#论文深读

Agent 时代的工程学·门禁篇：六道闸门，和一条「不可逆边界」定律

决策地图系列第六篇：体系化地做 AI Gates 门禁。先给出第一性分解——门禁 = 判定器 × 执法点，判定器全是评测的蒸馏、执法点应设在不可逆性跃迁的边界上；再沿 AI 系统生命周期排出六道闸门（输入、输出、行动、合入、发布、熔断），每道闸配源头论文与技术代表：Llama Guard、Constitutional Classifiers、NeMo Guardrails、ToolEmu、Progent、Meta TestGen-LLM、promptfoo/Braintrust、Preparedness Framework/RSP、Circuit Breakers。附一张可复用的门禁设计表和四步落地路线。

AI LLM Agent AI 安全论文深读

Agent 时代的工程学·评测路由篇：六个决策点，和一条「路由器是评测器的蒸馏」定律

决策地图系列第五篇：做 AI Eval 的团队怎么把评测策略下发给 LLM Router？把这条链路拆成六个决策点（信号源、学习目标、路由时机、成本旋钮、路由器验收、闭环与泛化），用「论文→产品」传导链判收敛：Chatbot Arena→RouteLLM→P2L 的 Berkeley 系、MSR Hybrid LLM→Azure Model Router 的微软系、eval 数据→定制路由器的 Not Diamond 系。得到一条新定律：路由器是评测器的在线蒸馏——评测信号有多保真、多便宜，路由就有多强、收敛多快。附四阶段落地路线图。

AI LLM 评测论文深读

帕累托的两副面孔：LLM 工程里的 80/20 杠杆，和「无法白嫖」的取舍前沿

一个 1896 年的意大利经济学家，名字反复出现在 2022-2024 年的大模型论文里——但「帕累托」其实是两个不同的数学对象：重尾分布（80/20，告诉你杠杆藏在哪）和帕累托前沿（告诉你免费午餐吃完没有）。用八篇论文把两副面孔各自在 LLM 里的三次现身讲清楚：数据侧的 LIMA 与数据剪枝、注意力侧的 H2O、请求侧的路由前提；成本-质量前沿的 FrugalGPT/RouteLLM、算力分配的 Chinchilla、多目标对齐的 Rewarded Soups/Panacea。最后给一条可复用的心法：前沿的每一次外推，都始于发现一条新的重尾。

AI LLM 论文深读

模型里没有一格存着「巴黎」：大模型为什么能学习，学到的东西究竟怎么存

两个最根本的问题一次讲清：为什么"预测下一个词+梯度下降"这么笨的办法能学到知识（因为预测即压缩，压缩逼出规则）；知识以什么形态存在权重里（不存在任何"格子"里，而是存在高维空间的方向上——MLP 是键值查询台，容量约 2 bit/参数）。附一个亲手可跑的 30 行实验。

LLM 论文深读

Agent 写码、Agent 测码：「人力真空」的真名，叫「独立验证真空」

如果代码由 agent 写、测试也由 agent 生成，人退出验证环节会不会导致线上故障？本文用九个可核实的来源回答：会，但根因不是「人少了」，而是「独立验证信号少了」。写与测同源时，测试从独立证据退化为自我确认；对冲方案不是把人塞回原位，而是重构验证信号图——这个问题 1983 年就被预言过一次。

AI LLM Agent Agent 工程论文深读

Agent 时代的工程学：六个决策点，每个都有一条「论文→产品」的传导链

Agent 工程在 2026 年不缺方法，缺的是判断：哪些决策已经收敛（抄工业默认答案就行），哪些还没收敛（要自己读论文做实验）。本文把 Agent 工程拆成六个决策点，每个决策点给出源头论文、落地技术代表和收敛度判断，最后合成一张可以直接用的选型地图。

AI LLM Agent Agent 工程上下文工程 AI Infra 论文深读

Agent 时代的工程学·Infra 篇：六个决策点，和一条从显存到信任的收敛度梯度

应用层的六个决策点全部站在 Infra 兑现的承诺上：token 流得出来、动作有地方跑、状态死不掉、身份说得清。本文用同一套「论文→产品」传导链方法，把 Agent Infra 拆成六个决策点逐个判收敛，并合成一条规律：离物理越近的层越收敛，离社会越近的层越不收敛。

AI LLM Agent AI Infra Agent 工程论文深读

Agent 时代的工程学·测试篇：六个决策点，和一条「Oracle 梯度」定律

决策地图系列第四篇：测试团队被 Agent 时代冲击两次——工具 agent 化、被测对象也 agent 化。把测试拆成六个决策点（测试生成、杀伤力度量、E2E agent 化、fuzzing 算力化、确定性模拟、agent evals），用同一套「论文→产品」传导链判收敛，得到一条新定律：一个测试环节被机器接管的速度，等于它的判定标准（oracle）能被形式化的程度。测试团队的转变，就是沿这条梯度上移。

DeepSeek-V4-Flash 为什么这么快：三代论文对同一个分母的围剿

结合 DeepSeek-V4 技术报告（arXiv:2606.19348）与它的论文谱系（MLA→NSA→DSA→CSA/HCA），把 V4-Flash 的"快"拆成一个公式：解码速度 ≈ 带宽 ÷ 每 token 要搬的字节数。所有架构创新都是在砍这个分母的五个因子——激活参数、KV 宽度、看多少条、存多少条、每个数占几位。

