AI 基礎與原理 第 2 頁

Temperature、Top-p、Top-k、Min-p 不是越低越準。本文用抽球心智模型拆解四者差異，教你追查有效參數，並以程式、摘要、Tool Calling、創作四組 A/B Test 建立可重跑設定。

RAG 就是讓 AI 先從指定知識庫找證據，再帶著證據回答。本文用請假政策案例，拆解六個零件、五步原型、評測方法，以及 RAG、長上下文與微調怎麼選。

Harness 管工作條件、Loop 管反覆做到合格、Graph 管下一步往哪走。用一個退貨 Agent 完整拆解三個可重疊的設計視角，附故障診斷與 5 步實作法。

模型蒸餾不是單純把大模型縮小。用白話圖解與可重跑實驗，拆清 logits、SFT、合成資料、RL、量化，以及 Student 為何能贏一張考卷卻不代表整體更聰明。

AI 不會因為一次聊天就等同於完成重新訓練。這篇用「讀書、看示範、練習、教練、考試」五步驟，白話拆解預訓練、SFT、RLHF、DPO、Evals，以及模型訓練和 Memory 到底差在哪。

上下文工程（Context Engineering）是什麼？本文用最白話的方式，帶完全沒有技術背景的你從零搞懂：它和提示工程差在哪、四個核心動作（WRITE／SELECT／COMPRESS／ISOLATE）、四種翻車模式，以及今天打開 ChatGPT 就能用的 5 個技巧。

ChatGPT、Claude 到底怎麼運作？原來 LLM 的本質就是一台「猜下一個字」的機率接龍機器。用最白話的方式，零基礎帶你 5 步驟搞懂大型語言模型運作原理。

為什麼 ChatGPT 查得到機票卻不能幫你訂？答案是 Agent Harness。這篇零基礎白話文，帶你從頭搞懂讓 AI 從「只會聊天」變成「會自己動手做事」的執行引擎：Agent = Model + Harness、核心的代理迴圈、工具與停止條件，以及 Claude Code、SWE-agent、SWE-bench 三大真實案例。