入门：搭起概念骨架
先理解模型如何表示文字、利用上下文并产生下一个 token。
- 分词、向量与位置
- 注意力与 Transformer
- 预训练与上下文窗口
LEARNING PATH
从术语理解，到可验证实践
不追逐零散技巧，按基础、方法和工程三个层次建立知识之间的联系。
进阶：建立评估方法
把“感觉更好”变成可以重复、对比和解释的观察结果。
- 提示词与结构化输出
- 基准、样本与误差分析
- 检索增强与引用链
实践：控制系统边界
让模型在受控工具、可追踪数据和明确失败路径中完成任务。
- Agent 与工具调用
- 本地部署与量化
- 隐私、安全与成本
SELECTED NOTES
从一个问题开始的学习笔记
每篇笔记都尽量回答“它是什么、为什么成立、在哪里会失效”。
注意力机制到底在计算什么
从查询、键和值的角色出发，理解模型为什么能够为当前 token 选择不同的上下文信息。
阅读全文RAG 的关键不是检索，而是证据链
把切片、召回、重排、引用和拒答连成一条可诊断的链路，才能判断错误从哪里发生。
阅读全文先做基线，再讨论模型是否变好
一套小而稳定的样本、评分规则与失败分类，比单次演示更能说明改动是否有效。
阅读全文MODEL WATCH
记录能力，也记录边界
模型观察不是排行榜，而是围绕任务、证据和失败模式整理的阶段性记录。
长上下文不等于稳定记忆
窗口变长扩大了可输入范围，但信息位置、干扰内容和任务结构仍会影响提取质量。
工具调用需要明确失败路径
参数验证、权限边界、超时和重试决定了 Agent 系统能否稳定，而不只是模型会不会选工具。
输出结构是一份接口契约
结构化输出减少解析歧义，但仍需验证字段、范围和业务约束，不能只检查 JSON 是否有效。
