最近司内AI的应用尝试正在如火如荼的开展，作为移动互联网时代搜广推系统的参与者和见证者，一直在想着花时间梳理一下推荐系统的演进历程，恰好司内也有专业贡献方面的要求，就借这个机会，跟大家一起回顾一下当代推荐系统的由来，希望通过这篇文章帮当下推荐系统的从业者和新同学建立一个完整的知识脉络，并回顾一下各个关键时间节点上的里程碑事件，同时关注一下当下大模型在推荐系统这个由来已久的业务场景的落地实践，浮光掠影式的总结仅仅是对过去三十年技术演进的一个注脚，但是足以让我们心潮澎湃，让我们一起期待大模型开启的推荐系统的大航海时代。 ps：本文的部分内容通过ai整理和生成，如有纰漏欢迎指正。
本系列的文章由浅入深介绍LLM的基础知识，从大模型的使用，到原理解析，再到LLM系统实战。 这篇深入浅出的文章旨在解析大型语言模型（LLM）的智能来源，核心聚焦于其基础架构——Transformer的原理与构造。文章详细阐述了模型如何通过分词、词嵌入和位置编码将离散文本转化为可计算的连续向量，并强调了注意力机制在捕捉序列中复杂依赖关系中的关键作用。此外，它深入剖析了由自注意力层和前馈网络组成的解码器结构，并介绍了当前旗舰模型中采用的 MoE 混合架构等前沿设计，以提高效率和性能。最终总结，理解这些核心机制至关重要，因为一切应用的演变都围绕着模型能力是根本这一基础展开。
本系列的文章由浅入深介绍LLM的基础知识，从大模型的使用，到原理解析，再到LLM系统实战。 本文着重介绍LLM主流架构Transformer的原理，结合我近期阅读的几本大模型原理书籍、浏览的相关文章做了深度总结+拓展阅读，希望能帮助大家理解大模型的原理。
如今我们已经习惯了大模型处理复杂问题时，先进行深度思考再给出精心编排条理清晰的答案、惊叹于Agent在处理复杂任务时经过规划、执行、观察、反思的一系列处理复杂任务的通用能力。 但我们是否思考过，这样的能力从何而来？它是否意味着机器真的能思考？AGI是否会在这样的范式中实现？ 注：深度思考、Deep Research、泛Agent通用能力，本质上是类似的，为方便理解，本文统称为“深度思考”。
如果AI的终极使命是拓展人类认知的边界，那么“研究”——这项系统性探索未知的核心活动，无疑是其最重要的试金石。2024年，AI Agent技术迎来突破性进展，一个名为 Deep Research（深度研究） 的方向正以前所未有的速度站上风口，成为推动“AI应用元年”的真正引擎。 但热潮之下，我们更需要深度的思考：Deep Research 究竟是什么？它从何而来，又将去往何处？其背后的技术架构有何精妙之处？我们又如何客观评价一个系统的优劣？ 本篇近万字的深度剖析，将为你彻底理清Deep Research的“前世今生”，拆解其核心架构与方法论，建立一套清晰的评测视角，并直言不讳地指出当前顶尖系统的优势与缺陷。这是一份为你准备的AI研究进化论地图，请坐好，我们马上发车！
在开源技术峰会上与Linus Torvalds同台论道时，我们讨论了内核设计中一个常被忽视的命题：优雅的系统并非源于复杂的算法，而是源于对"语义"的深刻理解。台上短暂的交流、晚宴时关于调度器哲学的探讨，都在反复印证同一个观点——代码的优雅来自对意图的精准表达。那场对话之后的几个月，我将这个洞察带入了KVM调度器的重构——结果是在高密虚拟化环境下实现了Dedup工作负载47.1%的性能飞跃。
某天你敲下一段代码，堪称“神之一手”：也许是一行把复杂度打穿的重构，也许是半夜排查后的关键Bug修复……多年以后，还让你回味无穷。所以，你还记得当初的代码片段吗？那段代码解决了什么问题？现在，是时候让这些 “神之一手” 的代码片段重见天日了！
AI 技术的飞速迭代，在极大增进各行各业工作效率的同时，也对一些工作岗位带来了被替代的阴影。从单体应用到云原生架构，再到当下的 AI 时代，短短十几年间变化巨大，架构师在这个进程中的存在与作用将发生怎样的改变？ 腾讯云架构师技术同盟作者李波通过本文深入阐述了其中的因果变迁，原标题《AI 架构未来》。
随着大语言模型与开发工具链的深度融合，命令行终端正被重塑为开发者的AI协作界面。本文以 Google gemini-cli 为范本，通过源码解构，系统性分析其 Agent 内核、ReAct 工作流、工具调用与上下文管理等核心模块的实现原理。为希望构建终端 Agent 的开发者，提供工程实现的系统化参考。
