LLM（二）：LLM 能做什么？从「会生成」到「会做事」的能力地图
上一篇 LLM 开发（一）：LLM 是什么？ 把模型拆成了一个函数：给定上下文，输出词表上的概率分布。也讲了它为什么会一本正经地胡说，以及那个 POST /v1/chat/completions 里每个字段在干什么。这一篇回答下一个问题：那它到底能干什么？
Agent 开发（一）：LLM 是什么？
上一篇 Agent 开发到底该学什么[1] 里，我把学习路线拆成了十块，第二块是「LLM 基础认知」。这一篇就把这块讲透。目标很朴素：看完之后，你能回答三个问题——这个需求，LLM 到底能不能做？它为什么会产生幻觉、为什么会忘记、为什么同样的输入两次结果不一样？
FalkorDB：给LLM装知识图谱
2026 年，几乎所有做 AI 应用的团队都撞上了一堵墙：大模型记不住你公司的私有知识，检索增强生成（RAG）把文档切碎丢给向量数据库，召回的片段常常断章取义、答非所问。于是「知识图谱 + 大模型」的 GraphRAG 路线在最近一年被重新点燃。
AI 工程从数学基础、深度学习一路讲到 LLM、Agent 和 MCP
最值得停下来想的一句话，不是“GitHub热榜第一”，而是每节课都有代码、练习和可复用产物。这句话指向的，恰恰是AI工程学习里最难跨过的那道坎：看懂了，跑通了 demo，然后呢？智联招聘2026年的报告给出了一个耐人寻味的对照：人工智能工程师的需供比达到2.
mem0：6.5 万 Star 的 AI 记忆层，让助手记住你是谁，检索一次 7K Token
mem0：6.5 万 Star 的 AI 记忆层，让助手记住你是谁，检索一次只要 7K Token用 AI 助手的人都经历过这个循环：今天跟它讲清楚了自己在做什么项目、用什么技术栈、不喜欢什么写法，明天开个新对话，一切归零，又得从头交代一遍。
一图厘清AI概念：LLM、Skills、Agent、MCP
大家好我是雨中漫行的伞中人，每天给大家带来最新动态 ，内容随缘更，每篇都掏干货；如果你觉得这些信息对生活有用，就点个关注～ 最近刷技术内容，LLM、Skills、Agent、MCP这几个词高频出现。很多普通上班族、AI爱好者越看越混乱，经常把这几个名词混为一谈。
我的推理引擎只有 1.35 MB，却塞进了五类模型 + 国密安全栈，还要跟 llama.cpp 打擂台
Kestrel（红隼）：1.35 MB 单文件，在一块 RK3588 上跑通多模型推理协作平台纯 C11 · 零第三方运行时 · ARM 边缘推理开源协议：Apache License 2.
survival-llm：名字平平无奇，用起来真香
注：本文由AI辅助生成初稿，数据来源均为GitHub API实时查询与调研报告截至 2026-11-01 12:16，这个项目在 GitHub 上拿到 1,149 Stars、102 Forks（数据来源：GitHub API）。
GitHub 8.3万星LLM自学路线图和课程仓库：让你系统学大语言模型
如果你想系统学 LLM，绕不开的一个问题是：知识点太散了。Transformer 在这里讲，LoRA 在那里讲，RAG、量化、DPO 分散在十几个不同的教程里，每个人讲法还不一样。拼凑一圈下来，收藏夹满了，脑子里还是没体系。
火爆可视化 LLM 应用开发平台：把LLM 应用开发从写代码变成了拖画布
用大模型的人都知道「调 prompt」有多痛：换个模型就要重写一遍，加个知识库就要自己拼检索逻辑，做个多轮 agent 就要手搓状态机。langgenius/dify（开源地址 github.