记录技术笔记，展示作品集与项目复盘。https://zhang-llmlab.github.io/zh-cnhttps://zhang-llmlab.github.io/posts/nginx/01-nginx-introduce/https://zhang-llmlab.github.io/posts/nginx/01-nginx-introduce/Nginx 是高性能的 HTTP / 反向代理服务器，兼具邮件代理能力。本文梳理它的由来、核心概念（Web 服务器、正向 vs 反向代理），并对比 IIS / Tomcat / Apache / Lighttpd 等主流 Web 服务器。Wed, 15 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/agent-dev/01-frameworks/https://zhang-llmlab.github.io/posts/agent-dev/01-frameworks/| 框架 | 定位 | 特点 | | --------------------- | ---------------------- | --------------------------------Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/agent-dev/02-tech-barriers/https://zhang-llmlab.github.io/posts/agent-dev/02-tech-barriers/> 作为 Agent 开发工程师视角的思考Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/agent-dev/03-multi-agent-architectures/https://zhang-llmlab.github.io/posts/agent-dev/03-multi-agent-architectures/Multi-Agent 架构可以从**协作拓扑**、**控制方式**和**代表框架**三个维度来梳理。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/agent-dev/04-unified-entry/https://zhang-llmlab.github.io/posts/agent-dev/04-unified-entry/汽车技术中心当前正推进多个 Agent 项目：Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/agent-dev/05-tech-path/https://zhang-llmlab.github.io/posts/agent-dev/05-tech-path/通过与 AI Agent 对话,实现:Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/harness/01-concepts/https://zhang-llmlab.github.io/posts/harness/01-concepts/**Harness（工程外壳）** 是包裹在 LLM 外面的**运行时环境**，负责把一个"能对话的模型"改造成一个"能干活的 Agent"。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/harness/02-vs-agent/https://zhang-llmlab.github.io/posts/harness/02-vs-agent/**Harness 是基础设施，Autonomous Agent 是跑在这个基础设施上的一种应用形态。**Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/harness/03-essence-claude-code/https://zhang-llmlab.github.io/posts/harness/03-essence-claude-code/**Harness（挽具/框架）** 是包裹在 LLM 外面的一层工程系统。LLM 本身只是一个"输入文本 → 输出文本"的函数，它不能执行代码、不能读文件、不能记住上一次对话、不能主动做任何事。HaFri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/misc/rl-concepts/https://zhang-llmlab.github.io/posts/misc/rl-concepts/**强化学习（reinforcement learning，RL）** 讨论的问题是智能体（agent）怎么在复杂、不确定的环境（environment）中最大化它能获得的奖励。如图 1.1 所示，强Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/01-intro/https://zhang-llmlab.github.io/posts/ml-basics/01-intro/机器学习（Machine Learning, ML）是人工智能的一个分支，它使计算机能够从数据中自动学习规律，并利用这些规律对未知数据进行预测或决策，而无需被显式地编程。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/02-classification/https://zhang-llmlab.github.io/posts/ml-basics/02-classification/机器学习可以从多个维度进行分类。最经典的划分方式是按**学习方式**分为监督学习、无监督学习、半监督学习和强化学习；此外还可以按**任务类型**、**模型形式**、**学习策略**等进行划分。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/03-modeling-workflow/https://zhang-llmlab.github.io/posts/ml-basics/03-modeling-workflow/一个完整的机器学习项目并不是"选个模型 → 训练 → 完事"，而是一条贯穿业务、数据、模型、工程、运营的**闭环流水线**。工业界普遍遵循的流程可以归纳为下面 10 个阶段。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/04-dataset-matrix/https://zhang-llmlab.github.io/posts/ml-basics/04-dataset-matrix/一个典型的机器学习数据集（Dataset）由若干**样本（Sample）**组成，每个样本包含若干**特征（Feature）**，在监督学习中还会带有对应的**标签（Label）**。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/05-iid/https://zhang-llmlab.github.io/posts/ml-basics/05-iid/**独立同分布**（Independent and Identically Distributed，简称 **i.i.d.** 或 **IID**）是概率论与统计学中的一个基本假设。当一组随机变量 $Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/06-overfitting/https://zhang-llmlab.github.io/posts/ml-basics/06-overfitting/在机器学习中，模型在训练数据上的表现与在新数据（测试集或真实场景）上的表现之间存在一种权衡关系。理解这一权衡的核心就是**欠拟合（Underfitting）**与**过拟合（Overfitting）*Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/07-cross-entropy/https://zhang-llmlab.github.io/posts/ml-basics/07-cross-entropy/交叉熵源自信息论，衡量两个概率分布之间的差异。给定真实分布 $p$ 和预测分布 $q$，交叉熵定义为：Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/08-knn/https://zhang-llmlab.github.io/posts/ml-basics/08-knn/**K 近邻算法（K-Nearest Neighbors, KNN）** 是一种最经典、最直观的监督学习算法，既可用于**分类**，也可用于**回归**。