从入门到精通：一文看透大模型选型与实战，手部分带你练出行业“专家级”AI
本文通俗解析大模型落地难题：为何开源模型如Llama 3、Qwen 2.5在业务场景中“胡言乱语”？核心在于通用模型需通过“岗前培训”——即微调（Fine-tuning）。文章拆解三大技术手段：CPT（持续预训练）、SFT（监督微调）和DPO（偏好优化），并实测Llama 3、Qwen 2.5与Mistral三大模型表现，手把手教你数据准备、环境配置与训练部署。强调70% RAG + 20% 微调 + 10% 提示工程的实战公式，助你让AI真正懂业务。
什么是大模型微调？从原理到实操，新手也能轻松上手
本文通俗讲解大模型微调技术，从原理到实操全流程解析。通过比喻厘清CPT、SFT、DPO三种方式，指导新手如何用业务数据定制专属AI，并提供数据准备、工具选择、效果评估等落地步骤，助力个人与企业低成本实现模型私有化，让大模型真正融入实际场景。
用户需求与反馈管理工具：构建产品持续进化的循环系统
本文系统阐述用户需求管理的完整框架，涵盖需求的四个层次、冰山法则及三维度评估体系，提出四步闭环方法论，并针对不同需求类型提供处理策略与工具推荐，助力团队从被动收集转向主动洞察，实现产品与用户的深度共鸣。
AI工程vs传统工程 —「道法术」中的变与不变
本文从“道、法、术”三个层面对比AI工程与传统软件工程的异同，指出AI工程并非推倒重来，而是在传统工程坚实基础上，为应对大模型带来的不确定性（如概率性输出、幻觉、高延迟等）所进行的架构升级：在“道”上，从追求绝对正确转向管理概率预期；在“法”上，延续分层解耦、高可用等原则，但建模重心转向上下文工程与不确定性边界控制；在“术”上，融合传统工程基本功与AI新工具（如Context Engineering、轨迹可视化、多维评估体系），最终以确定性架构驾驭不确定性智能，实现可靠价值交付。
