https://niraya666.github.io/posts/ Recent content in Posts on LZY Blog https://niraya666.github.io/img/基于大语言模型的%20Agent：科普向-assets/cover.webp https://niraya666.github.io/img/基于大语言模型的%20Agent：科普向-assets/cover.webp Hugo -- gohugo.io zh-CN Sun, 13 Sep 2026 16:00:00 +0800 https://niraya666.github.io/posts/ai-decouples-production-and-cultivation/ Sun, 13 Sep 2026 16:00:00 +0800 https://niraya666.github.io/posts/ai-decouples-production-and-cultivation/ AI 把产出与培养解耦：入门任务被接管，人才债如何形成，判断力从何而来，成长不再只是&#39;顺便发生&#39;。 https://niraya666.github.io/posts/agent-eval-guide-03/ Wed, 05 Aug 2026 12:00:00 +0800 https://niraya666.github.io/posts/agent-eval-guide-03/ 《Agent Eval 实践指南》第三篇：深入对比 Code-based Evaluators、LLM-as-a-Judge 与人工评估三种判分方法的适用场景、选择依据与常见陷阱，以及评估器自身的控制变量与校准。 https://niraya666.github.io/posts/agent-eval-guide-02/ Fri, 17 Jul 2026 12:00:00 +0800 https://niraya666.github.io/posts/agent-eval-guide-02/ 评测集不只是凑 query——每一条 case 需要明确成功标准、世界状态、轨迹锚点和元数据，才能真正用于稳定判分和回归测试。 https://niraya666.github.io/posts/agent-eval-guide-01/ Mon, 13 Jul 2026 12:00:00 +0800 https://niraya666.github.io/posts/agent-eval-guide-01/ 《Agent Eval 实践指南》系列开篇：为什么 LLM 系统的评估是统计性而非确定性的，为什么评估必须先于优化，以及人的判断力如何通过评测体系嵌入自动化系统。 https://niraya666.github.io/posts/agent-memory-benchmark-summary/ Thu, 09 Jul 2026 19:03:00 +0800 https://niraya666.github.io/posts/agent-memory-benchmark-summary/ 深入解析 agent-memory benchmark 全景：从 LoCoMo、LongMemEval 到 PersonaMem，拆解对话记忆、用户画像、多模态记忆的评测方法、指标体系和数据合成流水线。 https://niraya666.github.io/posts/ai%E8%BD%AC%E5%9E%8B%E6%9C%80%E9%9A%BE%E7%9A%84%E4%B8%8D%E6%98%AFai%E8%80%8C%E6%98%AF%E9%82%A3%E4%BA%9B%E6%B2%A1%E4%BA%BA%E6%84%BF%E6%84%8F%E5%B9%B2%E7%9A%84%E8%84%8F%E6%B4%BB/ Wed, 10 Jun 2026 11:00:00 +0800 https://niraya666.github.io/posts/ai%E8%BD%AC%E5%9E%8B%E6%9C%80%E9%9A%BE%E7%9A%84%E4%B8%8D%E6%98%AFai%E8%80%8C%E6%98%AF%E9%82%A3%E4%BA%9B%E6%B2%A1%E4%BA%BA%E6%84%BF%E6%84%8F%E5%B9%B2%E7%9A%84%E8%84%8F%E6%B4%BB/ 探讨 AI 转型中常被忽视的关键瓶颈：脏数据、无文档流程、集成债务、评估缺口和组织惯性，而非模型选择本身。 https://niraya666.github.io/posts/agent-traj2skills/ Tue, 02 Jun 2026 20:00:00 +0800 https://niraya666.github.io/posts/agent-traj2skills/ 如何从 Agent 的历史运行轨迹中提取、验证、去重和优化可复用技能，将经验转化为工程上的复利增长。 https://niraya666.github.io/posts/agent-memory-hermes/ Mon, 11 May 2026 14:00:00 +0800 https://niraya666.github.io/posts/agent-memory-hermes/ 拆解 Hermes-Agent 的分层记忆设计，包括文件事实记忆、会话数据库、外部 Memory Provider 和可持续迭代的 Skills。 