写在前面欢迎大家关注Rocky的知乎Rocky Ding《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book欢迎大家StarRocky最新撰写的10万字AI AgentAI智能体深入浅出全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识AIGC/LLM/AI Agent算法岗/开发岗求职面试内推学习社群涵盖涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识欢迎大家加入https://t.zsxq.com/33pJ0大家好我是Rocky。核心导读MinusX 这篇《What makes Claude Code so damn good》表面上是在拆 Claude Code真正值得读的地方却不是“某个提示词长什么样”而是它把当前 AI Agent 产品的一个核心矛盾讲透了Agent 越想表现得聪明系统越容易变得不可调试真正强的 Agent往往不是把架构堆复杂而是把复杂性压回一个可以观察、可以干预、可以持续改进的闭环。Rocky 认为Claude Code 的好用不是一个单点能力而是一组工程审美的叠加它没有把多 Agent 编排当成默认答案而是保留一个主循环只在必要时生成一个受控分支。它没有把“记忆”神秘化而是用CLAUDE.md这类上下文文件把偏好、约束、项目惯例外部化。它没有把工具设计成一堆抽象动作而是在低层工具、中层工具、高层工具之间做了明确分工。它没有假设模型天然会做项目管理而是让模型维护 Todo并把任务状态变成上下文的一部分。它没有羞于使用IMPORTANT、正反例、XML 标签、Markdown 分区这些朴素手段因为今天的模型仍然需要被明确地“扶着走”。这篇文章对 AI Agent 团队的启发很直接Agent 的护城河不在“我有多少个 agent 节点”而在你能不能把模型能力、工具边界、用户偏好、执行状态和错误恢复组织成一个稳定系统。如果系统不可调试、不可复盘、不可渐进增强再华丽的多 Agent 图也只是演示资产。问题背景作者到底想解释什么原文作者 Vivek 从一个很朴素的体验问题切入为什么同样是基于强模型的编程 AgentClaude Code 往往比 Cursor、GitHub Copilot agent 等形态更少让人烦躁这个问题很重要因为 2025 年之后AI Coding 已经从“能不能生成代码”进入“能不能长期协作”的阶段。早期工具比的是补全、问答和一次性 patchAgent 阶段比的是它能不能读懂项目、分解任务、执行工具、处理中间失败、在长上下文里不迷路并且在用户不想被打扰的时候少说废话在用户需要控制感的时候及时停下来。也就是说Claude Code 的价值不只是“会写代码”而是它把软件开发中的很多隐性工作显性化了搜索、读文件、改文件、跑测试、总结状态、维护任务、遵守项目规则、解释下一步。这些工作本来是程序员每天在脑子里做的。Agent 要进入真实生产环境就必须把这套脑内流程变成可执行系统。原文的核心观点可以概括为一句话Claude Code 好用是因为它理解了 LLM 擅长什么、不擅长什么然后用提示词、工具、控制循环和上下文文件把模型放在最适合它发挥的位置上。这张图展示了 Claude Code 系统提示词形态随时间变化的痕迹。它真正说明的不是“提示词越长越好”而是一个更关键的事实BigLab 自己也在把 Agent 行为当成工程对象持续调参。系统提示词不是临时咒语而是产品行为规范、工具策略、任务管理算法和交互风格的集合。核心思路不是多 Agent而是可调试闭环很多 Agent 产品一开始都会走向复杂编排规划 Agent、执行 Agent、验证 Agent、反思 Agent、记忆 Agent、工具 Agent。画在架构图上非常漂亮但真正落到生产系统问题会马上出现任务失败时到底是谁的责任上下文丢失发生在哪一步错误是工具设计问题、检索问题、模型判断问题还是规划拆分问题如果每个节点都带着自己的 prompt、状态、工具和历史记录排查成本会指数级上升。MinusX 对 Claude Code 的观察恰好反过来Claude Code 的主线非常简单。它维护一个主消息历史绝大多数任务都通过主循环中的连续工具调用完成只有复杂任务才会生成一个受控的分支分支结果再作为 tool response 回到主历史中。这不是否认复杂任务需要拆解而是把拆解控制在一个仍然能被观察和回收的范围内。这张控制循环图是整篇文章最重要的图。左边是简单问题用户提出问题主循环决定读文件、搜索、编辑、返回。右边是复杂问题主循环可以调用一个 Task 分支但这个分支不是无限扩张的 Agent 网络而是一个被主循环管理的执行单元。Rocky 认为这里有一个很容易被忽略的产品判断Claude Code 并不是不会做多 Agent而是没有把多 Agent 当成默认心智模型。它把“拆任务”视为必要能力但把“保持最终目标可见”视为更高优先级。