https://osong.cc/tags/ai/Recent content in AI on 我的博客Hugozh-cnSun, 21 Jun 2026 00:00:00 +0000https://osong.cc/posts/ai-agent-framework-client-comparison/Sun, 21 Jun 2026 00:00:00 +0000https://osong.cc/posts/ai-agent-framework-client-comparison/<h2 id="一同模型不同-agent差距大吗">一、同模型，不同 Agent，差距大吗？</h2> <p>即使使用相同的模型，不同的 Agent 设计之间差距可以非常大，主要体现在：</p> <ul> <li><strong>System Prompt 质量</strong>：精心设计的 prompt 能显著提升输出质量，定义角色、约束格式、给出示例。</li> <li><strong>工具/工具链设计</strong>：工具描述是否清晰、粒度是否合理，直接影响模型的调用决策。</li> <li><strong>上下文管理策略</strong>：如何压缩、截断、总结历史对话，影响长任务的表现。</li> <li><strong>规划与反思机制</strong>：有无 chain-of-thought、self-critique、多步验证。</li> <li><strong>任务分解方式</strong>：单 Agent vs 多 Agent 协作，编排逻辑不同结果差距极大。</li> </ul> <blockquote> <p>类比：同一个厨师（模型），给他详细食谱+专业厨具（好的 Agent）和让他随便发挥（差的 Agent），做出来的菜完全不同。</p></blockquote> <hr> <h2 id="二主流-agent-框架对比">二、主流 Agent 框架对比</h2> <h3 id="工作流与状态编排">工作流与状态编排</h3> <table> <thead> <tr> <th>框架</th> <th>出品方</th> <th>核心范式</th> <th>上手难度</th> <th>最适合场景</th> <th>成熟度</th> </tr> </thead> <tbody> <tr> <td>LangGraph</td> <td>LangChain</td> <td>有状态图（DAG）</td> <td>高</td> <td>复杂多步工作流、精确状态控制、可恢复执行</td> <td>成熟</td> </tr> <tr> <td>LangChain</td> <td>LangChain</td> <td>链式编排</td> <td>中</td> <td>通用 LLM 应用、RAG 问答、快速原型</td> <td>成熟</td> </tr> </tbody> </table> <h3 id="多-agent-协作">多 Agent 协作</h3> <table> <thead> <tr> <th>框架</th> <th>出品方</th> <th>核心范式</th> <th>上手难度</th> <th>最适合场景</th> <th>成熟度</th> </tr> </thead> <tbody> <tr> <td>CrewAI</td> <td>CrewAI Inc</td> <td>角色分工团队</td> <td>低</td> <td>多角色协作、业务流程自动化、快速搭 demo</td> <td>成长中</td> </tr> <tr> <td>AutoGen</td> <td>Microsoft</td> <td>对话驱动多 Agent</td> <td>中</td> <td>代码生成与执行、多 Agent 对话协作</td> <td>维护模式</td> </tr> <tr> <td>OpenAI Agents SDK</td> <td>OpenAI</td> <td>handoff 编排</td> <td>低</td> <td>Agent 间任务移交、OpenAI 生态用户</td> <td>成长中</td> </tr> </tbody> </table> <h3 id="企业--低代码">企业 / 低代码</h3> <table> <thead> <tr> <th>框架</th> <th>出品方</th> <th>核心范式</th> <th>上手难度</th> <th>最适合场景</th> <th>成熟度</th> </tr> </thead> <tbody> <tr> <td>Dify</td> <td>Dify</td> <td>可视化工作流</td> <td>最低</td> <td>快速产品验证、无代码/低代码、中文社区友好</td> <td>成熟</td> </tr> <tr> <td>Semantic Kernel</td> <td>Microsoft</td> <td>插件 + 规划器</td> <td>中</td> <td>企业系统集成、.NET/Python 双语言、Azure 生态</td> <td>成熟</td> </tr> <tr> <td>Google ADK</td> <td>Google</td> <td>云原生编排</td> <td>中</td> <td>Google Cloud / Vertex AI 生态</td> <td>成长中</td> </tr> </tbody> </table> <p><strong>选型一句话建议：</strong></p>https://osong.cc/posts/cost-effective-vps-guide/Sat, 11 Apr 2026 00:00:00 +0000https://osong.cc/posts/cost-effective-vps-guide/<blockquote> <p>来自 Gemini 的 VPS 选购建议，涵盖低价入门、性能之选和国内优化线路三个方向。