https://niraya666.github.io/posts/cc-memory/ Mon, 27 Apr 2026 17:05:00 +0800 https://niraya666.github.io/posts/cc-memory/ 拆解 Claude Code 的分层记忆架构，分析文件记忆、会话状态、外部检索与 Skills 如何协同工作。 https://niraya666.github.io/posts/%E5%80%9Fllm-wiki-%E8%81%8A%E8%81%8A%E7%9F%A5%E8%AF%86%E7%AE%A1%E7%90%86/ Wed, 15 Apr 2026 16:16:00 +0800 https://niraya666.github.io/posts/%E5%80%9Fllm-wiki-%E8%81%8A%E8%81%8A%E7%9F%A5%E8%AF%86%E7%AE%A1%E7%90%86/ <p><strong>TL; DR</strong></p> <p>AK的LLM-wiki 本质上没有太新的东西，大家的思路方向基本上形成共识，只是缺乏一个KOL发声和传播。毕竟一些观点从小卡拉米嘴里说出是爆论，而从AK嘴里说出则成了真理。</p> <ul> <li> <p>过去传统的 naive-RAG（文档解析-分块-向量索引-语义检索-召回）已死</p> https://niraya666.github.io/posts/agent-harness-design/ Wed, 08 Apr 2026 21:03:00 +0800 https://niraya666.github.io/posts/agent-harness-design/ 面向 2026 年的 AI Agent Harness 最小化设计指南：解析 loop、tools、filesystem、context、memory、subagent 和 observability 等核心组件。 https://niraya666.github.io/posts/%E5%91%8A%E5%88%AB%E6%89%8B%E5%8A%A8%E4%BC%98%E5%8C%96%E4%BB%8E%E6%96%B0%E7%89%88-skill-creator-%E7%9C%8B-agent-skills%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E8%AF%84%E4%BC%B0%E5%92%8C%E4%BC%98%E5%8C%96/ Mon, 30 Mar 2026 15:38:00 +0800 https://niraya666.github.io/posts/%E5%91%8A%E5%88%AB%E6%89%8B%E5%8A%A8%E4%BC%98%E5%8C%96%E4%BB%8E%E6%96%B0%E7%89%88-skill-creator-%E7%9C%8B-agent-skills%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E8%AF%84%E4%BC%B0%E5%92%8C%E4%BC%98%E5%8C%96/ <h2 id="intro">Intro</h2> <p>过去一段时间，如果尝试过用claude-code 官方的<code>skills-creator</code>构建agent skills，大概率会发现：agent自己构建的skills往往不好用。于是乎，为了验证一个新写的 Skill 是否真正有效，不得不陷入无止境的“修改 Prompt -&gt; 手动跑测试 -&gt; 检查结果” 的循环中。</p> https://niraya666.github.io/posts/agent-infra-sandbox/ Mon, 26 Jan 2026 21:55:00 +0800 https://niraya666.github.io/posts/agent-infra-sandbox/ 从 Context Engineering 出发，梳理 AI Agent 沙箱需要解决的隔离、文件系统、代码执行和生命周期管理问题，并比较主流技术方案。 https://niraya666.github.io/posts/%E5%A6%82%E4%BD%95%E6%9E%84%E5%BB%BA%E5%8F%AF%E9%9D%A0%E7%9A%84-ai-agent-%E8%AF%84%E4%BC%B0%E4%BD%93%E7%B3%BB-%E8%AF%BB-anthropic-%E6%8A%80%E6%9C%AF%E5%8D%9A%E5%AE%A2%E6%9C%89%E6%84%9F/ Mon, 19 Jan 2026 21:08:00 +0800 https://niraya666.github.io/posts/%E5%A6%82%E4%BD%95%E6%9E%84%E5%BB%BA%E5%8F%AF%E9%9D%A0%E7%9A%84-ai-agent-%E8%AF%84%E4%BC%B0%E4%BD%93%E7%B3%BB-%E8%AF%BB-anthropic-%E6%8A%80%E6%9C%AF%E5%8D%9A%E5%AE%A2%E6%9C%89%E6%84%9F/ 基于 Anthropic 技术博客，探讨构建可靠 AI Agent 评估体系的方法论，包括任务定义、评估维度和实践建议。 