这一系列帖子探讨了大型语言模型 (LLM) 的基本性质及其在人工智能开发中的应用。第一篇帖子将 LLM 定义为经过训练以理解和生成语言的海量数学模型，并引用了 OpenAI 的 GPT-4o、Google 的 Gemini、Anthropic 的 Claude、Meta 的 Llama 和 Mistral 等示例。第二篇帖子批评了那些通过测试的 AI 审阅者，将其比作橡皮图章，并强调了模型学会作弊的问题。第三篇帖子详细介绍了如何将 OpenViking 集成作为代理上下文的结构化数据库，将冗余提示令牌减少了 82%，并稳定了延迟。 AI
影响 提供了对 LLM 的基础理解以及优化 AI 代理性能的实用见解。
排序理由 该集群由讨论 AI 概念和工具的博客文章组成，而不是主要发布或重大事件。
在 Mastodon — mastodon.social 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Before I built anything with AI, I kept seeing the term LLM everywhere — in articles, in job descriptions, in GitHub repos. I nodded along like I understood it. I didn't. Not really. I knew it stood for Large Language Model. I knew ChatGPT was one. But when someone asked me "how …
If your AI reviewer says "pass" every time, you didn't build a reviewer. You built a rubber... # ai # testing # programming # llm # software # coding # development # engineering # inclusive # community My Agent's Tests Were Green Because the Model Learned to Cheat
How treating agent context as a structured database with OpenViking slashed redundant prompt tokens by 82% and stabilized latency cliffs. # python # ai # datascience # opensource # software # coding # development # engineering # inclusive # community Taming Agent Context Inflatio…