https://latent-site.pages.dev/ Recent content on Latent Hugo zh 2026 Latent Sun, 05 Jul 2026 00:00:00 +0000 https://latent-site.pages.dev/posts/2026/07/ai-agent-%E5%AD%A6%E4%B9%A0%E8%B7%AF%E7%BA%BF%E4%BB%8E%E9%9B%B6%E5%88%B0%E7%94%9F%E4%BA%A7%E6%AF%8F%E4%B8%AA%E9%98%B6%E6%AE%B5%E9%85%8D%E4%B8%80%E4%B8%AA%E5%BC%80%E6%BA%90%E9%A1%B9%E7%9B%AE/ Sun, 05 Jul 2026 00:00:00 +0000 https://latent-site.pages.dev/posts/2026/07/ai-agent-%E5%AD%A6%E4%B9%A0%E8%B7%AF%E7%BA%BF%E4%BB%8E%E9%9B%B6%E5%88%B0%E7%94%9F%E4%BA%A7%E6%AF%8F%E4%B8%AA%E9%98%B6%E6%AE%B5%E9%85%8D%E4%B8%80%E4%B8%AA%E5%BC%80%E6%BA%90%E9%A1%B9%E7%9B%AE/ 一份系统的 AI Agent 学习路线图，分为 5 个阶段：LLM 基础 → Prompt 工程 → 单 Agent 开发 → 多 Agent 系统 → 生产部署。每个阶段推荐一个 GitHub 开源项目作为实战练手。 https://latent-site.pages.dev/about/ Sun, 05 Jul 2026 00:00:00 +0000 https://latent-site.pages.dev/about/ <h2 id="hi-我是-一个好名字">Hi, 我是 [一个好名字]</h2> <p>AI Researcher / Engineer · 坐标中国</p> <p>这个网站是我的数字笔记本 —— 记录所学，分享技术深度文章，偶尔也会写一些对这个领域走向的思考。</p> <h2 id="研究方向">研究方向</h2> <ul> <li>大语言模型训练与推理优化</li> <li>智能体系统：规划、工具使用、多 Agent 协作</li> <li>检索增强生成（RAG）与知识接地</li> <li>多模态模型与视觉语言理解</li> </ul> <h2 id="经历">经历</h2> <table> <thead> <tr> <th>时间</th> <th>经历</th> </tr> </thead> <tbody> <tr> <td>2024 - 至今</td> <td>项目开发（程序猿）</td> </tr> <tr> <td>2024</td> <td>硕士</td> </tr> </tbody> </table> <h2 id="联系方式">联系方式</h2> <ul> <li>GitHub: <a href="https://github.com/GitHub1002">一个好名字</a></li> </ul> <h2 id="colophon">Colophon</h2> <p>本站使用 <a href="https://gohugo.io/">Hugo</a> + <a href="https://github.com/adityatelange/hugo-PaperMod">PaperMod</a> 主题构建，托管于 <a href="https://pages.cloudflare.com/">Cloudflare Pages</a>。评论系统由 <a href="https://giscus.app/">Giscus</a> 提供，数学公式使用 MathJax 渲染。</p> https://latent-site.pages.dev/posts/2026/07/%E7%90%86%E8%A7%A3%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6%E4%BB%8E%E7%BC%A9%E6%94%BE%E7%82%B9%E7%A7%AF%E5%88%B0%E5%A4%9A%E5%A4%B4%E6%B3%A8%E6%84%8F%E5%8A%9B/ Sun, 05 Jul 2026 00:00:00 +0000 https://latent-site.pages.dev/posts/2026/07/%E7%90%86%E8%A7%A3%E6%B3%A8%E6%84%8F%E5%8A%9B%E6%9C%BA%E5%88%B6%E4%BB%8E%E7%BC%A9%E6%94%BE%E7%82%B9%E7%A7%AF%E5%88%B0%E5%A4%9A%E5%A4%B4%E6%B3%A8%E6%84%8F%E5%8A%9B/ 深入解析 Transformer 中的注意力机制——从 Query-Key-Value 的直觉出发，经过缩放点积注意力，到多头注意力，配合具体数值示例追踪数据流。 https://latent-site.pages.dev/projects/ Sun, 05 Jul 2026 00:00:00 +0000 https://latent-site.pages.dev/projects/ <h2 id="精选项目">精选项目</h2> <h3 id="agentforge">AgentForge</h3> <p>轻量级多 Agent 系统框架，支持可配置的通信模式（Peer、Hierarchical、Debate）。</p> <p><code>Python</code> <code>Agent</code> <code>LangGraph</code> · ⭐ 128 · <a href="https://github.com/">GitHub →</a></p> <hr> <h3 id="rag-eval-cn">RAG-Eval-CN</h3> <p>中文 RAG 系统评估工具包，覆盖忠实度、相关性、答案完整度等指标。</p> <p><code>Python</code> <code>RAG</code> <code>Evaluation</code> · ⭐ 85 · <a href="https://github.com/">GitHub →</a></p> <hr> <h3 id="latent-viz">Latent-Viz</h3> <p>交互式 latent space 可视化工具，支持 t-SNE、UMAP、PCA 降维方法。</p> <p><code>Python</code> <code>Visualization</code> <code>Transformers</code> · ⭐ 203 · <a href="https://github.com/">GitHub →</a></p> <hr> <h3 id="lora-bench">LoRA-Bench</h3> <p>系统性基准测试，对比 LoRA 配置（rank、目标模块、学习率）在不同 LLM 家族上的表现。</p> <p><code>Python</code> <code>Fine-tuning</code> <code>Benchmark</code> · ⭐ 67 · <a href="https://github.com/">GitHub →</a></p> https://latent-site.pages.dev/posts/2026/07/%E4%BB%8E%E9%9B%B6%E6%9E%84%E5%BB%BA-react-agent%E5%B7%A5%E5%85%B7%E8%B0%83%E7%94%A8%E4%B8%8E%E5%A4%9A%E6%AD%A5%E6%8E%A8%E7%90%86/ Sat, 04 Jul 2026 00:00:00 +0000 https://latent-site.pages.dev/posts/2026/07/%E4%BB%8E%E9%9B%B6%E6%9E%84%E5%BB%BA-react-agent%E5%B7%A5%E5%85%B7%E8%B0%83%E7%94%A8%E4%B8%8E%E5%A4%9A%E6%AD%A5%E6%8E%A8%E7%90%86/ 实现一个 ReAct 风格的 Agent，支持搜索、计算器、代码执行等工具。覆盖 Thought-Action-Observation 循环、Prompt 工程设计和错误恢复策略。 https://latent-site.pages.dev/posts/2026/07/rag-pipeline-%E5%AE%9E%E6%88%98%E4%BB%8E%E6%96%87%E6%A1%A3%E5%88%87%E5%88%86%E5%88%B0%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%9A%84%E5%AE%8C%E6%95%B4%E9%93%BE%E8%B7%AF/ Fri, 03 Jul 2026 00:00:00 +0000 https://latent-site.pages.dev/posts/2026/07/rag-pipeline-%E5%AE%9E%E6%88%98%E4%BB%8E%E6%96%87%E6%A1%A3%E5%88%87%E5%88%86%E5%88%B0%E6%A3%80%E7%B4%A2%E5%A2%9E%E5%BC%BA%E7%9A%84%E5%AE%8C%E6%95%B4%E9%93%BE%E8%B7%AF/ 搭建生产级 RAG 系统的全流程：文档切分策略、Embedding 模型选型、向量数据库对比、检索重排，以及 Prompt 注入的最佳实践。