From Large Language Models to Reasoning Language Models - 计算时代的3个发展阶段
From Large Language Models to Reasoning Language Models - Three Eras in The Age of Computation.
Era of model size scaling 模型规模扩展的时代
2017 - Transformers “Attention is All you Need”
- 核心思想与贡献
目标：用纯注意力机制（无需RNN/CNN）解决序列建模问题，实现并行化训练并捕获长距离依赖。
关键创新：
**自注意力（Self-Attention）**：动态计算序列中所有位置间的关联权重。
**多头注意力（Multi-Head Attention）**：并行学习不同子空间的注意力模式。
**位置编码（Positional Encoding）**：注入序列顺序信息，替代RNN的时序性。
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 提拉的Studio！
相关推荐
2025-07-18
AI大模型基本原理及API使用
AI大模型基本原理及API使用AI大模型（如GPT、LLaMA、Claude等）的核心原理及API使用涉及多个技术层面。以下从基本原理、关键技术和实践API调用三个维度展开说明： AI大模型基本原理 核心架构（以GPT为例） graph TD A[输入文本] --> B[Token化] B --> C[嵌入层：转换为768/12288维向量] C --> D[多层Transformer解码器] D --> E[输出概率分布] E --> F[采样生成文本] Transformer结构：基于自注意力机制（Self-Attention），每个token可并行处理训练目标：通过海量文本的“下一个词预测”任务（如Google的BERT采用MLM不同） 以上架构是用来不断生成下一个词，但是往往是顺着prompt说话的捧哏的角色，回答往往差强人意。大模型之所以能够给出优秀的令人满意的回答，训练过程离不开reward model。 关键技术指标 参数 GPT-3 LLaMA-2-70B C...
2025-07-18
Agent
AgentAgent是一种基于大型语言模型的智能体，能够通过自主感知、规划、决策和执行完成复杂任务。它具备环境交互能力，可调用工具、记录历史信息，并根据目标拆解问题步骤，最终输出解决方案。 Agent就像一个全能助手，不仅可以回答问题，还能主动帮你完成任务，会做事。 Agent原理Agent的核心架构包括大语言模型（理解意图）、记忆模块（记录长期经验与短期上下文）、规划模块（拆解目标为子任务）和工具调用模块（执行如搜索API、写代码等操作）。通过模仿人类“目标-反思-行动”的思维链，实现任务闭环。 Agent实践案例会议助手：自动预定会议、发送通知、总结纪要，还能跨平台搜索并整理资料。个人助手：如“扣子”平台，用户可通过拖拽工具模块（日历、支付等）自定义Agent，实现自动记账、会议提醒等功能。智能客服：用户提问时，Agent先检索知识库，再调用订单查询接口，最终用自然语言生成回复，并记录问题到“长期记忆”以优化后续服务。 总结大模型Agent是能独立完成复杂任务的智能体，技术核心在于模拟人类思维链，结合记忆、规划和工具调用。当前已应用于客服、办公等场景，未来可能成为AI领域的“...
2025-07-18
Deepseek使用与Prompt工程
Deepseek使用与Prompt工程AI大模型（如GPT、LLaMA、Claude等）的核心原理及API使用涉及多个技术层面。以下从基本原理、关键技术和实践API调用三个维度展开说明： AI大模型基本原理 核心架构（以GPT为例） graph TD A[输入文本] --> B[Token化] B --> C[嵌入层：转换为768/12288维向量] C --> D[多层Transformer解码器] D --> E[输出概率分布] E --> F[采样生成文本] Transformer结构：基于自注意力机制（Self-Attention），每个token可并行处理训练目标：通过海量文本的“下一个词预测”任务（如Google的BERT采用MLM不同） 以上架构是用来不断生成下一个词，但是往往是顺着prompt说话的捧哏的角色，回答往往差强人意。大模型之所以能够给出优秀的令人满意的回答，训练过程离不开reward model。 关键技术指标 参数 GPT-3 LLaMA-2-7...
2025-07-18
Embedding与向量数据库
From Large Language Models to Reasoning Language Models - Three Eras in The Age of Computation. Era of model size scaling 模型规模扩展的时代2017 - Transformers “Attention is All you Need” 核心思想与贡献 目标：用纯注意力机制（无需RNN/CNN）解决序列建模问题，实现并行化训练并捕获长距离依赖。 关键创新： **自注意力（Self-Attention）**：动态计算序列中所有位置间的关联权重。 **多头注意力（Multi-Head Attention）**：并行学习不同子空间的注意力模式。 **位置编码（Positional Encoding）**：注入序列顺序信息，替代RNN的时序性。
2025-07-18
LoRA
LoRA Low-rank adaptationLoRA（低秩自适应）是一种参数高效微调（PEFT）方法。其核心思想是通过低秩矩阵分解模拟大模型参数的增量更新：冻结预训练模型权重，仅在原始权重旁注入可训练的秩分解矩阵（一对小型线性投影矩阵），通过矩阵乘法实现参数调整。该方法显著减少需优化的参数量（通常降至原模型的0.1%），同时保持原始模型结构不变。 graph LR A[加载预训练模型] --> B[冻结所有权重] B --> C[识别关键层插入LoRA模块] C --> D[仅训练LoRA矩阵A/B] D --> E[保存LoRA权重文件] E --> F[实时加载适配器预测] LoRA原理核心原理：冻结权重+低秩分解 LoRA的革新性在于以下核心技术： 1.冻结原始模型 保持预训练模型的所有权重固定不变 避免对原始知识造成干扰 2.创建低秩适应矩阵12345678910111213141516171819202122232425262728293031323334353637383940414...
2025-07-18
MCP
MCP Model Context ProtocolMCP(模型上下文协议)是由Anthropic于2024年11月提出的开放协议，旨在为大语言模型与外部数据源、工具之间建立标准化接口。它采用客户端-服务器架构，定义统一的通信规范，使大模型能动态调用实时数据（如数据库、API）和功能（如绘图、文件操作），打破模型训练的信息孤岛。 MCP就像一个万能插座，让大模型能即插即用地连接各种工具和数据。比如，原本大模型不知道今天天气，但通过MCP协议，它能调用天气预报接口，像人一样实时查数据回答问题。 MCP原理MCP Host（主机环境）：集成大模型的应用程序（如VSCode Copilot，Dify，Coze），负责执行AI任务并运行MCP客户端。MCP Client（客户端）：作为中介模块（如Cursor），在主机环境中管理通信，向服务器查询可用工具列表、转发调用请求，并处理响应。MCP server（服务器端）：封装外部工具接口（如数据库、API）。 MCP就像工厂流水线，主机运行AI大脑干活，客户端负责传话找工具，服务器存着数据库等外挂设备，客户端把需求告诉服务器，拿到结果再传回...