</p></blockquote> <hr> <h2 id="一vps-服务商速览">一、VPS 服务商速览</h2> <h3 id="1-极致性价比便宜之选">1. 极致性价比（便宜之选）</h3> <table> <thead> <tr> <th>服务商</th> <th>特点</th> <th>价格参考</th> <th>适用场景</th> </tr> </thead> <tbody> <tr> <td>IONOS</td> <td>欧洲老牌，首年常有 $1/月 促销，续费也低</td> <td>约 $2/月起</td> <td>个人测试、轻量 Web、海外业务</td> </tr> <tr> <td>RackNerd</td> <td>廉价战神，黑五/促销季年付 $10-$15</td> <td>约 $12/年起</td> <td>挂脚本、个人博客、存储</td> </tr> <tr> <td>CloudCone</td> <td>按小时计费，支持支付宝，有特价款</td> <td>约 $15/年起</td> <td>灵活部署、实验环境</td> </tr> </tbody> </table> <h3 id="2-性能与口碑之选物美之选">2. 性能与口碑之选（物美之选）</h3> <table> <thead> <tr> <th>服务商</th> <th>特点</th> <th>价格参考</th> <th>适用场景</th> </tr> </thead> <tbody> <tr> <td>Hetzner</td> <td>性价比之王，德国机房性能强，ARM 架构尤佳</td> <td>约 €4/月起</td> <td>重负载计算、高流量网站、数据库</td> </tr> <tr> <td>DigitalOcean</td> <td>界面友好，一键安装镜像丰富</td> <td>约 $4/月起</td> <td>开发者首选，快速部署项目</td> </tr> <tr> <td>Linode (Akamai)</td> <td>老牌稳定，在线率和 IO 表现好</td> <td>约 $5/月起</td> <td>企业级应用、高稳定性项目</td> </tr> </tbody> </table> <h3 id="3-国内访问优化直连线路之选">3. 国内访问优化（直连线路之选）</h3> <blockquote> <p>国内使用，网络线路比配置更重要。重点关注 CN2 GIA、9929 等优质线路。</p></blockquote> <ul> <li><strong>DMIT</strong>：价格偏高但线路极稳，<strong>LAX.Pro</strong> 系列（CN2 GIA）是中美线路标杆</li> <li><strong>搬瓦工 (BandwagonHost)</strong>：线路王者，后台可一键切换机房</li> <li><strong>V.PS</strong>：线路丰富，欧洲优化线路（AS9929）口碑好</li> </ul> <hr> <h2 id="二racknerd-vs-搬瓦工-深度对比">二、RackNerd vs 搬瓦工 深度对比</h2> <table> <thead> <tr> <th>维度</th> <th>RackNerd</th> <th>搬瓦工</th> </tr> </thead> <tbody> <tr> <td>价格定位</td> <td>$10-$25/年</td> <td>$50-$170+/年</td> </tr> <tr> <td>线路质量</td> <td>普通线路，晚高峰易卡顿丢包</td> <td>顶级直连（CN2 GIA/日本软银）</td> </tr> <tr> <td>硬件性能</td> <td>一般，通常老旧 CPU</td> <td>优秀，负载能力强</td> </tr> <tr> <td>主要卖点</td> <td>便宜、大流量、能跑就行</td> <td>快、稳、一键换机房</td> </tr> <tr> <td>适合人群</td> <td>练手、挂机、轻量项目</td> <td>稳定建站、极速连接、游戏加速</td> </tr> </tbody> </table> <h3 id="选-racknerd-的理由">选 RackNerd 的理由</h3> <ul> <li>预算极低，一年不到 100 元人民币</li> <li>适合第一台 Linux VPS 练手，搞坏不心疼</li> <li>流量给得大（几 TB），适合下载站或个人网盘</li> <li>机房首选 <strong>LA DC-02</strong></li> </ul> <h3 id="选-搬瓦工-的理由">选 搬瓦工 的理由</h3> <ul> <li>晚高峰依然能跑满带宽，延迟低不丢包</li> <li>后台可一键迁移机房（美/欧/日）</li> <li>精华是 <strong>CN2 GIA-E</strong> 套餐（约 $169/年，限量版 $49-$89/年）</li> </ul> <hr> <h2 id="三选购技巧">三、选购技巧</h2> <h3 id="racknerd-怎么买低价">RackNerd 怎么买低价？