AI & LLM
Building with language models — from prompt to production.
LLM applications, agent architectures, RAG pipelines, evaluation and model deployment.
Part 2 — 用 AI Bot 打造顧問團隊（二）：三條路線的實作步驟與範例程式碼
深入實作：分別用 Claude Code + AGENTS.md、Gemini CLI 與 LangGraph 建立 AI 顧問 Agent 團隊。包含完整設定步驟、System Prompt 設計、範例程式碼與關鍵注意事項。
Part 1 — 用 AI Bot 打造顧問團隊（一）：策略與技術路線選擇
想用純 AI Bot 建立一支 AI 顧問團隊？本文從商業角度出發，分析三條技術路線（Claude Code + agent.md、Gemini CLI、LangGraph + LLM），比較優缺點與適用場景，幫助你在動手之前先想清楚架構。
MiniMax M2.7 在 NVIDIA 平台上推動可擴展的智能工作流程，進一步強化複雜AI應用
MiniMax M2.7 版本不僅增強了其前一版本 MiniMax M2.5 的功能，還引入了多項創新特性，這些特性使得在 NVIDIA 平台上實現複雜 AI 應用的可擴展智能工作流程變得更加高效。本文將深入探討 MiniMax M2.7 的核心技術架構、實現細節及其在實際場景中的應用，並分析其性能優化和最佳實踐策略。
在 Mac 本地運行 Google Gemini 4 模型：完整指南
詳細講解如何在 Mac 上本地運行 Google Gemini 4 模型，涵蓋環境配置、模型下載、優化技巧和實際應用，幫助你在不依賴雲服務的情況下使用強大的 Gemini 模型。
LangGraph AI 後端邏輯設計：狀態流、決策路由和條件轉移
深入探討 LangGraph 工作流的邏輯設計，包括狀態定義、決策路由、條件轉移、複雜路徑選擇等，透過實戰案例展示如何設計清晰、高效、易維護的 AI 後端邏輯。
LangGraph AI 後端核心代碼實現：生產級代碼範本
提供可直接用於生產環境的 LangGraph AI 後端核心代碼實現，包括完整的 FastAPI 集成、持久化層、錯誤處理、監控日誌等，幫助開發者快速構建產品級應用。
LangGraph AI 後端架構設計模式：從單體到分佈式
深入講解如何設計可擴展、高性能的 LangGraph AI 後端架構，涵蓋從單體應用到微服務的演進，包括 Agent 拓撲、數據流、錯誤恢復、分佈式協調等生產級設計模式。
LangGraph AI 後端創意應用：10 個生產級案例和未來方向
探索 LangGraph AI 後端在 10 個不同行業和場景的創意應用，從客服系統到內容創作、從數據分析到程式碼生成，展示 LangGraph 的真正潛力和未來發展方向。
LangGraph + LangChain 完全入門指南：從基礎到生產
全面介紹 LangChain 和 LangGraph 的核心概念、架構和實戰應用，涵蓋從簡單的 Chain 到複雜的多 Agent 工作流，幫助開發者快速掌握現代 AI 應用開發框架。
LangGraph + AI 後端實戰：構建智能客服工單處理系統
詳細講解如何使用 LangGraph 和 AI 構建生產級的智能客服工單處理系統，涵蓋架構設計、Agent 定義、狀態管理、錯誤處理和實際案例，幫助你快速上線 AI 驅動的客服系統。
Hermes Agent 完全入門指南：自我改進的 AI 智能體
詳細介紹 Hermes Agent，一個具有自我學習和改進能力的 AI 系統。涵蓋核心功能、安裝步驟、配置方式和實際應用，幫助你快速上手這個強大的自主 AI 系統。
Harness 工程入門指南：AI 時代的基礎設施自動化
深入探討 Harness 在 AI 時代的角色，從基本概念、核心功能到實戰應用，幫助工程團隊建立高效的自動化部署流程，加速 AI 應用的上線速度。
Career-Ops 完全使用指南：AI 驅動的智能求職系統
深入講解 Career-Ops，一個由 AI 驅動的求職系統，幫助你在數百個工作機會中找到最適合的職位。涵蓋安裝、配置、使用技巧和策略，助力你高效求職。
在 Kubernetes 上使用 Slurm 運行大規模 GPU 工作負載
