<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>LLM :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/LLM/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/LLM/index.xml" rel="self" type="application/rss+xml"/><item><title>Prompt Engineering 技术栈：从基础到 CoT/ToT 的完整体系</title><link>https://blog.x7peeps.com/AI/02-Prompt%E5%B7%A5%E7%A8%8B/Prompt-Engineering%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8E%E5%9F%BA%E7%A1%80%E5%88%B0CoT%E5%92%8CToT%E7%9A%84%E5%AE%8C%E6%95%B4%E4%BD%93%E7%B3%BB/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/02-Prompt%E5%B7%A5%E7%A8%8B/Prompt-Engineering%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8E%E5%9F%BA%E7%A1%80%E5%88%B0CoT%E5%92%8CToT%E7%9A%84%E5%AE%8C%E6%95%B4%E4%BD%93%E7%B3%BB/index.html</guid><description>Prompt Engineering 在 LLM 应用中的地位 在 LLM 应用工程的技术栈中，Prompt Engineering 是投入产出比最高的核心技能。与微调（Fine-tuning）、RAG、Agent 框架开发等工程手段相比，它不需要额外的训练数据、GPU 算力或复杂的基础设施——仅仅通过优化输入文本的结构与语义，就能显著改变模型的行为质量。</description></item><item><title>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</guid><description>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 大语言模型（LLM）已从学术论文中的实验性工作，演变为支撑数十亿用户日常交互的基础设施级产品。作为 AI 应用开发者，理解从底层 Transformer 架构到上层应用框架的完整技术栈，是做出正确技术选型、构建高质量 AI 应用的前提。</description></item><item><title>Token 经济学与推理参数：成本、延迟、质量的三角博弈</title><link>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Token%E7%BB%8F%E6%B5%8E%E5%AD%A6%E4%B8%8E%E6%8E%A8%E7%90%86%E5%8F%82%E6%95%B0%E6%88%90%E6%9C%AC%E5%BB%B6%E8%BF%9F%E8%B4%A8%E9%87%8F%E7%9A%84%E4%B8%89%E8%A7%92%E5%8D%9A%E5%BC%88/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/Token%E7%BB%8F%E6%B5%8E%E5%AD%A6%E4%B8%8E%E6%8E%A8%E7%90%86%E5%8F%82%E6%95%B0%E6%88%90%E6%9C%AC%E5%BB%B6%E8%BF%9F%E8%B4%A8%E9%87%8F%E7%9A%84%E4%B8%89%E8%A7%92%E5%8D%9A%E5%BC%88/index.html</guid><description>Token 经济学与推理参数：成本、延迟、质量的三角博弈 在生产级 LLM 应用中，Token 是一切的度量单位——它既是模型理解与生成的基本粒度，也是计费的最小单元，更是决定推理延迟的关键变量。一个表面上看起来简单的 API 调用，背后牵涉到 Token 化效率、推理参数配置、上下文窗口管理、成本预算控制等一系列工程决策。这些决策之间存在复杂的耦合关系，构成了一个经典的三角博弈：成本、延迟、质量三者不可兼得，开发者必须根据业务场景做出精准的权衡取舍。</description></item><item><title>Context Engineering：从 Prompt 到上下文系统的工程化演进</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Wed, 15 Jul 2026 16:21:46 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.html</guid><description>Context Engineering：从 Prompt 到上下文系统的工程化演进 在 LLM 应用开发领域，2023 年是 Prompt Engineering 的年份——开发者们痴迷于找到"神奇的措辞"来释放模型能力。但当 AI 应用从简单的单轮对话演进到复杂多步骤 Agent 系统时，一个新问题浮出水面：大多数 Agent 的失败不是因为模型不够聪明，而是因为它看到的信息不够好。</description></item><item><title>GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践</title><link>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/GraphRAG%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</link><pubDate>Mon, 17 Aug 2026 10:36:28 +0800</pubDate><guid>https://blog.x7peeps.com/AI/04-RAG%E4%B8%8E%E7%9F%A5%E8%AF%86%E5%BA%93/GraphRAG%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AF/index.html</guid><description>GraphRAG 技术全景：知识图谱增强检索生成的架构、实现与生产实践 检索增强生成（RAG）已成为企业级 LLM 应用的主流架构——通过将外部知识注入推理过程来缓解幻觉和知识过时问题。然而，传统基于向量相似度的 RAG 在面对多跳推理和全局理解两类问题时暴露了结构性短板：它将文档视为孤立的文本块进行检索，无法捕捉实体之间的复杂关系，更无法对整个语料库进行宏观理解。</description></item><item><title>AI辅助蓝队威胁检测与自动化深度分析</title><link>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AI%E8%BE%85%E5%8A%A9%E8%93%9D%E9%98%9F%E5%A8%81%E8%83%81%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%87%AA%E5%8A%A8%E5%8C%96%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</link><pubDate>Wed, 08 Jul 2026 10:30:00 +0800</pubDate><guid>https://blog.x7peeps.com/%E5%AE%89%E5%85%A8/%E5%BA%94%E6%80%A5%E5%93%8D%E5%BA%94/0x03%E5%8F%96%E8%AF%81%E5%88%86%E6%9E%90/AI%E8%BE%85%E5%8A%A9%E8%93%9D%E9%98%9F%E5%A8%81%E8%83%81%E6%A3%80%E6%B5%8B%E4%B8%8E%E8%87%AA%E5%8A%A8%E5%8C%96%E6%B7%B1%E5%BA%A6%E5%88%86%E6%9E%90/index.html</guid><description>系统剖析AI技术在蓝队威胁检测与自动化响应中的全维度应用，涵盖机器学习异常检测模型与特征工程、用户实体行为分析UEBA、深度学习恶意软件分类、LLM大语言模型在安全运营中的创新应用、SOAR自动化编排响应，结合SolarWinds供应链攻击与Emotet僵尸网络案例还原AI驱动的蓝队实战体系</description></item></channel></rss>