Agent = LLM模型 + Harness
Harness = 包裹大模型之外的整套运行时控制系统、脚手架、约束环境。
名词本义：马具（缰绳、马鞍）。
比喻：大模型是野马，算力强但无约束、容易跑偏；Harness 是缰绳、护栏、方向盘、刹车，用来管控模型，把随机的模型能力变成稳定可落地的智能体。
经典总结：Anything that is not the model is the harness.
凡是不属于模型本身的代码、规则、环境，全部属于Harness。
很多人混淆，这里清晰划分：
简单类比：
def harness_run(task, llm, tools, max_steps=8):
state = init_state(task)
for _ in range(max_steps):
# 调用大模型思考
output = llm.call(state.messages)
if output.is_answer:
return output.final_result
# Harness层：执行工具（不是模型执行！）
tool_result = tools.execute(output.tool_call)
# 强制校验卡口（硬性规则）
if security_check(tool_result) is False:
return "操作被系统拦截"
# 更新上下文，进入下一轮循环
state.append_observation(tool_result)
return "达到最大步骤限制，任务终止"在老式机器学习里，ML Test Harness 指模型自动化测试套件，用来批量跑评测、验证模型效果。
现在大家讨论Agent、Claude Code、Cursor时提到的Harness，全部指Agent Harness（驾驭系统），不是测试套件。
裸LLM只会生成文字；
加上Harness之后，AI才拥有：持续思考循环、调用外部工具、记住状态、被规则限制、安全兜底、稳定完成复杂多步骤任务的能力。
同一个大模型，Agent效果差距，绝大多数来源于Harness设计，而非Prompt微调。
Harness 是包裹大模型、管控智能体执行流程、施加硬性约束与外部能力的整套运行控制系统。
16 天前
AI 研发已从单点 Prompt 优化迭代至Harness 工程底座 + Loop 自治闭环 + SDD 标准化规范的三位一体体系，通过重构人机协作模式，解决大模型落地不稳定、难规模化的痛点，实现企业级 AI 从原型试用走向工程化、自动化、体系化落地。
11 个月前
联邦学习（Federated Learning）是一种分布式机器学习技术，旨在解决数据隐私与数据孤岛问题，允许多个参与方（如设备、机构）在不共享原始数据的情况下，协同训练机器学习模型。
1 年前
大模型的范式（paradigm）是指支撑其设计、训练和应用的核心方法论或框架，反映了其处理问题的基本模式。这一概念可以从多个维度理解，以下是关键要点： 1. 技术范式 自监督学习 大模型的核心训练方式，通过海量无标注数据（如文本、图像）进行预训练，利用掩码语言建模（如BERT）、自回归生成（如GPT）等任务学习通用表示。 规模化（Scaling Laws） 遵循"规模效应"：模型参数量、数据量和算力同步扩大时，性能显著提升（如Chinchilla定律）。 Transformer架构 基于自注意力机制（Self-Attention）的模型结构，支持并行计算和长程依赖建模，成为大模型的基础骨架。 2. 功能范式 预训练+微调（Pretrain-Finetune） 先在通用数据上预训练，再针对下游任务微调（如分类、生成）。例如，BERT通过附加任务层适配不同场景。 提示学习（Prompt Learning） 通过设计自然语言提示（Prompt）激发模型潜能，减少微调需求（如GPT-3的few-shot learning）。 多模态统一建模 将文本、图像、视频等映射到统一语义空间（如CLIP、Flamingo），实现跨模态理解与生成。 3. 应用范式 生成式AI（Generative AI） 大模型的核心能力转向生成内容（文本、代码、图像等），如ChatGPT的对话生成、Stable Diffusion的图像合成。 AI即服务（AIaaS） 通过API或开放平台提供模型能力（如OpenAI API），降低技术使用门槛。 智能体（Agent）架构 大模型作为"大脑"，结合工具调用（Tool Use）、记忆和规划，实现复杂任务自动化（如AutoGPT）。 4. 生态范式 开源与闭源并存 开源模型（如LLaMA、Stable Diffusion）推动社区创新，闭源模型（如GPT-4）侧重商业化。 数据飞轮效应 用户反馈数据持续优化模型，形成闭环（如ChatGPT基于人类反馈的强化学习RLHF）。 垂直领域适配 通用大模型通过领域适配（如医学、法律）释放专业价值（如Med-PaLM）。 5. 挑战与演进方向 效率问题：模型压缩（如量化、蒸馏）、稀疏化（如Mixture of Experts）。 对齐（Alignment）：确保模型行为符合人类价值观（如RLHF技术）。 新架构探索：超越Transformer的潜在方案（如RWKV、Mamba等状态空间模型）。 总结 大模型的范式本质是通过规模化预训练获得通用能力，再通过灵活适配解决多样任务，其发展正从单一语言模型转向多模态、交互式、智能体化的综合系统。这一范式正在重塑AI研发和应用的基本逻辑。
