-
大模型安全与隐私：从密钥到数据脱敏的落地清单
做大模型应用时，最容易被忽略的往往不是效果，而是安全与隐私：日志里写了用户敏感信息、API Key 泄漏、把不可信内容当成指令执行、把模型输出当成“事实”…… 这篇给你一份偏工程落地的清单，适合... -
提示工程：一套可复用的提示模板（附常见坑）
提示工程听起来像“技巧”，但我更愿意把它当成：把任务规格写清楚。你写得越清楚，模型越稳定；你写得越模糊，模型越像在“自由发挥”。 这篇给你一套可复用模板，配上常见坑位，适合做写作、总结、代码、规... -
RAG 实战：切分、Embedding、检索、重排一条线
大模型最让人头疼的一点是：它会很自然地编故事。而 RAG（Retrieval-Augmented Generation）要做的事很直接：在回答前先检索资料，把“依据”塞进上下文，让回答变得可追溯... -
本地跑大模型：Ollama / LM Studio 选型与调参思路
把大模型放到本地跑，最常见的理由只有两个： 隐私：数据不出本机（尤其是公司资料/个人笔记） 成本：不想按 token 付费，或者经常离线 但本地跑也有代价：硬件、速度、模型大小、显... -
大模型基础：Token、上下文、温度与采样到底在干嘛
很多人第一次用大模型，会被几个词劝退：Token、上下文窗口、Temperature、Top-p……看起来很“玄学”。其实把它们放进一个统一视角里，你会发现它们只是回答两个问题： 模型能看到多... -
API 设计要点：错误码、幂等、分页与限流
API 设计这件事，最怕的是：功能能用，但细节“阴间”。例如： 出错只给一句 “error”，前端根本无法处理 客户端重试一次，订单下了两次 分页翻到一半数据乱跳，用户以为丢了 这篇不讲抽象...