真正的工程系统不是最大化自治而是在自治和控制之间找到稳定边界。方法展开沿着原文逻辑拆 Claude Code 的 Agent 设计1. 控制循环一个主线程比一堆 Agent 更像生产系统原文第一部分讲 Control Loop。作者的判断很直接可调试性大于复杂编排。Claude Code 的控制循环有三个关键点。第一它保留一个主历史。主历史意味着系统发生过什么、用户说过什么、工具返回了什么、当前任务推进到哪里都能在同一个叙事链条里被理解。长任务当然会遇到上下文膨胀所以 Claude Code 会使用摘要、历史压缩、git history 总结等机制但这些机制服务于主循环而不是替代主循环。第二它允许分支但限制分支。复杂问题可以交给 Task 这类机制处理但分支的结果会回到主循环形成一个可复盘的工具返回。这种设计保留了层级任务处理能力又避免系统变成一张不可追踪的 Agent 调用图。第三它把 Todo 和主循环结合在一起。Todo 不是外部 PM Agent 写完后交给执行 Agent 的静态计划而是模型自己维护、执行中可以修正的动态状态。这样做的好处在于任务计划不会从上下文中消失也不会完全僵死在最初规划里。这对今天很多 Agent 团队是一个反直觉提醒多 Agent 并不天然高级。多 Agent 真正成立的前提是每个 Agent 的输入输出边界稳定、错误可定位、状态可合并、收益明显大于调试成本。否则多 Agent 只是把一个模型的不确定性拆成多个模型的不确定性。2. 小模型不是省钱工具而是系统分层工具原文提到Claude Code 大量使用更小的模型来处理文件读取、网页解析、git 历史、长对话摘要和一些轻量标签生成任务。这里表面上是成本优化本质上是 Agent 系统的分层思想。一个好的 Agent 不是每一步都调用最贵、最强、最慢的模型。真实工作流里有很多任务并不需要顶级推理能力把长文件压成摘要、判断路径是否相关、整理 git commit、生成一个状态短语、做初步内容抽取。把这些任务全部交给大模型会带来成本、延迟和吞吐压力全部交给规则又会丢掉语义弹性。所以小模型在 Agent 里承担的是“语义中间件”的角色。它既不是简单降本也不是低配替代而是把大模型从大量低价值认知负载里释放出来。Rocky 认为未来成熟 Agent 系统大概率都会有类似分层大模型负责目标判断、复杂推理、关键编辑和风险决策小模型负责上下文整理、状态压缩、低风险分类和局部读取确定性工具负责可验证操作。这也是 AI 产品从 demo 走向生产的分水岭。Demo 可以每步都堆最强模型生产系统必须让每一类调用都有经济性。3.CLAUDE.md记忆不是玄学是协作协议原文第二部分讲 Prompts其中最有实践价值的是CLAUDE.md。作者认为有没有CLAUDE.mdClaude Code 的表现差异非常大。这其实很好理解。代码仓库里有很多信息不是模型能从文件结构中自然推断出来的哪些目录不能碰团队偏好什么库测试应该怎么跑代码风格有哪些硬约束生成文档时要避开什么表达某些历史包袱为什么不能重构。人类程序员加入团队时需要 onboardingAgent 同样需要 onboarding。CLAUDE.md的关键价值是把这些隐性上下文变成一个用户和 Agent 共同维护的协作协议。它既不是传统意义上的长期记忆数据库也不是检索增强知识库而是更接近“项目行为宪法”每次任务开始时Agent 都能拿到一份明确的本地约束。Anthropic 官方文档也把CLAUDE.md放在 Claude Code 记忆体系的核心位置强调它用于保存项目说明、常用命令、代码风格和工作流偏好并支持团队级和目录级组织。这个设计说明Claude Code 并不是把记忆完全交给模型内部权重或黑盒自动回忆而是把重要规则放到可编辑、可审查、可版本化的位置。Rocky 认为这里有一个很强的行业启发Agent 时代真正有价值的记忆不是“我记住你喜欢喝咖啡”而是“我知道这个项目、这个团队、这个工作流里什么行为会造成事故”。个人偏好是锦上添花工程约束才是生产力。4. Prompt不是咒语而是可执行流程说明书原文展示了 Claude Code 大量使用 Markdown 分区、XML 标签、正反例、IMPORTANT提醒等方式来控制行为。很多人会觉得这些手段不优雅但从工程角度看它们很诚实。今天的 LLM 仍然不是一个完美可控的程序。它会忘记边界会在相似工具之间摇摆会过度解释会在长任务里丢失目标也会在某些危险路径上“顺手”做错。既然模型会犯这些错误提示词就不能只是高层价值观而要写成流程说明书。一个有效的 Agent prompt 至少要回答四类问题设计问题对应的 Prompt 职责什么时候主动做什么时候等待用户定义 proactiveness 和停止条件工具之间怎么选定义工具选择算法和优先级遇到不确定性怎么办定义提问、验证、回退和失败处理什么行为绝对不要做用强约束、反例和提醒封住高风险路径原文里提到 Claude Code 会用system-reminder、good-example、bad-example等结构把模型容易摇摆的地方具体化。