https://niraya666.github.io/posts/tongyi-deep-research-%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0/ Mon, 24 Nov 2025 20:08:00 +0800 https://niraya666.github.io/posts/tongyi-deep-research-%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0/ 通义 Deep Research 论文阅读笔记，分析其如何使用 30B 参数实现接近闭源模型的 deep research 效果。 https://niraya666.github.io/posts/rag-toolkits-copali/ Mon, 22 Sep 2025 18:56:00 +0800 https://niraya666.github.io/posts/rag-toolkits-copali/ 讨论 ColPali 类视觉文档检索模型如何跳过传统 OCR、文本解析与分块流程，以及端到端多模态 RAG 的适用边界。 https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1colbert/ Tue, 12 Aug 2025 20:56:00 +0800 https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1colbert/ <blockquote> <p>前一段时间跑比赛时，苦于上分陷入瓶颈，于是便祭出了ML经典ensemble大法，其中一个分支便是选择的ColBERT，没想到，竟成了破局的关键；也由此补齐了我对“迟交互”类模型的认知。</p> </blockquote> <p>在典型的检索系统中，我们常用的架构是 <strong>Retrieval + Reranking</strong>两阶段:</p> https://niraya666.github.io/posts/thinking-budget-0805/ Tue, 05 Aug 2025 20:12:00 +0800 https://niraya666.github.io/posts/thinking-budget-0805/ 分析大模型 overthinking 问题及 Thinking Budget 控制方案，比较主流模型 API 的推理长度和计算预算配置。 https://niraya666.github.io/posts/eval_1/ Wed, 11 Jun 2025 15:04:00 +0800 https://niraya666.github.io/posts/eval_1/ 从模型评估进入 AI 下半场的背景出发，重新梳理 benchmark、任务定义、评估指标和真实场景有效性之间的关系。 https://niraya666.github.io/posts/%E5%88%9D%E6%8E%A2mem0/ Tue, 20 May 2025 18:44:00 +0800 https://niraya666.github.io/posts/%E5%88%9D%E6%8E%A2mem0/ <h2 id="写在开头">写在开头</h2> <p>本文是对于<a href="https://github.com/mem0ai/mem0">Mem0</a>的论文解读和使用记录；</p> <p>Mem0 是一款面向LLM应用的memory layer框架，同时是开源的。虽然它最早在 2024 年中旬亮相，起初的框架设计并没有太多亮眼之处，不过在最近，发布了一次比较重大的更新（基本上是重构了）采用了基于 AI-agent 的对话记忆提取、更新和查询等机制，实际体验下来，算是目前为止比较好用的了。</p> https://niraya666.github.io/posts/langmem-%E4%B8%80%E4%BA%9B%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0/ Thu, 10 Apr 2025 10:44:00 +0800 https://niraya666.github.io/posts/langmem-%E4%B8%80%E4%BA%9B%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0/ <p>本文是我在阅读 LangMem 的源码与相关文档过程中整理的一些学习笔记。</p> <p>一直以来，我对智能体（Agent）的记忆机制充满好奇：理想的 memory 应该具备怎样的结构？又该如何设计？目前市面上关于 memory 的实现大多中规中矩，尚未看到令人眼前一亮的方案。为此，我决定多参考一些开源项目，以期获得新的灵感。