<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>技术栈 :: 标签 :: x7peeps</title><link>https://x7peeps.com/tags/%E6%8A%80%E6%9C%AF%E6%A0%88/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Wed, 01 Jul 2026 08:36:10 +0000</lastBuildDate><atom:link href="https://x7peeps.com/tags/%E6%8A%80%E6%9C%AF%E6%A0%88/index.xml" rel="self" type="application/rss+xml"/><item><title>Prompt Engineering 技术栈：从基础到 CoT/ToT 的完整体系</title><link>https://x7peeps.com/AI/02-Prompt%E5%B7%A5%E7%A8%8B/Prompt-Engineering%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8E%E5%9F%BA%E7%A1%80%E5%88%B0CoT%E5%92%8CToT%E7%9A%84%E5%AE%8C%E6%95%B4%E4%BD%93%E7%B3%BB/index.html</link><pubDate>Wed, 01 Jul 2026 08:36:10 +0000</pubDate><guid>https://x7peeps.com/AI/02-Prompt%E5%B7%A5%E7%A8%8B/Prompt-Engineering%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8E%E5%9F%BA%E7%A1%80%E5%88%B0CoT%E5%92%8CToT%E7%9A%84%E5%AE%8C%E6%95%B4%E4%BD%93%E7%B3%BB/index.html</guid><description>Prompt Engineering 在 LLM 应用中的地位 在 LLM 应用工程的技术栈中，Prompt Engineering 是投入产出比最高的核心技能。与微调（Fine-tuning）、RAG、Agent 框架开发等工程手段相比，它不需要额外的训练数据、GPU 算力或复杂的基础设施——仅仅通过优化输入文本的结构与语义，就能显著改变模型的行为质量。</description></item><item><title>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进</title><link>https://x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Wed, 01 Jul 2026 08:36:10 +0000</pubDate><guid>https://x7peeps.com/AI/01-LLM%E5%8E%9F%E7%90%86%E4%B8%8E%E5%B7%A5%E7%A8%8B/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B%E6%8A%80%E6%9C%AF%E6%A0%88%E4%BB%8ETransformer%E5%88%B0GPT%E5%92%8CClaude%E7%9A%84%E6%9E%B6%E6%9E%84%E6%BC%94%E8%BF%9B/index.html</guid><description>大语言模型技术栈：从 Transformer 到 GPT/Claude 的架构演进 大语言模型（LLM）已从学术论文中的实验性工作，演变为支撑数十亿用户日常交互的基础设施级产品。作为 AI 应用开发者，理解从底层 Transformer 架构到上层应用框架的完整技术栈，是做出正确技术选型、构建高质量 AI 应用的前提。</description></item><item><title>LangChain 与 LangGraph 技术栈：核心抽象、工作流编排与生产实践</title><link>https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/LangChain%E4%B8%8ELangGraph%E6%8A%80%E6%9C%AF%E6%A0%88%E6%A0%B8%E5%BF%83%E6%8A%BD%E8%B1%A1%E5%B7%A5%E4%BD%9C%E6%B5%81%E7%BC%96%E6%8E%92%E4%B8%8E%E7%94%9F%E4%BA%A7%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Wed, 01 Jul 2026 08:36:10 +0000</pubDate><guid>https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/LangChain%E4%B8%8ELangGraph%E6%8A%80%E6%9C%AF%E6%A0%88%E6%A0%B8%E5%BF%83%E6%8A%BD%E8%B1%A1%E5%B7%A5%E4%BD%9C%E6%B5%81%E7%BC%96%E6%8E%92%E4%B8%8E%E7%94%9F%E4%BA%A7%E5%AE%9E%E8%B7%B5/index.html</guid><description>一、LangChain 生态全景 LangChain 是当前 LLM 应用开发领域最成熟、最庞大的开源框架生态。理解它在整体技术栈中的定位，是选择技术方案的前提。</description></item></channel></rss>