https://blog.hankmo.com/series/%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%BA%94%E7%94%A8%E5%BC%80%E5%8F%91%E5%85%A5%E9%97%A8/ Recent content in 大模型应用开发入门 on 极客老墨 Hugo -- 0.163.3 zh-cn Sat, 11 Jul 2026 00:00:00 +0000 https://blog.hankmo.com/function-calling-workflow/ Sat, 11 Jul 2026 00:00:00 +0000 https://blog.hankmo.com/function-calling-workflow/ 接着上一节的 get_weather 示例，这篇不讲空概念，直接逐帧拆解 Function Calling 闭环：第一次请求发了什么、模型返回了什么、工具层如何执行、第二次请求怎么拼消息、最终答案如何生成，并给出每一步的字段解释与排障要点。 https://blog.hankmo.com/llm-limitations-developer-guide/ Thu, 09 Jul 2026 00:00:00 +0000 https://blog.hankmo.com/llm-limitations-developer-guide/ 幻觉、知识截止、上下文遗忘、不确定性——这是每个 AI 应用开发者迟早都要正面硬刚的四道坎。本文不讲大道理，只讲这些局限的根因、影响，以及开发者真正能用上的规避手段。 https://blog.hankmo.com/llm-streaming-sse-go/ Fri, 03 Jul 2026 00:00:00 +0000 https://blog.hankmo.com/llm-streaming-sse-go/ 大模型的回答为什么是一个字一个字蹦出来的？背后是 SSE 协议。本文从协议原理到 Go 实现，覆盖基础流式转发、V4 Thinking 模式下 reasoning_content 的流式处理、上线避坑和 TTFT 优化。 https://blog.hankmo.com/llm-chat-history-go/ Sat, 27 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/llm-chat-history-go/ 大模型 API 是无状态的，多轮对话的记忆全靠开发者拼接历史消息。本文从原理到工程实现，覆盖 Token 级滑动窗口、reasoning_content 过滤、摘要压缩、Session 隔离和 V4 缓存策略，用 Go 实现生产级多轮对话方案。 https://blog.hankmo.com/llm-dev-api-logic/ Wed, 24 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/llm-dev-api-logic/ 2026 年，大模型 API 的调用逻辑已经从简单的"问答"演进到了"推理+缓存+可观测"的新阶段。本文以 DeepSeek V4 API 为主线，深度拆解请求与响应逻辑——从 thinking mode 参数、上下文缓存到流式输出和成本控制，带你从底层协议层面理解 AI 应用是怎么跑通的。 https://blog.hankmo.com/dev-tools-llm/ Sat, 20 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/dev-tools-llm/ 大模型应用开发的工具链已经从”装一个 AI IDE”变成了”模型 API、Coding Agent、Agent 编排、评测、观测和权限控制”的组合工程。本文按真实开发流程梳理 2026 年值得关注的工具：DeepSeek、OpenAI、Claude、Codex、Claude Code、CodeWhale（deepseek-tui）、Cursor、Windsurf、Trae、Ollama、promptfoo、Dify、Coze、n8n、Eino，以及 Go 开发者该怎么取舍。 https://blog.hankmo.com/llm-core-parameters/ Wed, 17 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/llm-core-parameters/ prompt 看起来没问题，接口却一会儿乱答、一会儿截断、一会儿 JSON 解析失败？我刚开始写 AI 应用时，也很容易把问题都归到 prompt 上。后来才发现，很多问题其实是 API 参数没有按业务场景设好。本文用一个客服工单摘要接口，把 model、thinking、reasoning_effort、temperature、top_p、top_k、max_tokens、response_format、tools、tool_choice、stop、stream、logprobs、user_id 和 usage 这些核心参数讲透。 https://blog.hankmo.com/token-deep-dev-deepseek/ Sat, 13 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/token-deep-dev-deepseek/ Token 是大模型 API 调用的核心计量单位，直接关联成本、上下文截断和响应质量。本文从 BPE 分词原理出发，拆解 DeepSeek 计费逻辑、Context Window 约束，并用 Go 实现一个对接官方 tokenizer 的精准计数器。 https://blog.hankmo.com/llm-how-it-works/ Wed, 10 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/llm-how-it-works/ 大模型怎么造出来的，又是怎么工作的？本文把"训练数据→预训练→微调对齐→部署→推理"这条完整链路拆开来讲，搞清楚一个模型从无到有、再到你手里 API 调用的全过程。 https://blog.hankmo.com/llm-app-scenarios/ Sat, 06 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/llm-app-scenarios/ 从开发者视角拆解大模型六大核心应用场景——文生文、文生图、文生视频、语音交互、数字人、智能问答，搞清楚每个场景的技术本质、真实边界和落地逻辑，不堆概念，只讲和开发直接相关的部分。 https://blog.hankmo.com/llm-history-timeline/ Wed, 03 Jun 2026 00:00:00 +0000 https://blog.hankmo.com/llm-history-timeline/ 从 2017 年 Transformer 诞生，到 2026 年 Agent 遍地开花——用开发者视角梳理大模型发展的关键里程碑，搞清楚每个阶段留下了什么技术遗产，以及为什么今天的大模型长成了现在这个样子。 https://blog.hankmo.com/what-is-llm/ Sat, 30 May 2026 00:00:00 +0000 https://blog.hankmo.com/what-is-llm/ 立足开发者视角，搞清楚大模型是什么、从哪来、主流选型怎么选，以及模型分工类型（LLM/Embedding/Reranker）、Token、Context Window、多模态四个核心概念——不涉及数学，只讲和开发直接相关的部分。