1. 笔记
原文标题：拥抱黑盒：一个研究者 All in AI 的实录与反思
原文出处：https://www.uscardforum.com/t/topic/488654
这篇文章真实、系统、信息量大。阅读 1 H 整理 1H ( PS：原文部分观点我不认同 )
拥抱黑盒，利用黑盒提升工作效率。用 AI Native 的方式思考、学习、工作甚至生活。
LLM 本质是一个下一个词预测器（next-token predictor）,也是一个黑盒。
- 它在你给定的上下文（context）下，去算下一个词出现的概率。
- 它没有真正物理意义上的逻辑，核心运作方式就是概率推断（probabilistic inference）。
一个 Agent 并不是只是 LLM 本身，而是一个以 LLM 作为推理引擎，外面包裹着一套工具链的系统。
- 例子：找项目里的 User 类 -> 工具链调用 LLM -> LLM 返回’调用 grep’ -> 工具链执行 -> 带上所有结果循环执行至成功
- 弊端：上下文窗口大小有限制，超过或接近上限会使得模型推断概率准确性急剧下降。
- 解决办法：
- MCP：标准化接口让 LLM 自主链接外部工具和数据；
- Skills：封装好的”技能包”，固化的 SOP 或者命令，避免重复预测(思考)；
- SubAgent：把大问题拆分成小问题( 怎么把大象塞进冰箱？)
- 概念类比：LLM ≈ CPU，上下文窗口 ≈ RAM，MCP ≈ USB/POSIX，Skils ≈ App，SubAgent ≈ 并行App(涉及 CPU 调度)
- 解决办法：