</h3> <ul> <li>不要去官网首页，月付套餐性价比极低</li> <li>访问促销专用页：<code>https://www.racknerd.com/NewYear/</code></li> <li>搜索 <code>RackNerd LowEndBox offers</code> 找隐藏优惠</li> <li>2026 年参考价：1GB KVM $10.18-$11.29/年，2GB 约 $18.29/年，3.5GB 约 $25.49/年</li> <li>支持支付宝</li> </ul> <h3 id="避坑提醒">避坑提醒</h3> <ul> <li><strong>支付方式</strong>：海外 VPS 需要信用卡或 PayPal；RackNerd、CloudCone、搬瓦工支持支付宝</li> <li><strong>退款政策</strong>：IONOS 等大厂有 30 天退款保证；廉价年付机（如 RackNerd）通常难退款</li> <li><strong>数据中心</strong>：国内访问选洛杉矶或圣何塞；欧洲业务选法兰克福或赫尔辛基</li> </ul> <hr> <h2 id="四如果你是搬瓦工老用户">四、如果你是搬瓦工老用户</h2> <blockquote> <p>目前用的是搬瓦工 <strong>$18.7/年</strong> 的老套餐，这个价格已绝版。</p>https://osong.cc/posts/ai-shuyu-sucha/Sat, 14 Mar 2026 00:00:00 +0000https://osong.cc/posts/ai-shuyu-sucha/<blockquote> <p>本文档整理自对话内容，涵盖模型架构、训练对齐、推理应用、智能体工具及其他常见概念，共 30+ 个高频术语。</p></blockquote> <hr> <h2 id="一模型与架构">一、模型与架构</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>大语言模型</td> <td>LLM</td> <td>在海量文本上预训练的语言模型，能理解和生成自然语言，如 GPT-4、Claude、Gemini</td> </tr> <tr> <td>多模态模型</td> <td>Multimodal</td> <td>同时处理文字、图像、音频等多种输入类型的模型</td> </tr> <tr> <td>基础模型</td> <td>Foundation Model</td> <td>经过大规模预训练、可迁移到各类下游任务的通用模型</td> </tr> <tr> <td>Transformer</td> <td>Transformer</td> <td>当前主流神经网络架构，核心机制是自注意力（Self-Attention）</td> </tr> <tr> <td>注意力机制</td> <td>Attention</td> <td>模型在处理某个词时，动态关注输入中其他词的权重分配机制</td> </tr> <tr> <td>上下文窗口</td> <td>Context Window</td> <td>模型一次能看到的最大 token 数量，决定了&quot;记忆&quot;长度</td> </tr> <tr> <td>Token</td> <td>Token</td> <td>模型处理文本的最小单元，约等于半个到一个中文字或英文词片段</td> </tr> <tr> <td>嵌入</td> <td>Embedding</td> <td>将词语/句子转化为数值向量，使模型能计算语义相似度</td> </tr> </tbody> </table> <hr> <h2 id="二训练与对齐">二、训练与对齐</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>预训练</td> <td>Pre-training</td> <td>在海量无标注数据上做自监督学习，让模型掌握语言知识</td> </tr> <tr> <td>微调</td> <td>Fine-tuning</td> <td>在预训练基础上，用特定任务数据进一步训练，使模型专业化</td> </tr> <tr> <td>指令微调</td> <td>Instruction Tuning</td> <td>用&quot;指令→回答&quot;格式的数据微调，让模型更好地遵循用户指令</td> </tr> <tr> <td>人类反馈强化学习</td> <td>RLHF</td> <td>收集人类对模型输出的偏好排序，用于训练奖励模型，再优化 LLM</td> </tr> <tr> <td>对齐</td> <td>Alignment</td> <td>让 AI 