这一点非常关键。好的 prompt 不是把“要专业、要认真、要负责”写一百遍而是在关键分叉点告诉模型这个场景下应该走 A不应该走 B为什么。Rocky 认为Prompt Engineering 在 Agent 阶段正在从“提示词技巧”变成“行为规约工程”。它和传统软件里的 API contract、lint rule、runbook、SOP 有相似之处只是执行者变成了一个概率模型。5. Tools工具粒度决定 Agent 的可靠性边界原文第三部分讲 Tools。Claude Code 的工具设计值得细看因为它没有押注单一抽象层级。它既有低层工具比如 Bash、Read、Write也有中层工具比如 Edit、Grep、Glob还有更高层工具比如 Task、WebFetch、ExitPlanMode以及 IDE 诊断类工具。这种组合背后的判断是工具粒度应该由使用频率、失败成本和确定性决定。如果一个动作高频出现而且模型直接用低层命令容易犯错就应该把它工具化。例如搜索代码模型当然可以写 Bash 命令但如果每次都让它临时组织grep/find/rg参数就会增加不必要的错误面。把 Grep、Glob 做成显式工具可以让常见路径更稳定。如果一个动作低频但需要自由组合就保留低层工具。Bash 的价值就在这里它不是最安全的工具但它给了 Agent 足够的逃生通道。真实项目总有边角需求工具列表不可能提前枚举所有动作。如果一个动作确定性很强而且低层执行步骤很啰嗦就应该做成高层工具。例如获取 IDE 诊断、抓取网页、进入计划确认模式。这类工具减少了模型自己拼步骤的空间让它把注意力放回任务判断。这张工具调用时间线说明了一个很有意思的事实Agent 的“智能感”并不是来自连续自然语言输出而是来自大量工具调用和工具结果之间的有序穿梭。用户看到的是几句话和一个 patch背后其实是读文件、搜索、编辑、运行、再读、再改的连续链条。所以评估一个 Agent 产品不能只看模型回答也要看工具层是不是设计得够克制。工具太少模型被迫用语言幻想能力补齐动作工具太多模型会在工具选择上迷路工具抽象太高系统不可控工具抽象太低执行成本和错误率升高。Claude Code 的经验是低层工具给自由度中层工具承接高频路径高层工具封装确定性流程。这比“给模型一个万能浏览器”更像工程系统。6. 搜索LLM Search 不是反 RAG而是反黑盒检索原文里有一个很容易引起争论的判断Claude Code 更偏向让 LLM 像人一样用ripgrep、jq、find搜代码而不是默认使用 RAG。这不是说 RAG 没有价值而是在代码场景里传统向量检索确实有一些天然问题代码怎么 chunk相似度函数怎么定义跨文件调用关系怎么处理大 JSON、日志、配置文件如何检索如果检索结果被错误截断模型可能连错误原因都看不到。相比之下LLM Search 的优势在于可观察和可调整。模型可以先看目录再搜关键词再读附近代码再扩大范围用户和系统日志都能看到它搜了什么、读了什么、为什么下一步要改这里。这更接近人类程序员的调试过程。Rocky 的判断是代码 Agent 不是不需要检索而是不能把检索变成一个看不见的裁判。向量 RAG 可以作为辅助召回但不应该替代可解释的文件系统搜索、结构化读文件和真实执行反馈。对生产级 Agent 来说可复盘性本身就是可靠性的一部分。7. Todo长任务的核心不是规划而是防止上下文腐烂原文提到 context rot也就是长时间运行的 LLM Agent 容易在任务推进中逐渐失去方向。这个问题在真实开发里非常常见一开始目标很明确中间遇到测试失败、依赖冲突、文件结构复杂、用户补充要求几轮之后 Agent 可能忘了最初要解决什么开始在局部问题里绕圈。Todo 的作用不是让 Agent 看起来“有计划”而是把任务目标和执行状态重新固定到上下文里。Claude Code 的做法是让模型自己维护 Todo而不是完全依赖另一个规划模型。这让 Todo 同时具备两个特性它是外显状态用户和系统都能看到它又有弹性执行中可以增删和重排。这比很多“规划器 Agent - 执行器 Agent - 验证器 Agent”的架构更实用。因为真实任务不是先写完计划再线性执行而是不断发现新事实、修正假设、回收路径。Todo 不是瀑布式项目管理而是上下文锚点。从产品角度看Todo 还给用户带来控制感。用户不一定需要知道每次工具调用但他需要知道 Agent 现在到底在做哪一步还有哪些步骤没做完。这种控制感正是 Claude Code 相比很多“黑箱自动执行工具”更少让人焦虑的原因。8. 可操控性朴素提醒仍然是今天的工程现实原文第四部分讲 Steerability里面有一个不太体面但很真实的结论IMPORTANT、VERY IMPORTANT、NEVER、ALWAYS这些强提醒今天仍然有效。这不是因为工程师喜欢写这种夸张措辞而是模型的可控性还没有进入完全形式化阶段。