LLM
用 Terraform 给 AI Agent 上云（六）：LLM 网关与密钥管理
把所有 LLM 访问收敛到一个网关：按 Agent 限流、请求落 SLS 日志、KMS 之外不留密钥。Terraform 配 API Gateway + ECS 上自托管 LiteLLM，DashScope/OpenAI/Anthropic 的 key 通过 KMS Secrets Manager 自动轮转。
阿里云 PAI 实战（三）：PAI-DLC——不用通宵刨坑的分布式训练
在 PAI-DLC 上提交真实多卡训练任务、看懂三种资源池（灵骏、通用、抢占）、用好 AIMaster + EasyCKPT 让一台抽风节点不会让你白干一天。
阿里云百炼实战（二）：Qwen 文本大模型在生产环境的用法
按延迟和成本选 Qwen 变体、function calling 写对、JSON mode 不再哭、enable_thinking + 流式必绑这条文档没明说的事。
阿里云百炼实战（一）：平台总览与第一个请求
一个工程师视角的阿里云百炼（DashScope）导览——模型目录里真正能用的东西、两种 endpoint 形态、异步任务模式，以及一个 hello-world 请求把后续文章的基础铺好。
推荐系统（十二）—— 大语言模型与推荐系统
LLM 如何重塑推荐系统：增强器（P5、M6Rec）、预测器（TallRec、GenRec）、智能体（LlamaRec、ChatREC）三种角色，混合管线、冷启动突破、Prompt 设计与成本/质量帕累托前沿。
自然语言处理（十二）：前沿技术与实战应用
系列收官：Agent 与工具调用（Function Calling、ReAct）、代码生成（Code Llama、Codex）、长上下文（Longformer、Infini-attention）、推理模型（o1、R1）、安全对齐、评估体系，以及基于 FastAPI + vLLM + Docker 的生产级部署。
自然语言处理（十一）：多模态大模型
多模态大模型深度解析：CLIP的对比学习、BLIP-2的Q-Former桥接架构、LLaVA的视觉指令微调、Whisper语音识别、GPT-4V能力图谱以及MMBench/MME/MMMU评测体系——配可运行代码。
自然语言处理（十）：RAG与知识增强系统
从第一性原理构建生产级 RAG 系统：retrieve-then-generate 概率分解、向量索引（FAISS / Milvus / Chroma / Weaviate / Pinecone）、稠密+稀疏混合检索与 RRF 融合、Cross-encoder 重排、切块策略、查询改写、HyDE，以及 Self-RAG / Corrective-RAG。
自然语言处理（九）：大语言模型架构深度解析
拆解现代 LLM 的内部结构：Pre-norm + RMSNorm + SwiGLU + RoPE + GQA、KV Cache 机制、FlashAttention 的 IO 调度、稀疏 MoE，以及 INT8/INT4 量化。
自然语言处理（八）：模型微调与PEFT
深入参数高效微调：LoRA 为什么用低秩更新就够、QLoRA 把 7B 模型塞进 6GB 显存的内存账本、Adapter 与 Prefix-Tuning 的取舍，以及生产环境怎么选。
自然语言处理（七）：提示工程与In-Context Learning
从提示结构、思维链到 Self-Consistency 与 ReAct：一套关于 In-Context Learning 的工作原理、必须正面应对的方差问题，以及能扩展到生产系统的提示模式。
强化学习（十二）：RLHF与大语言模型应用
RLHF 把基础语言模型变成 ChatGPT 与 Claude 的完整路径：SFT→奖励模型→PPO 三阶段流程、Bradley-Terry 偏好模型、DPO 闭式解推导、RLAIF 与 Constitutional AI、Goodhart 定律下的奖励黑客，以及强化学习在具身智能与推理时搜索中的下一步。
AI Agent 完全指南：从理论到工业实践
面向工程师的 AI Agent 实战指南：规划（CoT/ReAct/ToT）、记忆体系、工具调用、自我反思、多 Agent 协作、主流框架（LangChain、LangGraph、AutoGen、CrewAI）、评估方法与生产部署的全部坑。
浅谈位置编码：从 Sinusoidal 到 RoPE 与 ALiBi
系统梳理 Transformer 位置编码：为什么 Attention 需要它、绝对/相对/RoPE/ALiBi 各方案怎么算、长上下文外推时哪种最稳，以及如何为新模型选型。
Integrating Large Language Models with Graphical Session-Based Recommendation
会话推荐（Session-based Recommendation, SBR）本质上是一个"短历史"问题：你只看到用户在一次会话里很短的一段点击序列（通常 3-20 次），就要预测下一个最可能点击的物品。难点不在概念，而在工程现实——会话短、长尾多、冷启动多，纯靠交互图（ID + 转移边）经常学不稳：新物品几乎没有边，长尾物品的边稀疏且不可靠，再叠加一层用户随手点击的噪声。
多模态大模型与下游任务研究
梳理多模态大模型的核心技术：视觉-语言对齐、跨模态融合、多模态预训练，以及 LLM 在传统 NLP 任务中的应用与优化（提示/微调/蒸馏/检索增强）。
LLM 工作流与应用架构：企业级实战指南
从一次 API 调用到一个生产级 LLM 平台：工作流模式、RAG、模型路由、部署拓扑、成本杠杆、可观测性、企业集成——以及那些真正决定成败的取舍。
提示词工程完全指南：从零基础到高级优化
从零样本基础到思维树、DSPy 和自动化优化，掌握提示词工程。包含基准测试、代码示例和调试工具箱。
优化算法的演进：从梯度下降到 Adam（再到 2025 之后）
一篇文章串起 GD → SGD → Momentum → NAG → AdaGrad → RMSProp → Adam → AdamW，再到 Lion / Sophia / Schedule-Free 的完整脉络：每一步解决了前一步的什么痛点？为什么大模型几乎都在用 AdamW？以及 2023 年之后我们究竟走到了哪里。