</p> https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1%E5%9F%BA%E4%BA%8E%E5%A4%9A%E6%A8%A1%E6%80%81%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%96%87%E6%A1%A3%E8%A7%A3%E6%9E%90%E6%96%B9%E6%A1%882025%E7%89%88/ Wed, 12 Mar 2025 16:44:00 +0800 https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1%E5%9F%BA%E4%BA%8E%E5%A4%9A%E6%A8%A1%E6%80%81%E5%A4%A7%E6%A8%A1%E5%9E%8B%E7%9A%84%E6%96%87%E6%A1%A3%E8%A7%A3%E6%9E%90%E6%96%B9%E6%A1%882025%E7%89%88/ 梳理 2025 年基于 VLM 的文档解析方案，比较 Qwen-VL、OlmOCR 等模型及其在 OCR、版面理解和复杂文档处理中的表现。 https://niraya666.github.io/posts/rag-tutorial-for-beginner/ Tue, 11 Mar 2025 19:24:00 +0800 https://niraya666.github.io/posts/rag-tutorial-for-beginner/ 面向初学者整理 RAG 的核心原理、入门教程、实践课程、常用框架和进一步学习材料。 https://niraya666.github.io/posts/%E5%BD%93ai%E5%BC%80%E5%A7%8B%E5%B1%95%E7%8E%B0%E9%A1%BF%E6%82%9F%E6%97%B6%E5%88%BB%E6%84%8F%E5%91%B3%E7%9D%80%E4%BB%80%E4%B9%88/ Sun, 23 Feb 2025 23:00:00 +0800 https://niraya666.github.io/posts/%E5%BD%93ai%E5%BC%80%E5%A7%8B%E5%B1%95%E7%8E%B0%E9%A1%BF%E6%82%9F%E6%97%B6%E5%88%BB%E6%84%8F%E5%91%B3%E7%9D%80%E4%BB%80%E4%B9%88/ <h2 id="写在前面">写在前面</h2> <p>本文是前段时间部门内技术分享的文字稿整理；</p> <p>主要包含2个方面：对于R1模型的简单科普，和开发团队的gen-AI使用指南；</p> <p>原以为春节假期能稍作休整，未曾料想deepSeek-R1在春节期间引发行业关注。节后复工，各层级领导便密集展开AI技术进展问询。</p> https://niraya666.github.io/posts/rlhf-%E4%B9%8B%E8%B7%AF%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E5%A4%8D%E4%B9%A0%E4%B9%8B%E4%B8%8A%E7%AF%87/ Thu, 23 Jan 2025 15:21:00 +0800 https://niraya666.github.io/posts/rlhf-%E4%B9%8B%E8%B7%AF%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0%E5%A4%8D%E4%B9%A0%E4%B9%8B%E4%B8%8A%E7%AF%87/ <h2 id="写在前面">写在前面</h2> <p>决定开启一个新系列，是时候系统性地学习一下 Alignment、RLHF 等相关内容了。</p> <p>学习过程中，经常会在一些公式推导上卡住，可能是因为之前的基础不够扎实，加上学过的内容遗忘较多。 于是，希望通过这一系列的笔记，帮助自己系统地回顾RL、和学习RLHF等内容。（顺带把之前手写的笔记电子化）</p> https://niraya666.github.io/posts/milvus-%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0%E5%92%8C%E5%A4%87%E5%BF%98%E5%BD%95%E4%BB%8E2.0-%E5%88%B02.5%E7%89%88%E6%9C%AC%E7%9A%84%E4%BB%8E%E5%A4%B4%E5%AD%A6%E4%B9%A0/ Wed, 25 Dec 2024 15:49:00 +0800 https://niraya666.github.io/posts/milvus-%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0%E5%92%8C%E5%A4%87%E5%BF%98%E5%BD%95%E4%BB%8E2.0-%E5%88%B02.5%E7%89%88%E6%9C%AC%E7%9A%84%E4%BB%8E%E5%A4%B4%E5%AD%A6%E4%B9%A0/ <p>几年前初识 Milvus 的契机，来源于开发一个图像相似检索的应用，当时市面上向量库的可选择项并不像现在这么多，且功能也仅限于单纯的向量检索。</p> <p>鉴于最近有业务更新的需要，和打算重构一下之前做的RAG项目，再次有机会深入学习 Milvus，探索其在新功能和实际应用上的更多可能性。