本文深入探討如何在 Kubernetes 環境中利用 Slurm 進行大規模 GPU 工作負載的管理和調度。文章將介紹核心概念、技術架構、實現細節，並通過代碼示例展示如何配置和優化系統性能，最後討論常見問題和最佳實踐。
多 Agent Token 優化系列 pt.7：專責化 Agent 協作模式 — 從團隊設計到生產級協調
多 Agent Token 優化系列 pt.7：深入探討專責化 Agent 的協作模式，涵蓋團隊組織架構、動態路由、任務分解策略、狀態管理、錯誤處理等生產級實作，幫助你打造高效協調的 Agent 團隊。
開源 LLM Post-Training 全攻略：從 SFT 到 RLHF，手把手帶你訓練 Qwen
全面介紹開源 LLM 的 Post-Training 方法，包含 SFT、RLHF、DPO、ORPO、持續預訓練等技術，以 Qwen 為範例，深入分析各方法的優缺點、所需資源與適用場景，幫助你選擇最合適的訓練策略。
多 Agent Token 優化系列 pt.6：Agent 專責化實戰指南 — 打造精準高效的專家團隊
深入探索 Agent 專責化策略：從單一通用 Agent 到專業分工的專家團隊，涵蓋職責劃分、System Prompt 精簡、工具最小化配置、模型差異化選擇等完整實作，幫助你大幅降低 System Prompt 的 Token 消耗並提升輸出品質。
多 Agent Token 優化系列 pt.5：選擇性 Context 傳遞 — 打造高效協作系統
多 Agent Token 優化系列 pt.5：深入探索選擇性 Context 傳遞策略，從依賴關係映射、結構化輸出到相關性過濾，提供完整實作範例，幫助你大幅降低 Agent 間通訊的 Token 消耗。
多 Agent Token 優化系列 pt.4：模型分層實戰 — 智能路由打造高效低成本系統
多 Agent Token 優化系列 pt.4：深入探索模型分層策略，從任務分類、智能路由到動態選擇，提供完整實作範例，幫助你在保持品質的同時大幅降低 AI 應用成本。
多 Agent Token 優化系列 pt.3：Context 壓縮與摘要 — 打造可無限對話的 AI 系統
多 Agent Token 優化系列 pt.3：深入探索 Context 壓縮與摘要技術，從滑動視窗、階層式摘要到語意壓縮，提供完整實作範例，幫助你打造可無限對話且成本可控的 AI 應用。
多 Agent Token 優化系列 pt.2：Prompt Caching 實戰 — 從記憶體快取到 RAG 系統
多 Agent Token 優化系列 pt.2：深入探索 Prompt Caching 的實際應用，從 Claude API 原生快取、應用層記憶體快取、到 RAG 系統整合，提供完整程式碼範例，幫助你打造高效低成本的 AI 應用。
多 Agent Token 優化系列 pt.1：完整指南 — 使用 Claude API 構建高效 AI 系統
多 Agent Token 優化系列總覽：深入解析 Token 用量優化策略，涵蓋 Prompt Caching、Context 壓縮、Agent 專責化、模型分層、選擇性 Context 傳遞等方法，幫助你建構高效且低成本的多 Agent 系統。
SpotifyMCP2: Control Spotify with Claude via the Model Context Protocol
A deep dive into SpotifyMCP2, an open-source Model Context Protocol server that integrates Claude with the Spotify Web API. Learn how it works, how to set it up, and how to extend it. Covers MCP architecture, OAuth2 flow, TypeScript design, and all 8 exposed tools.
Part 2 — AI 深海/太空環境音串流實戰（二）：8K 視覺製作與動態場景生成
系列第二篇：使用 Midjourney V7 和 Runway Gen-3 創造令人驚嘆的 8K 深海與太空視覺。從提示詞工程到動態影片生成，打造沉浸式直播體驗。
Part 1 — AI 深海/太空環境音串流實戰（一）：市場分析、科學原理與 AI 工具選擇
系列第一篇：深度分析深海/太空環境音市場機會、聲音設計的科學原理，以及如何使用 AI 工具生成高品質音頻內容。從零開始建立你的沉浸式環境音頻道。