如何让大模型输出稳定的 JSON：从踩坑到最佳实践

一、为什么大模型输出的 JSON 总"翻车"？

你是否有过这样的经历：

你：请返回一个 JSON 格式的用户信息
AI: 好的，这是你要的 JSON：
    ```json
    {
      "name": "张三",
      "age": 25
    }
    ```
    希望这对你有帮助！

大模型微调面试详解：SFT、RLHF、DPO、PPO、强化学习和基模变强后的优化价值

基模越来越强，微调还有没有必要？这篇文章从面试和工程落地角度，系统讲清楚 SFT、RLHF、RL、PPO、DPO 这些概念，以及基模变强后它们的破局点在哪里。

一、先说结论：微调没有消失，只是价值变了

基模越来越强，不是让 SFT、RLHF、RL 消失，而是让它们从"补能力"转向"控行为、控偏好、控成本、控风险"。

打个比方：基模就像一个越来越聪明的"通才大学生"，以前你需要手把手教他客服话术、报告格式、业务流程。但现在这个大学生自学能力极强，你给他一份说明书（Prompt），他就能干得不错。甚至你花三个月培训出来的"专才"，下一代基模一发布，直接就能追上。

Claude Code 大厂面试题汇总：源码泄露、Agent Loop、系统提示词、工具链、上下文管理、安全机制全拆解

一、Claude Code 源码是怎么泄露的？泄露了什么？

面试官常见问法： "你了解过 Claude Code 的源码泄露事件吗？从中学到了什么？"

泄露经过

2026年3月31日，有人发现 Claude Code 的 npm 包（v2.1.88）体积异常——59.8MB，比正常版本大了 10 倍。

生动例子：

2026年RAG大厂面试题汇总：向量检索、混合检索、Rerank、幻觉处理高频问题与回答思路

一、RAG 是什么？为什么需要 RAG？

面试官常见问法： "为什么不让 LLM 直接回答，非要用 RAG？"或者"LLM 的知识截止问题你怎么解决？"

LLM 的三大知识缺陷

① 知识截止——训练数据有截止日期，昨天发生的事它不知道。你问它"2026年3月发布的 XX 框架有什么特性"，它要么瞎编要么说不知道。

② 私有数据无法触达——公司的内部文档、客户数据、业务规则，这些 LLM 从来没见过，直接问就是胡说。

Transformer 大厂面试题汇总：应用开发者视角

现在不管你投什么岗位，面试官都可能问一句：你了解 Transformer 吗？

很多录友的反应是："我又不训练模型，Transformer 和我有什么关系？"

关系大了。

• 你用的 Token 怎么计费的？
• 上下文窗口为什么有上限？
• 为什么模型会"忘记"前面的内容？
• 为什么长对话质量越来越差？
• 为什么 Prompt 结构化比大段文字效果好？

LangChain 1.0 完全指南：从入门到深入

适用人群： AI 应用开发者、LLM 工程师、后端开发者

背景

从混乱到秩序

2022 年，机器学习工程师 Harrison Chase 创建了 LangChain 开源项目，初衷是解决 LLM 应用开发中的"巴别塔困境"——OpenAI、Anthropic、Cohere 等厂商 API 格式各异，开发者需要为每个项目重复实现对话管理、提示模板、工具调用等基础设施，这些工作占据了 80% 的开发时间。

RAG 实战：Document Loader 文档加载器详解

一、前言

在 RAG（检索增强生成）架构中，Document Loader 文档加载器是整个链路的入口第一环。

核心作用：把本地文件、网页、数据库、知识库等各类异构数据源，统一解析为 RAG 标准的 Document 文档对象，为后续文本分割、向量化、向量入库、检索召回提供原始素材。

没有文档加载器，RAG 就无法接入外部私有知识库，也就失去了「私有数据增强大模型」的核心能力。

提示词工程从入门到精通：解锁大模型的“沟通密码”

你有没有过这样的经历？给大模型发一句“写一篇文案”，得到的结果平平无奇；但换一种说法，它却能产出惊艳的内容——这背后，藏着提示词工程的魔力。

提示词工程（Prompt Engineering）不是“玄学”，而是一门“和大模型高效对话的方法论”。就像我们跟不同的人沟通需要调整语气、话术一样，面对大模型，好的提示词能让它精准get你的需求，无需修改模型参数，就能解锁其80%以上的能力。

这篇博客将从“新手入门”到“高手精通”，用最通俗的语言+可直接复制的示例，带你吃透提示词工程，让大模型成为你的“得力助手”，而非“无效工具”。

构建 ReAct+RAG 智能体：从零打造个性化数字人 Demo

前言

在大模型技术迅猛发展的今天，单纯依赖 LLM 的参数知识已无法满足复杂业务场景的需求。ReAct（Reasoning + Acting） 赋予模型动态推理与行动能力，RAG（Retrieval-Augmented Generation） 解决知识实时性与准确性问题，而个性化数字人则将二者融合，为用户提供拥有特定角色设定、记忆与知识体系的 AI 助手。

本文将带你从零开始，构建一个集 ReAct 推理框架 + RAG 知识检索 + 个性化角色记忆 于一体的数字人 Demo，代码可直接运行。

【进阶篇】深入理解 AI Agent：从概念架构到工程实践

前言

随着大语言模型（LLM）能力的快速跃升，AI Agent 已从理论概念走向规模化落地。它不再是简单的"问答机器"，而是能够感知环境、自主规划、调用工具、持续记忆、完成复杂任务的智能体系统。

本文将系统拆解 Agent 的核心概念组成、决策机制、典型应用场景，以及任务拆解方法论（CoT / ToT），同时深入讲解记忆模块设计与工具调用实现，帮助你从原理到实践全面掌握 Agent 工程。

一、Agent 的概念组成