</p> https://niraya666.github.io/posts/agent-%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0%E6%A1%86%E6%9E%B6--openai-swarm/ Mon, 11 Nov 2024 11:10:00 +0800 https://niraya666.github.io/posts/agent-%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0%E6%A1%86%E6%9E%B6--openai-swarm/ <h2 id="开篇">开篇</h2> <p>“CloseAI” 终于又开源了新的项目，可惜OpenAI明确表示，Swarm是一个实验性框架，主要用于教育目的，不适合生产环境，也没有官方支持。不过从这样一个实验性的框架，至少能够了解到OpenAI对于Agent上的一些理解，对于Agent设计上能够有所帮助和借鉴。</p> https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1query-enhancement/ Thu, 31 Oct 2024 16:04:00 +0800 https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1query-enhancement/ 介绍 RAG 中的 Query Enhancement，包括查询改写、扩展、分解、路由和多查询召回等常见优化方法。 https://niraya666.github.io/posts/llm-%E8%BE%93%E5%87%BA%E9%99%90%E5%88%B6structured-outputs%E5%8F%97%E9%99%90%E7%BC%96%E7%A0%81%E5%92%8C%E6%8F%90%E7%A4%BA%E8%AF%8D%E5%B7%A5%E7%A8%8B/ Wed, 21 Aug 2024 14:49:00 +0800 https://niraya666.github.io/posts/llm-%E8%BE%93%E5%87%BA%E9%99%90%E5%88%B6structured-outputs%E5%8F%97%E9%99%90%E7%BC%96%E7%A0%81%E5%92%8C%E6%8F%90%E7%A4%BA%E8%AF%8D%E5%B7%A5%E7%A8%8B/ <p>在使用大型语言模型（LLM）时，我们常常面临一个挑战：如何从模型输出中准确提取自己所需的信息。例如，当我们希望模型输出 JSON 格式的数据时，由于模型生成的内容并不总是稳定，可能需要额外编写大量的正则表达式来匹配并提取其中的有效信息。然而，由于 LLM 的能力，导致其输出结构并不永远可靠。</p> https://niraya666.github.io/posts/rag%E6%A3%80%E7%B4%A2/ Thu, 25 Jul 2024 17:08:00 +0800 https://niraya666.github.io/posts/rag%E6%A3%80%E7%B4%A2/ 从搜索引擎视角梳理 RAG 检索系统，讨论向量检索、关键词检索、混合召回、重排序和索引设计。 https://niraya666.github.io/posts/agent%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0-%E5%A6%82%E4%BD%95%E9%AA%8C%E8%AF%81%E6%A8%A1%E5%9E%8B%E7%9A%84tool-using%E8%83%BD%E5%8A%9B/ Tue, 25 Jun 2024 17:00:00 +0800 https://niraya666.github.io/posts/agent%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0-%E5%A6%82%E4%BD%95%E9%AA%8C%E8%AF%81%E6%A8%A1%E5%9E%8B%E7%9A%84tool-using%E8%83%BD%E5%8A%9B/ <p>本文将简单介绍如何评价LLM的tool-using 能力。</p> <h2 id="引言">引言</h2> <p>在工具使用评估方面，过去的研究主要有以下几种思路：</p> <p><strong>对比工具使用和纯LLM在基准测试上的分数</strong>：例如<a href="https://arxiv.org/abs/2302.04761">Toolformer</a>和<a href="https://arxiv.org/abs/2305.17126">LATM</a>。</p> <ul> <li> <p>在Toolformer研究中，通过下游任务如语言模型评估基准测试、数学推理任务和问答任务来验证工具使用的有效性。</p> https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1%E6%96%87%E6%9C%AC%E5%88%86%E5%9D%97/ Wed, 15 May 2024 16:11:00 +0800 https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1%E6%96%87%E6%9C%AC%E5%88%86%E5%9D%97/ <h2 id="为什么要进行文本分块"><strong>为什么要进行文本分块？