在确定性程序里禁止某个行为可以写成类型、权限、测试或策略在 LLM Agent 里很多边界只能通过 prompt、工具权限、运行时检查和用户确认共同维持。Claude Code 的高明之处是没有假装模型天然懂边界。它会明确控制语气限制不必要解释规定什么时候不要加注释提示优先使用哪些搜索工具提醒不要猜 URL定义任务管理规则。这些都不是炫技而是在减少用户被打断、被冒犯、被误导、被意外修改代码的概率。Rocky 认为未来 Agent 的可操控性会逐步从 prompt 迁移到更硬的系统层权限模型、沙箱、工具 schema、策略引擎、测试反馈、审计日志。但在当下prompt 仍然是行为控制的第一层界面。忽视它就相当于把方向盘交给模型直觉。实验与证据这篇文章能支撑到什么程度MinusX 文章的证据主要来自作者团队对 Claude Code 使用过程和网络请求日志的观察包括系统提示词变化、工具调用序列、不同模型调用比例、工具描述和 Appendix 里的 prompt/tool 信息。它不是官方架构白皮书也不是严格可复现实验所以不能把每个数字都理解为 Claude Code 的完整系统真相。但它的价值在于工程模式判断而不是参数考据。即使某些内部实现细节随版本变化文章抽出的几个模式仍然具有跨周期意义模式短期表现长期价值单主循环易调试、易复盘、上下文链条清楚避免 Agent 编排过早复杂化上下文文件项目偏好可外部化把团队规则变成可版本化资产工具分层高频动作稳定低频动作保留自由度形成可学习、可审计的执行接口Todo 状态长任务不容易漂移把任务管理纳入 Agent 运行时强约束 prompt降低不必要解释和危险行为在硬策略成熟前提供行为护栏官方 Claude Code 文档也能侧面印证这些方向Claude Code 强调终端原生、代码理解、文件编辑、命令执行、git 工作流、IDE 集成、记忆文件、设置和权限范围。这说明 Claude Code 的定位不是一个聊天机器人插件而是一个嵌入开发环境的执行系统。这篇工作的边界与可复现性需要诚实区分三件事。第一原文是第三方观察不是 Anthropic 官方披露。它对提示词、工具、调用序列的描述具有很强参考价值但不等同于完整内部架构。第二Claude Code 本身在持续更新。原文发布时间是 2025 年 8 月 21 日今天再看 Claude Code具体模型、工具、权限、记忆策略都可能已经变化。文章真正可迁移的是设计原则而不是某个版本的 prompt 文本。第三Claude Code 的体验很大程度建立在强模型基础上。单主循环、Todo、工具分层、CLAUDE.md都很重要但如果底层模型无法稳定理解代码、执行多步推理、处理工具反馈再好的 harness 也救不了。原文也承认新一代 Claude 模型能力承担了大量基础工作。因此普通 Agent 团队学习 Claude Code不能只抄 prompt。更应该问四个问题我的 Agent 是否有一个可复盘的主循环用户偏好和项目规则是否有可编辑的外部载体工具粒度是否匹配使用频率和风险等级长任务状态是否能被模型和用户共同看见如果这四个问题没有答案直接上多 Agent、复杂 RAG、自动记忆、全局规划很容易把系统做成不可维护的“聪明黑箱”。如果继续研究和落地应该关注什么对 Agent 产品团队不要急着证明你的架构比 Claude Code 更复杂。先证明你的系统比 Claude Code 更可控、更稳定、更适合你的垂直场景。如果你做数据分析 Agent重点不是把 SQL Agent、图表 Agent、解释 Agent、报告 Agent 拆得多漂亮而是让用户能看到数据来源、查询过程、变更记录和错误恢复。MinusX 自己从 Claude Code 学到的minusx.md本质上也是把团队偏好和业务规则固定下来。如果你做办公 Agent核心不是“会调用多少 SaaS API”而是如何定义权限边界、确认节点、失败重试和审计记录。执行系统一旦进入真实业务控制感比炫技更重要。对 AI Coding 工具开发者Claude Code 的启发是不要把 IDE、终端、文件系统、git、测试框架当成外部环境而要把它们当成 Agent 的感知和行动器官。真正的 AI Coding 不是聊天框加代码块而是一个能在开发环境里持续行动的控制系统。这里最有价值的长期资产不是某条 prompt而是工具调用数据、失败案例、用户纠偏、项目规则和执行轨迹。谁能把这些数据组织成训练和评估闭环谁才可能做出长期差异。对普通开发者Claude Code 越强越说明开发者的价值会从“写每一行代码”转向“定义问题、约束系统、审查结果、组织交付”。你不需要害怕 Agent 会替代所有编程工作但需要意识到单纯的局部编码技能会被快速商品化。未来更值钱的是三种能力把模糊需求拆成可执行任务的能力。把项目隐性规则写成 Agent 可遵守上下文的能力。判断 Agent 输出是否真的解决问题的能力。工具红利会退潮认知红利会上升。谁能写出好的CLAUDE.md谁就更像 Agent 时代的技术负责人。