关注 GPT-5、Claude 4 系列、Gemini 系列等模型在推理、代码、长上下文和多模态任务上的变化。
AI Notes / 2026
记录大模型时代的技术细节与实践思考
这里暂时作为个人技术分享页，记录我对 AI 模型、智能体、检索增强、多模态理解和工程落地的阅读笔记。 内容以学习、复盘和观点整理为主，尽量写清楚一个问题背后的方法、边界与取舍。
整理工具调用、记忆、任务拆解、结果校验和人机协作流程，关注稳定性而不是概念堆叠。
记录向量检索、重排、知识切片、引用溯源和回答可信度方面的实践经验。
模型观察
不做排行榜，只记录这些模型在日常使用中的差异：推理是否稳、写代码是否能闭环、长材料是否会漏细节。
重点观察复杂任务拆解、代码生成、工具调用和事实可靠性。使用时会特别关注它是否能主动检查前后矛盾。
推理
代码
工具调用
适合观察长文阅读、代码审阅和多步骤任务。我的记录重点是它如何保留上下文，以及如何解释取舍。
长文本
代码审阅
任务规划
重点关注多模态理解、资料整理和跨格式输入。尤其适合观察图片、文档与文本问题混合时的表现。
多模态
资料整理
长上下文
少写热闹结论，多写可复现的观察；少追概念，多看模型在真实任务里有没有把事情做完。
实践笔记
这些内容会更偏实操：怎么拆任务、怎么准备上下文、怎么判断输出是否可信。
好的提示词更像任务说明：目标、输入、约束、判断标准和输出格式都要清楚，模型才容易稳定发挥。
自动执行很有吸引力，但每一步都需要可观察、可回退、可验证，否则流程越长，错误越难定位。
检索增强不是把资料塞给模型，而是让答案能回到原文，能解释依据，也能暴露不确定的地方。
学习路线
给自己留一条持续更新的路线，从基础概念到真实任务，逐步沉淀成可复用的方法。
读懂模型
关注上下文、推理、工具调用、多模态和安全边界，不只看宣传亮点。
整理任务
把模糊需求拆成输入、过程、约束和验收标准，先把问题讲清楚。
动手验证
用代表性样例测试，记录失败原因，不把一次成功当成稳定能力。
复盘沉淀
把有效流程写成清单，把常见错误写成提醒，下一次少走弯路。
文章计划
后续会把零散记录整理成系列文章，先从能被实际验证的主题开始。
从理解需求、保持上下文、执行动作、发现错误和说明结果五个角度拆开看。
记录切片、召回、重排、引用和拒答策略，重点看回答能否回到资料本身。
不只看代码是否生成，还要看是否理解原有结构、是否跑过验证、是否影响已有功能。