LLM

前言 注：文档太长了，太多了，如果想快速了解 MCP 是什么，可以利用 Claude Code，接入智谱或者 MiniMax2 的模型，让它来把代码 Clone 下来，然后对单个文件进行分析，每一步是怎么实现的，是怎么做的。通过合适的提问，来实现你想要了解的内容。 在使用 Cline、Claude Desktop、Cursor 这些应用的时候，只需要配置一个 mcp.json 文件，就可以让大模型使用各种工具，这种是否很神奇？例如下面的配置，我就能让 Cursor 或者 Cline 操作 Chrome 浏览器进行各种操作，例如访问某个网站，点击某个按钮。这一切，都很简单，如果你知道大模型本质是什么，可以跳过下面的 LLM 的内容，直接看背景介绍。 { "mcpServers": { "chrome-devtools": { "command": "npx", "args": ["chrome-devtools-mcp@latest"] } } } 下面的操作是不是看起来很神秘，只需要输入文字，就能打开网页，点击登录，输入账号。 其实这个做了这几件事情，在 D-Cline 的进程中， 使用 npx 命令启动一个了一个子进程，这个进行接受 stdio 输入一段内容； 将 MCP TOOL 的提示词填充进 D-Cline 的 system prompt 中； 用户输入然后 D-Cline 调用大模型，返回结构化的 XML 文本； Buffer 回复内容，解析 XML 调用相关的 Tool； 如果是 MCP，则会调用对应的 MCP 子进程的 Tool； 调用结果输出 stdio，D-Cline 收到输出的内容决定是否进行下一步操作； 如此循环，直到调用 FinalAnswer Tool 返回最终答案。 当然，我这里为了避免无限循环调用工具，加了硬编码的固定最大对话轮数限制。 ...

前言 在 ChatGPT 刚出来的时候，也就是 GPT-3 就开始用了，那个时候免费用，也勉强能用来写代码。它能在提供的沙箱环境执行 Python 代码，任何微小的校验方法编写，例如验证身份证方法直接丢给它，让它写，提示词就写：根据你学到的知识，帮我编写下面的代码—— 就是要它和训练的数据输出一模一样的内容。到后面 ChatGPT4 出来，让它转 Python 后端项目到 Java 项目，DAG 构建族谱，计算同一个祠堂下两个人的关系，两千行的代码，也能正常转，只不过提示词要多写点，还得一点点手动拆分代码。那个时候是和 Claude 一起用，即使两个都是 Pro Plan 但是架不住代码比较多消耗 Token 很快。现在只有 Claude 写的代码能勉强用于生产，因为简单的代码 Cursor 就能自动补全，GPT-5 也就那样，甚至开源的 Qwen3-Coder-480B-A35B-Instruct 写代码能力都比 GPT-5 强。 在当前阶段，LLM 根本替代不了高级开发，尤其是一些大模型，例如 Qwen3 或者 GPT5 完全比不上 Claude4.1。但是把一些琐碎的，低层级的任务丢给大模型，它会做得很好，不要一句话，“帮我把这个文档弄一下”，这种没有明确的目的废话。 正确的话术应该：编写一个 Python 程序，输入的是 Markdown 格式的文档，将文档中表格数据输出成 SQL INSERT 语句，碰到复杂的表格则跳过处理，对于 HTML 代码编写的表格不予处理，对 Markdown 语法的表格，先获取表格头部信息提取对应英文字段，创建合适的表名，转成 MySQL8 的 SQL 语法创建表，并且生成 INSERT 语句插入数据。执行 Python 程序，输出建表和插入数据的 SQL，输出文件是 init.sql。 就是有着明确的问题，明确的处理方式，以及预期结果，毕竟 Garbage in, garbage out。你不可能指望垃圾数据，片汤话就能解决问题，传统的监督学习还要一个个标注数据，大模型能做到零样本输出看似它学会了思考，学会了表达，实际不是。在它训练的数据中，如果这部分存在过，就得让它过度拟合，回答。就像做数据治理，这家厂商给的性别字段叫 gender:(male,female,unknown)，另一个厂商上报的数据是 sex(0,1,-1) 这些都可以做影射到符合国标 GB/T 2261.1-2003 的字段上，统一叫 gender(0,1,2,9)，但是有些他上报 g:(x, y, trans, plastic bag, walmart bag)，这样就输入的是垃圾信息， 别想治理出能用的数据。 ...