术语与概念速查概念解释Control LoopAgent 接收用户目标、调用工具、读取结果、继续决策的主循环Main History用户消息、模型回复、工具调用和工具结果形成的主上下文链条Task Branch为复杂任务临时生成的受控分支结果回到主循环CLAUDE.mdClaude Code 用来记录项目规则、命令、偏好和上下文的记忆文件LLM Search让模型像开发者一样使用搜索工具、读文件、逐步扩大范围而不是完全依赖黑盒向量召回Tool Granularity工具抽象粒度决定模型自由度、确定性和错误面Context Rot长任务中模型逐渐丢失目标、状态和约束的现象Steerability通过 prompt、工具、权限、例子和运行时约束控制模型行为的能力拓展思考Claude Code 真正改变的是什么如果只把 Claude Code 看成一个编程工具会低估它的意义。它真正展示的是 Agent 产品的一种成熟方向模型不是产品模型加上可调试执行系统才是产品。过去一年很多团队做 Agent 的默认路径是“更复杂”更多 Agent、更长规划、更大的知识库、更自动的记忆、更夸张的演示。但 Claude Code 给出的反例是“更克制”一个主循环、清楚的工具、显式的 Todo、可编辑的记忆文件、强约束 prompt、必要时才分支。Rocky 认为这种克制不是保守而是工程系统进入真实世界前必须经历的收敛。LLM 本来就是高不确定性组件围绕它搭系统时最重要的不是再引入更多不确定性而是用可观察、可回退、可解释的机制把不确定性包起来。这也是为什么 Claude Code 让人感觉“好用”。它不是因为永远正确而是因为当它不确定、犯错、需要读文件、需要改计划时用户仍然能理解它在做什么。一个 Agent 最终能不能进入生产不取决于它在 demo 里多聪明而取决于它在复杂任务里是否仍然可合作。对 AI 行业来说Claude Code 的本质信号是Agent 正在从“模型能力展示”进入“执行系统工程”。下一阶段的竞争不只是大模型公司之间的能力竞争也会是开发环境、工具协议、权限体系、记忆文件、工作流数据和用户信任之间的系统竞争。工具不是护城河判断才是护城河。Claude Code 值得学的不是某个提示词片段而是它背后的判断让模型做它擅长的事让工具承担确定性让上下文承载团队规则让 Todo 抵抗任务漂移让主循环保留调试入口。这个判断才是 AI Agent 从玩具走向生产力的关键。参考资料MinusX《What makes Claude Code so damn good (and how to recreate that magic in your agent)!?》2025-08-21https://minusx.ai/blog/decoding-claude-code/Anthropic Claude Code DocsOverviewhttps://docs.anthropic.com/en/docs/claude-code/overviewAnthropic Claude Code DocsHow Claude remembers your projecthttps://docs.anthropic.com/en/docs/claude-code/memoryAnthropic Claude Code DocsClaude Code settingshttps://docs.anthropic.com/en/docs/claude-code/settings推荐阅读1. 深入浅出完整解析AI AgentAI智能体的核心基础知识2025年可以说是AI Agent全面落地应用的元年因此Rocky在持续撰写对AI Agent的全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解同时不断跟进补充扩散模型的最新技术发展希望能给大家带来帮助深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识3. 入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识5. 深入浅出完整解析DeepSeek系列核心基础知识Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析深入浅出完整解析DeepSeek系列核心基础知识6. 深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识7. 深入浅出完整解析Stable Diffusion XLSDXL核心基础知识Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析深入浅出完整解析Stable Diffusion XLSDXL核心基础知识8. 