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/ml-basics/09-model-distillation/https://zhang-llmlab.github.io/posts/ml-basics/09-model-distillation/深度学习模型的效果与规模高度相关——参数量越大，通常性能越强。然而大模型在实际部署时面临一系列问题：Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/skills/01-principles/https://zhang-llmlab.github.io/posts/skills/01-principles/**Skill（技能）** 是一份可复用的"操作手册"，本质上是一个带有元数据的 Markdown 文件。它告诉 Agent：**在什么场景下、按什么步骤、用什么标准去完成一类任务**。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/skills/02-understanding/https://zhang-llmlab.github.io/posts/skills/02-understanding/关键点：**Skill 不是"自动读取"的，而是模型"主动调用"的**。这个"看起来自动"的效果，来自三方协作 —— **Harness（运行时）注入元数据，模型判断相关性，工具机制加载正文**。Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/skills/03-cross-framework/https://zhang-llmlab.github.io/posts/skills/03-cross-framework/**结论先说**：Skills **不是行业标准**，目前主要是 **Anthropic 生态的约定**（Claude Code、Claude Apps、Agent SDK 都用同一套）。其他框架有各Fri, 10 Jul 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/langgraph/04-nodes/https://zhang-llmlab.github.io/posts/langgraph/04-nodes/说明节点函数与 add_node、START/END、CachePolicy 节点缓存、RetryPolicy 重试语义、defer 延迟到超步末执行、Send 动态并行与 Reducer 合并顺序，并用超步（superstep）对比静态扇出与多入边触发差异。Mon, 06 Apr 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/langgraph/05-edges/https://zhang-llmlab.github.io/posts/langgraph/05-edges/说明 LangGraph 中边的角色：add_edge 普通边、add_conditional_edges 条件路由、START/END 与条件入口、多出路在同一超步并行，以及循环图中终止条件与 recursion_limit / GraphRecursionError。Mon, 06 Apr 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/langgraph/06-practice/https://zhang-llmlab.github.io/posts/langgraph/06-practice/两道动手题：用 TypedDict 与部分状态更新理解「按字段传递」；用 START 扇出、多入边与 defer=True 在控制台观察延迟汇聚执行顺序。附与节点篇、边篇的衔接说明。Mon, 06 Apr 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/langgraph/07-send/https://zhang-llmlab.github.io/posts/langgraph/07-send/说明 langgraph.types.Send 的语义：在路由函数中返回 Send 列表实现运行期动态并行；子状态与全局 State 的关系；配合 Annotated 与 operator.add 等 Reducer 合并并行结果；与静态扇出对照。Mon, 06 Apr 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/langgraph/01-intro/https://zhang-llmlab.github.io/posts/langgraph/01-intro/介绍 LangGraph 的定位、核心概念（图/状态/检查点）、与 LangChain 的差异及 Pregel 运行时，并附最小可运行示例，帮助读者搭建 Agent 工程心智模型。Sun, 05 Apr 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/langgraph/02-graph-api/https://zhang-llmlab.github.io/posts/langgraph/02-graph-api/系统讲解 StateGraph 的三大构件（State / Nodes / Edges）、TypedDict 状态与 reducer，以及 state_schema、input_schema、output_schema 的契约与执行流，并附输入输出分离与私有字段传递示例。Sun, 05 Apr 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/langgraph/03-reducer/https://zhang-llmlab.github.io/posts/langgraph/03-reducer/说明 LangGraph 中 Reducer 的职责与类型签名，覆盖默认覆盖、add_messages、operator.add/mul 与自定义归约，并演示并行更新下的合并策略与 operator.mul 初始化注意点。Sun, 05 Apr 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/pytorch/01-tensor-basics/https://zhang-llmlab.github.io/posts/pytorch/01-tensor-basics/系统梳理 PyTorch 张量从创建、dtype/device 到 NumPy 互转、运算（in-place / 矩阵乘法）以及拼接（cat / stack）的关键用法与注意事项。Sat, 28 Mar 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/pytorch/02-tensor-shape/https://zhang-llmlab.github.io/posts/pytorch/02-tensor-shape/从深度学习训练实战出发，系统讲清索引、形状变换与常见运算，帮助你减少维度错误并提升代码可维护性。Sat, 28 Mar 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/pytorch/03-autograd/https://zhang-llmlab.github.io/posts/pytorch/03-autograd/从计算图、backward、梯度累积到 detach/no_grad，系统讲清 PyTorch 自动微分在训练中的核心机制与常见坑。Sat, 28 Mar 2026 00:00:00 GMThttps://zhang-llmlab.github.io/posts/pytorch/04-linear-regression/https://zhang-llmlab.github.io/posts/pytorch/04-linear-regression/以一元线性回归为例，系统讲清数据构造、mini-batch 训练、MSE 损失、梯度下降更新和可视化评估，帮助你建立可迁移的深度学习训练范式。Sat, 28 Mar 2026 00:00:00 GMT