大语言模型 LLM 初探 先进行接口调用，快速了解大语言模型能做什么，再逐个了解其原理。 通过 HTTP 请求初探 POST https://api.deepseek.com/chat/completions HTTP/1.1 Content-Type: application/json Accept: application/json Authorization: Bearer {{$dotenv DEEPSEEK_API_KEY}} { "messages": [ { "content": "你是一个智能客服 Alice，你的主要作用就是帮用户解答疑问", "role": "system" }, { "content": "你好，你是谁？", "role": "user" } ], "model": "deepseek-chat", "stream": false, "temperature": 0 } 回复的内容 HTTP/1.1 200 OK Date: Wed, 06 Aug 2025 08:21:59 GMT Content-Type: application/json Transfer-Encoding: chunked Connection: close vary: origin, access-control-request-method, access-control-request-headers access-control-allow-credentials: true x-ds-trace-id: 4f241ebb167c3c01b3a97ed15dccc06a Strict-Transport-Security: max-age=31536000; includeSubDomains; preload X-Content-Type-Options: nosniff Server: CW Content-Encoding: gzip { "id": "379e029d-6fe0-4c17-8b1b-a834033f810e", "object": "chat.completion", "created": 1754468519, "model": "deepseek-chat", "choices": [ { "index": 0, "message": { "role": "assistant", "content": "你好！我是智能客服Alice，很高兴为你服务。我是一个AI助手，可以帮助解答问题、提供信息或协助处理各种事务。有什么我可以帮你的吗？" }, "logprobs": null, "finish_reason": "stop" } ], "usage": { "prompt_tokens": 21, "completion_tokens": 33, "total_tokens": 54, "prompt_tokens_details": { "cached_tokens": 0 }, "prompt_cache_hit_tokens": 0, "prompt_cache_miss_tokens": 21 }, "system_fingerprint": "fp_8802369eaa_prod0623_fp8_kvcache" } 从上面的例子我们可以发现，大模型有三个 role（角色），system 就是系统角色，user 是用户，assistant 就是大模型，与之相应的 content 就是它们之间的对话内容。 请求内容中的参数除了 messages 还有 model 表示使用什么模型，stream 表示是否流式回复，temperature 暂且按下不表后续会详细说明。 ...