LLM AI Infra 论文深读

Agent 时代的工程学·计算层篇：六个决策点，和一条「接口冻结」定律

决策地图系列第三篇，钻到最底层：kernel、数值精度、并行策略、解码加速、稀疏架构、RL 训练系统。用同一套「论文→产品」传导链判收敛，并用一个反例修正上一篇的物理-社会梯度：计算层全是物理问题，却仍有不收敛的角落——因为收敛的真正前提不是"离物理近"，而是"上游接口已冻结"。

AI LLM AI Infra 论文深读

Agent 部署架构全景：五种宿主形态、两条横切层，和背后同一个冲突

云基础设施默认计算是短时、无状态、可信、调用图静态的——Agent 把四个假设同时打破。本文结合 AIOS、Parrot、Autellix、部署综述（arXiv:2412.13437）等论文，把当前 Agent 部署方式整理成"五种宿主形态 + 两条横切层"的分层地图：进程内嵌入、沙箱化执行、托管运行时、Agent OS、端侧协同，以及 serving 调度层与 MCP/A2A 互联层，并给出选型决策表。

AI Agent AI Infra 论文深读

一页 API 文档的考古学:八个"进阶功能",三条论文谱系

某大模型平台的"进阶使用"页列了八个功能:续写模式、批量推理、视觉定位、上下文缓存、文件输入、云部署 MCP、3D 生成、GUI 任务处理。看起来是产品经理排的功能清单,其实是一张考古地图——每个卡片下面都埋着一条"论文→系统→产品"的谱系。本文把八个功能归并成三条:给稀缺资源定价(KV Cache 经济学)、把世界变成 token(表示的进出口)、闭合反馈环(从会说到会做),每条配已核实的 arXiv 论文链,结尾给一套看任何 API 新功能都能用的三问。

LLM AI Infra Agent 论文深读

解剖 DeepSeek-R1 的"思考":推理链长什么样、怎么长出来、由什么控制

结合 R1 论文(arXiv 与 Nature 版)、GRPO 原始论文和三篇可解释性研究,把 DeepSeek-R1 的内部推理过程拆成一条完整链路:推理时思维链的四段解剖(定义→开花→重构→定案),训练侧 R1-Zero 纯 RL 涌现与 R1 四阶段管线,以及激活空间里可加减的"回溯方向"与锚点句证据。

LLM 论文深读

思考深度参数解剖:你调的不是智力,是串行计算的租借额度

reasoning_effort、budget_tokens、thinkingBudget——每家大模型 API 都有一个"思考深度"旋钮,但它到底控制内核的什么?结合表达力理论(CoT 扩展固定深度 Transformer 的计算类)、s1 预算强制、L1 长度条件 RL、gpt-oss 的一行提示词实现和激活空间的"思考速度"方向,把这个参数从外壳拆到内核:它不改权重不加层,只控制模型租借多少串行计算步数。

LLM 论文深读

2026年8月4日

记忆的内化：Metis 把 Agent 记忆从提示词搬进前向计算

做出外挂记忆操作系统 MemOS 的 MemTensor 团队，自己发布了外挂路线的'反面'：Metis（arXiv:2607.26760），第一个把记忆做成原生能力的基础模型——记忆不再是数据库+检索+拼提示词，而是一块随对话演化的参数状态：写入靠前向计算，读取靠 memory attention，全程没有一次反向传播。本文沿论文的三轴对比（架构、优化、效率）拆它的设计，再用诚实的数字给它定位：原生记忆今天的处境，约等于 LRM 出现之前的推理。

Agent 记忆 LLM 论文深读

从能跑到可托付：顶级 Agent 应用工程师的六层系统与三条闭环

写给已经在做 Agent 的工程师：从目标契约、上下文状态、决策控制、工具环境、运行时信任到评测学习，用六层系统与三条闭环重新理解 Agent 应用层，并给出从功能实现者走向系统负责人的进阶路径。

AI LLM Agent Agent 工程上下文工程 AI Infra 论文深读

当 Agent 开始说“物化”：一张大模型工程术语地图

从物化、编排、轨迹、检查点到 Harness 和 Verifier，按任务闭环梳理 60 多个 Agent 工程术语，并追问哪些是真问题的新名字、哪些只是旧概念迁移，以及模型为何偏爱这种语言。

AI LLM Agent Agent 工程论文深读

Agent 的断点续传：任务如何中断、恢复，并且不把效果丢在路上

结合分布式快照、Saga、LogAct、Crab、RAC、Plans Don’t Persist 与 τ-bench，解释 Agent 长任务如何用任务契约、事件日志、副作用账本、恢复对账和外部验证器实现可中断、可恢复且效果可验收。

Agent 如何控制浏览器：从 HTTP、DOM、CDP 到视觉与混合自动化

系统拆解 Browser Agent 的控制通道与页面表示：比较 HTTP/API、WebDriver、Playwright、DOM、Accessibility Tree、CDP、浏览器扩展、视觉坐标和 Agent-aware browser runtime，并结合论文讨论评测、安全与选型。

大模型为什么要用 osascript 操作桌面：从可访问性树到视觉 GUI Agent

从一条 macOS UI 探测命令出发，解释大模型如何观察、定位、操作并验证桌面软件，比较 Accessibility Tree、视觉坐标、DOM、API/CLI 与混合控制的取舍和局限。