行为符合人类意图和价值观的研究方向</td> </tr> <tr> <td>幻觉</td> <td>Hallucination</td> <td>模型生成听起来可信但实际上不准确或虚构的内容</td> </tr> <tr> <td>过拟合</td> <td>Overfitting</td> <td>模型在训练集上表现极好，但泛化到新数据时变差</td> </tr> </tbody> </table> <hr> <h2 id="三推理与应用">三、推理与应用</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>推理</td> <td>Inference</td> <td>用训练好的模型对新输入进行预测/生成的过程（≠ 数学推理）</td> </tr> <tr> <td>提示词</td> <td>Prompt</td> <td>输入给模型的文本指令，是与 LLM 交互的核心方式</td> </tr> <tr> <td>提示词工程</td> <td>Prompt Engineering</td> <td>设计和优化提示词以获得更好模型输出的技术</td> </tr> <tr> <td>思维链</td> <td>Chain-of-Thought (CoT)</td> <td>让模型在回答前一步步展示推理过程，提升复杂问题准确率</td> </tr> <tr> <td>零样本 / 少样本</td> <td>Zero-shot / Few-shot</td> <td>不提供示例（零样本）或提供少量示例（少样本）来引导模型</td> </tr> <tr> <td>RAG</td> <td>检索增强生成</td> <td>先从外部知识库检索相关文档，再让 LLM 基于这些文档生成回答</td> </tr> <tr> <td>温度</td> <td>Temperature</td> <td>控制生成随机性的参数，越高越&quot;创意&quot;，越低越确定</td> </tr> </tbody> </table> <hr> <h2 id="四智能体与工具">四、智能体与工具</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>智能体</td> <td>Agent</td> <td>能感知环境、自主规划并采取行动以完成目标的 AI 系统</td> </tr> <tr> <td>多智能体</td> <td>Multi-Agent</td> <td>多个 AI 智能体协作或竞争共同完成复杂任务</td> </tr> <tr> <td>工具使用</td> <td>Tool Use / Function Calling</td> <td>模型能调用外部函数或 API（如搜索、代码执行、数据库查询）</td> </tr> <tr> <td>MCP</td> <td>模型上下文协议</td> <td>标准化 AI 模型与外部工具/数据源交互的开放协议</td> </tr> <tr> <td>编排</td> <td>Orchestration</td> <td>协调多个 AI 组件或 Agent 按顺序/并行完成任务的框架层</td> </tr> <tr> <td>记忆</td> <td>Memory</td> <td>Agent 存储和检索过往对话或经验的机制，分短期/长期记忆</td> </tr> <tr> <td>规划</td> <td>Planning</td> <td>Agent 将目标分解为子任务并决定执行顺序的能力</td> </tr> </tbody> </table> <hr> <h2 id="五其他常见概念">五、其他常见概念</h2> <table> <thead> <tr> <th>术语</th> <th>英文</th> <th>含义</th> </tr> </thead> <tbody> <tr> <td>向量数据库</td> <td>Vector DB</td> <td>专门存储和检索嵌入向量的数据库，是 RAG 的核心组件</td> </tr> <tr> <td>知识截止日期</td> <td>Knowledge Cutoff</td> <td>模型训练数据的时间上限，超过此日期的信息模型无法知晓</td> </tr> <tr> <td>护栏</td> <td>Guardrails</td> <td>防止模型生成有害、违规内容的安全约束机制</td> </tr> <tr> <td>系统提示</td> <td>System Prompt</td> <td>在对话前设置模型角色和行为规则的后台指令</td> </tr> <tr> <td>涌现能力</td> <td>Emergent Ability</td> <td>模型规模扩大后突然显现出的、小模型不具备的能力</td> </tr> <tr> <td>扩展定律</td> <td>Scaling Law</td> <td>模型性能随参数量、数据量、算力增加而规律性提升的规律</td> </tr> <tr> <td>蒸馏</td> <td>Distillation</td> <td>用大模型（教师）的输出来训练小模型（学生），压缩能力到小模型中</td> </tr> </tbody> </table> <hr> <p><em>生成日期：2026-03-14</em></p>