Fine-tuning 是 LLM 应用的分水岭——但 90% 的场景其实不应该 fine-tune。这篇文章讲清楚：什么时候 fine-tune、什么时候用 RAG、什么时候用 prompt，以及 fine-tune 时LoRA / QLoRA 的工程要点（2025 年最新）。
很多团队的 LLM 上线流程是：先 fine-tune 一个"专属模型"。但 2025 年的共识已经变了：
微调 ≠ 提升能力。微调 = 对齐行为到特定场景。
GPT-4 不会因为你 fine-tune 变聪明，但会变得更"听话"——更稳定地按你的格式输出、更贴合你的语气、更准确地调用你的工具。这不是能力问题，是行为问题。
这篇文章分两部分：
期权交易中，卖方策略一直是专业投资者青睐的方式。与买方"以小博大"不同，卖方更追求稳定的权利金收入。本文将从实战角度出发，探讨期权卖方的核心技巧。
一句话先放在前面：胶片怕暗，微单怕亮。展开成曝光口诀就是：胶片宁过勿欠（按暗部曝光），微单宁欠勿过（按高光曝光 + ETTR）——两者刚好相反，本质是化学感光乳剂与光电传感器在响应极限光线时的物理差异。
这个结论不是经验玄学，而是一条曲线决定的。下面从曲线讲起，再落到白加黑减和实拍场景。
上一篇读书笔记（《中国近代史》读书笔记（蒋廷黻））从整体介绍了蒋廷黻这本书。这一篇聚焦其中一个核心论点：甲午战争暴露了"中体西用"路径的致命缺陷。
微单在绝大多数技术指标上已经远超胶片了——像素、高感、动态范围、对焦速度、连拍、视频能力，都是碾压级的。
但真正玩过一段时间胶片之后，很多人会发现有些东西确实不是"数码 + 后期"能替代的。这不是情怀滤镜，而是物理和化学层面的本质差异。
下面是我和 ChatGPT 学 Transformer 的一段对话整理。从 Q、K、V 这三个字母开始，一路问到参数怎么训练、编码器和解码器有什么区别，最后停在后训练。
追问顺序保留原样，措辞做了改写；回答重写过一遍，补上了对话里被跳过的 √d_k、多头注意力和位置编码，数字与结论对回 Attention Is All You Need 原文。
2017 年 6 月，谷歌的 8 位研究者提交了一篇只有 8 页正文的论文。它没有提出新的训练技巧，没有刷爆某个榜单的绝对数值，甚至标题看起来像一句玩笑。
但今天你用的每一个大模型——GPT、Claude、Gemini、DeepSeek、Qwen——血管里流的都是这篇论文写下的那行公式：
Attention(Q, K, V) = softmax(QKᵀ / √d_k) V这篇文章做两件事：第一部分是论文正文的完整中英对照翻译；第二部分是我用今天的视角写的解读——那些论文里一笔带过、但后来被证明至关重要的细节。
翻译体例：每个段落先列英文原文（引用块），紧接中文译文。公式与表格为便于阅读做了重排，专业术语保留英文并附中文。
在 Next.js 开发中，选择合适的渲染模式是提升应用性能的关键。本文详细解析 Next.js 的四种核心渲染模式。
渲染模式决定了页面何时生成 HTML以及由谁来生成。不同的模式在性能、实时性和 SEO 方面各有优劣。
LLM Agent 在生产环境出问题时的第一反应是什么？看 log？不够。看 metrics？不够。看 prompt？没用。你需要的是完整的 trace 重放——从用户输入到最终输出，每一步 LLM 调用、每个工具调用、每个决策点的中间结果。
传统微服务的 observability（metrics / logs / traces）已经成熟。但 LLM Agent 的可观测性是另一回事：
这篇文章讲怎么搭一套真正能 debug LLM Agent的可观测性体系。
纳西姆·尼古拉斯·塔勒布（Nassim Nicholas Taleb）的《黑天鹅：如何应对不可预知的未来》（The Black Swan: The Impact of the Highly Improbable）是一本改变我思维方式的书。
它不是一本"金融书"，虽然作者是金融从业者。它是一本关于"不确定性的本质"的书——用金融市场的案例，揭示人类认知的根本局限。
书名"黑天鹅"的来历：17 世纪之前的欧洲人以为天鹅都是白色的，直到在澳大利亚发现了黑天鹅——一次观察就推翻了"几千年的经验"。塔勒布用这个比喻：看似不可能的事件一旦发生，会彻底颠覆我们所有的"常识"。
跑过 RAG 的同学大概率踩过这个坑：Embedding 模型选得很好、向量库也没问题，但召回质量就是不行。
排查一圈下来，原因往往出乎意料——不是 Embedding 不行，而是用户的问题太"糙"：
"这个东西怎么用？" ← 缺主语
"为什么我那个又不行了？" ← 全是代词
"性能怎么样？" ← 完全没头没尾
"a 和 b 哪个好？" ← 缺上下文你是否经常陷入这些困扰？
如果答案是"yes"，那么今天我想和你聊聊"课题分离"——这个让我彻底想通的概念。
上一篇读书笔记（《贪婪的多巴胺》：欲望回路与控制回路）介绍了多巴胺的基本概念——它不是快乐的分子，而是欲望的分子。这篇接着深入聊聊"欲望回路"和"控制回路"的分离，这是理解人类行为的关键钥匙。
一个 Agent 做不了的事，多个 Agent 凑在一起就能解决——但凑错了方式，可能比单 Agent 还差。这篇文章系统讲清楚四种主流多 Agent 协作模式的机制、适用场景、坑和代码模板，帮你在生产里选对模式。
单 Agent 的瓶颈很明显：context window 有限、专业能力单一、长任务可靠性差。多 Agent 协作 是 2025 年解决这些问题的标准答案——但模式选错了，成本翻倍、质量反而下降。
四种主流模式：
flowchart TB
M[多 Agent 协作模式] --> S[Supervisor<br/>中央调度]
M --> H[Hierarchical<br/>树形层级]
M --> D[Debate<br/>多轮辩论]
M --> V[Voting<br/>独立投票]
M --> Hyb[Hybrid<br/>混合模式]
style S fill:#bee3f8,stroke:#2c5282
style H fill:#bee3f8,stroke:#2c5282
style D fill:#bee3f8,stroke:#2c5282
style V fill:#bee3f8,stroke:#2c5282
style Hyb fill:#fef3e0,stroke:#e8a0172023 年我们做合同 RAG，要先 OCR 提取文本，再做 layout 分析识别表格，再用 PyMuPDF 切 chunk，最后 embedding 入库。整条管线 6 个组件，每个都可能丢信息——表格合并了、数字 OCR 错了、扫描件直接卡死。到 2024 年 ColPali 出现，这条管线被彻底推翻：把 PDF 当图片扔给 VLM，模型同时理解文字、表格、图表、手写体，直接出 patch embedding。
这是一篇多模态 RAG 检索架构的文章。Phase 1-6 的 RAG 文章讲了"召回率优化"（BM25 + 向量 + rerank），本文讲的是当文档本身就是图像时的范式跃迁：