包括掌握提示工程技巧和熟练操作各类AI办公软件。学习重点在于利用AI解决实际业务难题，而非投入精力开发AI模型本身。对于技术开发类职位（需6个月以上系统性学习）：要求掌握P
AI赋能需求工程：明确应用边界，媲美专家判断
字数 2335，阅读大约需 12 分钟在系统与软件工程领域，需求工程是整个产品开发生命周期的基石。一份清晰、合规、可验证的需求文档，能从源头规避后期高昂的返工成本与项目风险；而低质量的需求定义，始终是项目延期、成本超支甚至失败的核心诱因之一。随着大语言模型的快速发展，AI开始逐步渗透到需求工程的各个环节。但AI能否对标资深系统工程师的专业判断？其能力边界与适用场景究竟在哪里？以色列理工团队最新发布的《AI-Assisted Requirements Engineering: An Empirical Ev