1 年前
语料数据（Corpus Data）是指用于训练、验证和测试语言模型的大规模结构化或非结构化文本集合。
1 年前
ChatBI 是一种基于人工智能和自然语言处理技术的商业智能（Business Intelligence, BI）分析工具。与传统的 BI 工具不同，ChatBI 以对话交互为核心，用户可以像与人交流一样，通过自然语言对话来获取数据分析和业务洞察。这种模式大大降低了数据分析的门槛，使非技术用户也能够轻松地进行复杂的数据查询和分析。 核心功能与特点： ChatBI 的主要功能和特点体现在以下几个方面： 自然语言查询： 用户可以像和同事聊天一样，直接用中文或英文输入问题。例如，“去年各地区销售额排名”或者“本月客户流失率是多少？”。系统会自动理解意图，将语言转化为能够在数据库中执行的查询指令。 实时数据分析： ChatBI 能够连接企业的各类数据源（如数据库、Excel、ERP、CRM 等），实现实时的数据检索和分析。用户无需编写 SQL 或自定义脚本，就能得到最新的数据结果。 自动生成可视化报表： 在得到分析结果后，ChatBI 可以自动生成柱状图、折线图、饼图等多种可视化报表，帮助用户更直观地理解和展示数据。 智能洞察与建议： 结合大模型能力，ChatBI 不仅能回答具体数据问题，还能基于数据趋势主动给出业务建议。例如，自动识别异常值、预测业务走势、提醒关键风险点等。 多端集成与协作： ChatBI 支持网页、移动端、微信、钉钉等多平台接入，便于团队协作和信息共享。同时，具备权限管理和数据安全保障。 典型应用场景： ChatBI 在企业数据决策和日常运营中有广泛应用，主要包括： 日常经营分析：让管理层和业务人员随时随地查询销售、库存、利润等核心数据。 客户服务与支持：为客服团队提供快速查询客户信息、订单状态等能力，提高服务效率。 运营监控与预警：自动监控关键指标，及时发现异常，支持自动化报警。 数据驱动决策：辅助市场、财务、人力等部门做出基于数据的战略和战术决策。 技术原理与优势： ChatBI 结合了大语言模型（如 GPT）、语义理解、数据建模、知识图谱等前沿技术。它的显著优势包括： 极大降低了数据分析的技术门槛和沟通成本 提高了数据驱动决策的效率和准确性 促进了企业数据资产的流动和价值释放 未来发展趋势： 随着人工智能和大模型技术的进步，ChatBI 将更加智能化和自动化。例如，未来可能实现更深层的数据洞察、跨多源数据的联动分析、甚至自动提出业务优化建议。ChatBI 也有望成为企业智能办公的重要入口，为各类组织赋能。 总之，ChatBI 让数据分析变得像聊天一样简单，是企业智能化转型的重要工具。
1 年前
Neocortex Neocortex，又称新皮质，是哺乳动物大脑中最外层的一部分，负责高级神经功能。它是大脑皮层的最新进化部分，占据了人类大脑皮层的绝大部分。Neocortex在认知、感知、空间推理、语言和意识等复杂功能中起着关键作用。 结构 Neocortex由六层神经元组成，每层具有不同的细胞类型和连接方式。这些层次从外到内依次为： 分子层（Layer I）：主要由神经纤维和少量神经元组成。 外颗粒层（Layer II）：包含小颗粒细胞。 外锥体层（Layer III）：包含中等大小的锥体细胞。 内颗粒层（Layer IV）：接收来自丘脑的感觉输入。 内锥体层（Layer V）：包含大锥体细胞，投射到皮层下结构。 多形层（Layer VI）：包含多种细胞类型，投射回丘脑。 功能 Neocortex负责多种高级功能，包括： 感知：处理来自视觉、听觉、触觉等感官的信息。 运动控制：规划和执行复杂的运动。 语言：涉及语言的产生和理解。 记忆：短期和长期记忆的形成与检索。 决策：评估选项并做出决策。 意识：自我意识和环境意识的形成。 进化 Neocortex在哺乳动物中最为发达，尤其在灵长类和人类中。其进化与复杂社会行为、工具使用和语言能力的发展密切相关。人类Neocortex的扩展被认为是智力和文化发展的基础。 相关疾病 Neocortex的损伤或功能障碍与多种神经精神疾病有关，如： 阿尔茨海默病：记忆和认知功能衰退。 癫痫：异常电活动导致癫痫发作。 精神分裂症：思维、情感和行为障碍。 研究 Neocortex的研究涉及神经科学、心理学、人工智能等多个领域。理解其结构和功能有助于开发治疗神经疾病的新方法，并推动人工智能和机器学习的发展。 Neocortex作为大脑的高级处理中心，其复杂性和功能多样性使其成为现代神经科学研究的重要焦点。