</strong></h2> <p>大型语言模型（LLM）和嵌入式模型都有其处理文本的长度限制。为了有效处理超出这些限制的长文本，我们需要进行文本分块。</p> <h2 id="如何进行文本分块"><strong>如何进行文本分块</strong></h2> <blockquote> <p>**块分割戒律：**我们的目标不仅仅是为了划分数据块。更重要的是，我们要以一种便于日后检索和提取价值的格式来整理我们的数据。</p> https://niraya666.github.io/posts/%E5%9F%BA%E4%BA%8E%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84-agent%E7%A7%91%E6%99%AE%E5%90%91/ Mon, 13 May 2024 16:00:00 +0800 https://niraya666.github.io/posts/%E5%9F%BA%E4%BA%8E%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E7%9A%84-agent%E7%A7%91%E6%99%AE%E5%90%91/ <h2 id="写在开头">写在开头</h2> <p>本文是基于最近组内技术交流的文字稿整理。</p> <h2 id="what-is-agent">What is Agent？</h2> <p>在探讨复杂的人工智能技术之前，让我们先回顾一下生活中的一个简单例子：扫地机器人。这种智能设备在房间中自主导航，避开障碍物，寻找最有效的清洁路径。它就是一个现实生活中的Agent——一个可以自主决策和行动的实体。</p> https://niraya666.github.io/posts/agent%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0openai-function-calling%E5%AE%8C%E5%85%A8%E6%8C%87%E5%8D%97/ Sun, 28 Apr 2024 15:00:00 +0800 https://niraya666.github.io/posts/agent%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0openai-function-calling%E5%AE%8C%E5%85%A8%E6%8C%87%E5%8D%97/ 系统介绍 OpenAI Function Calling 的工具定义、调用流程、参数校验、多工具协作和实际 Agent 开发模式。 https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1%E6%96%87%E6%A1%A3%E8%A7%A3%E6%9E%90%E4%B8%8E%E8%A1%A8%E6%A0%BC%E5%A4%84%E7%90%86/ Sat, 20 Apr 2024 17:00:00 +0800 https://niraya666.github.io/posts/rag%E5%B7%A5%E5%85%B7%E7%AE%B1%E6%96%87%E6%A1%A3%E8%A7%A3%E6%9E%90%E4%B8%8E%E8%A1%A8%E6%A0%BC%E5%A4%84%E7%90%86/ 梳理 RAG 系统中 PDF 文档解析和表格处理的主流方案，包括 OCR、版面分析和结构化提取技术。 https://niraya666.github.io/posts/rag_toolkit_eval/ Mon, 08 Apr 2024 11:00:00 +0800 https://niraya666.github.io/posts/rag_toolkit_eval/ <h2 id="写在最前面">写在最前面</h2> <p>在过去的几个月中，我主要致力于与RAG（检索增强生成模型）相关的研究和实验工作。通过深入地分析众多论文和项目代码，我发现虽然在RAG领域取得基本成就相对容易，但要实现出色的成果却异常困难。</p> <p>此系列文章旨在分享我在RAG研究中的心得和挑战。正如我们从OpenAI的开发者日活动中看到的，即使是在这个领域的领头羊也在不断试验和努力以寻求突破。</p> https://niraya666.github.io/posts/helloworld/ Sat, 30 Mar 2024 00:00:00 +0000 https://niraya666.github.io/posts/helloworld/ <h2 id="hello-world">Hello-World!</h2> <p>欢迎来到我的博客</p> <p>在这里，我将深入探索生成式人工智能的奥秘，同时也会涉猎音乐、电影等领域，分享一些个人的思考和感悟。</p> <h2 id="为什么我决定写博客">为什么我决定写博客</h2> <p>在生活的纷扰和无尽的日常中，我发现自己一直在与拖延症作斗争。直到今天，我终于下定决心，决定将心中的思绪和感悟记录下来，开启我的博客之旅。</p>