图工程详解
真正在现实世界中站得住脚的AI系统不会让模型在每一步都自由选择下一步行动。工程师称之为图工程。Harness Engineering 给AI它能在其中工作的环境。
我的“一人公司”，是怎么搞钱的？
一位电商创业者骨折卧床七十天，用AI替代十人团队开出十二家网店，单月净利两三万;六位自称超级个体的人讲了同一件事:AI改了赚钱的方式，没消灭门槛。
AI没法直出UI？GPT+Figma这样搭才管用！
但看多了华丽的视觉，我脑子里始终在思考一个更现实的问题: image2到底能不能接真实的 UI 需求?本篇文章基于一个真实 B 端首页实践，分享我如何结合 image2 + Figma/Figma Make 完成视觉探索到可交付设计稿的全过程。
第 15 篇 结构化输出与 RAG：把不确定性收敛成契约
读之前：第 2 篇、第 6 篇、第 11 篇 ｜ 后面会用到：第 20 篇读到这里，你手上的 Agent 已经能聊、能调工具、能派子智能体。但有一个问题一直没解决：模型吐出来的是一段自由文本，你的 Java 代码怎么把它变成 Order 对象？
LangChain笔记——模型画像
模型画像是一份关于模型能力的结构化说明：它把工具调用、结构化输出、多模态输入、上下文窗口和输出上限这类差异整理成 model.profile 中可读取的字段，让 LangChain 应用在发起调用前判断某条接口路径是否可用。
“氛围编程让一切看起来很廉价，我要回归手写编码了！”
如果说这几年 AI 编程令人沉迷的地方，是“几乎不费力就能把东西做出来”，那么真正让人开始警觉的瞬间，往往发生在系统第一次“看起来还在工作，但已经开始悄悄失控”的时候。
结构化数据、llms.txt 与站点地图：让 AI 正确读取企业的技术要点
采购方现在找设备、找材料、找供应商，第一步不再是打开搜索引擎翻结果页，而是直接问 AI：「XX 工艺适合什么场景」「深圳有没有能做小批量打样的厂家」。AI 能不能在回答里提到你、并且说对，取决于它能不能正确读取你官网上的企业信息。
万字解读 Avi Chawla《2026 LLM工程师路线图》，8 层能力框架看 AI 应用工程
最近我看到 Avi Chawla 发了一篇文章，叫:《The 2026 LLM Engineering Roadmap》，翻译过来就是:2026 LLM 工程师路线图。
150+模型全景梳理，结构化数据基础模型：表格、时序与图的统一视角
近期，Sun 等人推出综述 A Survey on Foundation Models for Structured Data: Tabular， Time Series， and Graphs，系统梳理 150+ 个代表性方法，并从 Tokenization、Architecture、Pre-training、Adaptation 等维度，将 Tabular、Time Series 和 Graph 三条长期相对独立的发展路线放入同一分析框架。