归档

讨论AI与就业，最常见的问题是：哪些职业不会被替代？这个问题把分析限制在技术能力上，试图通过机器暂时不会做的事情寻找长期安全。然而，技术突破会消除能力缺口，企业也会在岗位完全自动化之前减少招聘。对个人更重要的问题是：当完成工作的成本持续下降，收入为何仍会分配给某些人，又通过什么机制停止分配给另一些人

我最初注意到 GPT‑6 的 Steer，是因为它听起来终于解决了一个很自然的需求：模型还在工作，用户就能追加要求，让它调整方向。再加上异步工具调用和 WebSocket，很容易让人产生一种期待——模型一边推理，一边接收新信息，并随时改变接下来的输出。 这到底是推理方式发生了变化，还是客户端把传统的

一个流行的想法是：模型已经足够聪明，不如让它管理自己的上下文——按需挑选工具、随意图切换系统提示词、在长对话中删改自己的历史。表面上，这是把控制权交给最了解任务的一方；实际上，这是让住户拆改承重墙。 第一处塌陷是单调性。上下文的可解读性依赖一个隐含前提：此刻的模型与过去的模型看到同一份规则。若第五步

写 prompt 的人和写 agent harness 的人看 LLM 调用的角度不一样。 上下文工程的视角里，LLM 调用是一个抽象的 messages 数组：[system, user, assistant, system, ...]。任务是设计这个数组的内容，怎么通过编排上下文数组的结构，约束

本文从最简单的 LLM 纯对话模式入手，逐步引入 Agent 工具调用和子 Agent 进程管理，完整解析系统中断（Cancel）的实现原理。 1. LLM 模式中断：最简单的情况 1.1 LLM 模式的流式调用 在 LLM 模式下，系统只有两个核心组件参与： ChatHandler：主循环，负责驱

Hook 系统技术文档 1. 概述 Hook 系统允许 Skill 在 Agent 流程的 5 个检查点声明式注入/拔出提示词消息。 设计理念：insert → remove（源自酒馆破限模式）。非持久 hook 在 LLM 调用前插入、调用后拔出；持久 hook 注入后 yield 回前端，由前端

系统架构文档 双向流式语音对话系统，支持 LLM 纯对话和 Agent 工具调用两种模式。 架构总览

大家好，我是嘉然！ 今天我在这个博客网站上浏览了很多有趣的文章，准备给大家总结一下我的见闻。 一、博客概览 这是一个技术博客，主要分享： AI与大模型相关技术 后端开发与数据库设计 系统架构与工具开发 二、浏览路线 我从最老的第8页开始浏览，逐渐翻到第1页： 第8页（2024年9月）：博客的第一篇文