1 年前
Mermaid 格式 Mermaid 是一种基于文本的图表生成工具，允许用户通过简单的代码语法快速创建多种类型的图表（如流程图、序列图、甘特图等）。其核心目标是将图表设计与文本化编程结合，实现高效的可视化文档编写。 核心功能 特性 说明 文本驱动 使用纯文本描述图表结构，无需图形界面操作。 多图表支持 流程图（Flowchart）、序列图（Sequence Diagram）、甘特图（Gantt）、类图（Class Diagram）、状态图（State Diagram）、饼图（Pie Chart）等。 跨平台兼容 可在支持 Markdown 的平台（如 GitHub、GitLab、VS Code）中直接渲染。 版本控制友好 图表代码可随文档一起存储于版本控制系统（如 Git），便于协作和修改。 动态交互 部分工具支持通过修改代码实时更新图表。 语法结构 1. 流程图（Flowchart） graph TD A --> B{条件判断} B -->|是| C B -->|否| D C --> E D --> E 方向定义：graph TD（从上到下）、graph LR（从左到右）。 节点类型： 方框节点：A 菱形条件节点：B{文本} 圆形节点：C(文本) 连接线：-->（实线箭头）、---（无箭头线）、-.->（虚线箭头）。 2. 序列图（Sequence Diagram） sequenceDiagram Alice->>Bob: 请求数据 Bob-->>Alice: 返回数据 3. 甘特图（Gantt） gantt title 项目计划 section 阶段A 任务1 :a1, 2023-10-01, 30d 任务2 :after a1, 20d 应用场景 软件开发：绘制系统架构图、API调用流程。 项目管理：创建甘特图跟踪任务进度。 技术文档：在Markdown文件中嵌入动态图表。 教育培训：制作教学流程图或交互式演示。 优点与局限 优点 局限 1. 学习成本低，语法简洁易用。 复杂图表（如三维布局）支持有限。 2. 可嵌入代码库，便于协作维护。 自定义样式需额外配置。 3. 实时渲染，修改即时生效。 部分高级功能依赖特定渲染环境。 工具与生态 编辑器支持： VS Code（插件：Mermaid Preview） JetBrains IDE（插件：Mermaid.js） 在线工具： Mermaid Live Editor GitLab/GitHub Markdown 开源库： 基于JavaScript开发，支持自定义扩展（GitHub仓库）。 通过 Mermaid，用户可以将复杂的图表设计转化为可维护的文本代码，显著提升技术文档的编写效率和协作性。
1 年前
Claude MCP Server是基于Model Context Protocol（MCP）协议为Claude模型搭建的服务器。以下是具体介绍： 协议基础 MCP是由Anthropic推出的一种开放标准协议，旨在为大语言模型（如Claude）与各种数据源和工具之间提供一种通用、标准化的交互方式，就像一个“万能接口”，可连接本地文件系统、数据库、网络服务等多种数据源。 服务器功能 资源访问与整合：Claude MCP Server充当了Claude模型与外部资源之间的桥梁，使Claude能够访问和整合本地及远程的各种数据和服务，如文件的读写操作、数据库的查询与更新、网络搜索、与代码托管平台的交互等。 功能扩展：通过MCP服务器，可以为Claude添加各种自定义功能和工具，如在Claude中集成图像生成功能、实现对特定网站的自动化操作、进行数据可视化等。 工作流程 当用户向Claude提出请求时，Claude客户端会与MCP服务器进行通信，MCP服务器将用户的请求转换为对相应数据源或工具的操作指令，获取所需的数据或执行相应的任务，然后将结果返回给Claude客户端，Claude再根据这些结果生成回答并呈现给用户。 应用场景 代码开发与管理：Claude可直接连接GitHub等代码托管平台，实现代码的自动编写、仓库创建、推送代码、创建issue、创建分支和PR等一系列开发流程。 数据分析与可视化：接入本地或云端数据库，自动生成SQL查询语句，提取数据并进行可视化，如生成交互式趋势图和投资组合表现分析等。 网络搜索与信息整合：连接网络搜索服务，Claude可直接获取互联网上的实时信息，并进行总结和提炼，同时还可以与本地数据结合，生成更全面和准确的回答。