深入浅出完整解析Stable DiffusionSD核心基础知识Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析深入浅出完整解析Stable DiffusionSD核心基础知识9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析包括其在传统深度学习中的价值和在AIGC中的价值深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识10. 深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识对于AIGC时代中的“ResNet”——LoRA模型Rocky进行了深入浅出的全面讲解深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识11. 深入浅出完整解析ControlNet核心基础知识AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。ControlNet正是让AI图像创作社区无比繁荣的关键一环它让AIGC图像创作过程更加的可控更有助于广泛地将AIGC算法解决方案应用到各行各业中深入浅出完整解析ControlNet核心基础知识12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识AI绘画和AI视频是两个互相促进、相互交融的领域2024年无疑是AI视频领域的爆发之年Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识13. 深入浅出完整解析AIGC时代Transformer核心基础知识在AIGC时代中Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向成为AI技术架构大一统与多模态整合的关键核心基座大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析深入浅出完整解析AIGC时代Transformer核心基础知识14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识AIGC创作框架正是AIGC算法工作流的运行载体目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架到了AIGC时代Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识在AIGC时代中如何快速转身入局AIGC产业如何成为AIGC/LLM/AI Agent算法/开发工程师如何在学校中系统性学习AIGC/LLM/AI Agent知识斩获心仪的AIGC/LLM/AI Agent算法/开发offerDon‘t worryRocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍为大家答疑解惑希望能给大家带来帮助手把手教你成为AIGC/LLM/AI Agent算法/开发工程师斩获AIGC/LLM/AI Agent算法/开发offer16. AIGC产业的深度思考与分析2023年3月21日微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示自从1980年首次看到图形用户界面graphical user interface以来以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。Rocky也认为AIGC及其生态会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期未来随着AIGC的全面落地和深度商用会深刻改变我们的工作、生活、学习以及交流方式各行各业都将被重新定义过程会非常有趣。那么在此基础上我们该如何更好的审视AIGC的未来我们该如何更好地拥抱AIGC引领的革新Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点希望能帮助各位读者对AIGC有一个全面的了解深入浅出全面解析AIGC时代核心价值与发展趋势2025年版17. AI算法工程师的独孤九剑秘籍为了方便大家实习、校招以及社招的面试准备同时帮助大家提升扩展技术基本面Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍持续更新中18. 深入浅出完整解析AIGC时代中GANGenerative Adversarial Network系列模型核心基础知识GAN系列模型作为传统深度学习时代的最热门生成式Al模型在AIGC时代继续繁荣作为Stable Diffusion/FLUX系列大模型的“得力助手”广泛活跃于AlGC图像创作的产品与工作流中深入浅出完整解析AIGC时代中GANGenerative Adversarial Network系列模型核心基础知识