月度收获

一、AI 与科学发现：广度、深度和验证结构 1. AI 的新优势不是深度，而是可以大面积扫描问题 AI 擅长广 … 阅读更多

一、硬件、散热与文档处理：故障判断要有传感器，输出质量也受软件默认策略影响 1. 13900K 热降解疑云、水 … 阅读更多

一、LLM 与 AI 工作流：可信输出来自系统工程，不来自模型自觉正确 1. 大模型面对矛盾语料时，不是消灭矛 … 阅读更多

一、文本模型与算力：先看任务，再看模型和硬件 1. LDA、BERTopic、TopicGPT 分别代表三种文 … 阅读更多

一、Agent 与 LLM：不要把工作流误认为智能体 1. Agent 不是“LLM + 提示词 + 固定流程 … 阅读更多

一、判断框架：数据、算法和人的经验各有边界 1. “意会”的防线不能只放在直觉上，而要放在难以客体化的体验价值 … 阅读更多

一、AI 工具与论文工程：把大模型放进可复用流程 1. 多 Agent 咨询报告不是多放几个角色，而是补齐论证 … 阅读更多

一、AI、RAG 与科学智能：工具正在进入科研流程内部 1. 本地语音识别要按识别、断句、热词和隐私分层比较 … 阅读更多

一、论文与研究方法：方法必须服务问题，不能反过来统治问题 1. QCA 图表还原要依据论文注释和路径解释，不靠 … 阅读更多

一、自动化运维：备份不是导出几个文件 1. n8n 备份要覆盖数据库、配置、凭据和恢复过程 n8n 的完整备份 … 阅读更多

一、文本事件与时间序列：把材料变成可检验的脉冲 1. 事件影响分析要同时处理文本、时间和滞后 如果要判断外部事 … 阅读更多

一、硬件、系统与本地算力：不要把设备当黑箱 1. 工作站升级先处理固件、兼容性和验证链 工作站硬件升级不是把零 … 阅读更多

一、AI 工具与软件开发：把模型、流程、工具和责任拆开 1. Agentic Intelligence 的边界 … 阅读更多