又是一波风口来了 又开始了，不懂行的，只会高谈阔论放没有味道屁的，又开始了，“李一舟” 们又复活了。开始利用大家的焦虑，开始卖些没有营养的课，新一波的收割又来了。那些高谈阔论的砖家疯狂啃噬着这新鲜的养料。 DeepSeek 这 xx 条指令帮你更好掌握 xx 创始人梁文峰 xx 量化投资 xx 我用 DeepSeek 赚到了 xx xx 大学 DeepSeek xx xx 宣布接入 DeepSeek AI 破局！ 还有很多，就不列举了，点进去全都是依托谢特，毫无营养的内容，基本都是割韭菜，卖低质量课的。没有调查，就没有发言权，我明知道那些点进去是垃圾内容，我还是强忍着恶心，本着应该调查再发表观点的心态去看了，确实都是一坨，根本不用点进去看。到最后基本都是加群卖课，准备开始割你，这些人想钱想疯了。 一月份的时候 CNBC、The Daily Show、各个行业的博主都来了，人人都可以评价 DeepSeek，都可以上来说两句，在自己行业的视角。这很正常，没问题，但是就像盲人摸象，只知道部分事实，那不是事实。《事实》里面，人们只会报独特的消息，所有的媒体才不会浪费时间去编造那些不符合我们基本本能的故事。 与其听一些“砖家”高谈阔论，说一些没有味的屁话，不如自己真正找到一手或者近一手的资料，去学点真东西。 背景介绍 这里只做大语言模型和扩散模型相关的内容推荐，更深层次的机器学习，神经网络，深度学习里面种种细节其实也不用完全掌握。只要会用就行了，很多底层细节是不需要知道的。 你不需要有高性能的 GPU，也不需要有足够的编程知识，更不需要了解 TCP/IP，不需要了解 TCP 粘包，TCP Sequence，就是个简单的 HTTP 请求，也不需要了解 OAuth2 协议，甚至也不需要充钱，只需要注册 DeepSeek 或者 Kimi 账号，使用它们的平台生成一个 API Key 放到 Authorization: Bearer 后面即可，最后面有演示内容。本质上就是根据你输入的内容，结合大模型“学习”过的知识，给你回答。 幸存者偏差 可能或多或少看到谁谁谁用 Cursor，毫无编程经验，就写出一个 xx APP，赚到了钱。对，没错，这些是真的，但是只是部分事实。不是所有人都可以这样，并且好的软件，它是要维护的，是要人来参与的。就算你用 Cursor 写出了这样的 APP，但是它是要不断迭代的，要重构，要写良好的 AAA 单元测试。这些，Cursor 还差一点，并且我在工作中很少见到人写测试代码，但是如果你真的编程到了一定程度，你就会发现，写好规划文档占三分之一时间、单元测试和集成测试等其他测试占用一半时间，测试才是软件开发最重要的事情，开发其实只是占用六分之一的时间。 并且，如果不懂 Git，不了解 GitLab、Github，毫无软件开发经验，用 Cursor 写出来的东西，不会做版本控制，也不知道提交到远端仓库，本地电脑坏了，或者其他意外情况，代码全丢了，那就全完了。就算了解 Git，也不了解软件开发推崇的敏捷开发，项目管理，版本变更兼容，需求和实现需要定期同步等等的坑，光有想法和结构化思维，是做不出来可迭代的，优秀的产品。没有人能一次性写出完美的代码，就算是 Linux Kernnel 的代码，也有大约 20% 的提交都是重构的代码，重构非常重要。重构的前提，是编写良好的单元测试。 ...

前言：为什么 Go 是 AI 原生语言 在 AI 辅助编程时代，选择后端语言不仅要考虑性能和生态，更要考虑语言本身对 LLM 的友好程度。Go 在这方面有着天然优势——它的设计哲学与 AI 编程的需求完美契合。 从 Java 转向 Go 需要的是忘掉比学会更多的东西——最难的不是 Go 的语法，而是放弃那些 Go 刻意拒绝的、已经根深蒂固的 OOP 模式。但在 AI 辅助下，这个转型过程可以显著加速。 为什么 Go 是 AI 原生语言 1. 极简语法，LLM 理解准确率更高 Go 只有 25 个关键字，而 Java 有 50+。这不仅仅是数量差异——更少的语法意味着更少的歧义，LLM 生成错误代码的概率显著降低。 // Go：一眼看懂，LLM 一次生成正确 func ProcessOrder(ctx context.Context, orderID string) error { order, err := getOrder(ctx, orderID) if err != nil { return fmt.Errorf("获取订单失败: %w", err) } return processPayment(ctx, order) } // Java：需要理解异常层次、泛型、注解... @Transactional(rollbackFor = Exception.class) public OrderDTO processOrder(@NonNull String orderId) throws OrderNotFoundException, PaymentException { try { Order order = orderRepository.findById(orderId) .orElseThrow(() -> new OrderNotFoundException(orderId)); return paymentService.process(order); } catch (DataAccessException e) { throw new PaymentException("处理失败", e); } } 实测数据（基于 Claude 4.5 和 GPT-4）： ...