MardanMahimut马尔旦~马合木提

现在不再是纯的后端或者是纯的前端了，实习的时候就发现后端都在往大模型应用方向上靠，前端在往全栈方向上靠。你问为什么?现在在这个AI风盛行的环境下，人人都会一些AI coding，原本3个人要3天才能干的活，现在可能一个人+ai coding一天就能干出来了。而且大部分公司都在降低用人成本，原本前端和后端可能大部分时间都花在了沟通上，现在前端不仅干前端的活，也要干后端的需求。所以啊，未来肯定要提高自己的AI coding能力的!

据《日经亚洲》报道，日本研究机构Global Net数据显示，2025年全球芯片设备厂商前20强中有3家中国企业，较2022年美国出口限制前新增2家。这三家公司分别是北方华创,中微公司和上海微电子。值得注意的是，若将范围扩大至排名前30名的企业，还将新增两家中国企业：盛美上海和华海清科.中微、上海微、盛美上海、华海清科上榜TOP30这一变化既展现了国产设备凸显群体崛起态势，也印证了美国出口管制未达遏制目的，反而倒逼中国半导体供应链自主化加速，激发了本土产业韧性。具体排名中，北方华创的排名从2022年的第八位上升至2025年的第五位，位列ASML、Applied Materials、Lam Re...

我最常做的一件事，是先限定信息来源。比如明确告诉它“只基于我给的材料回答”“不确定的地方直接说不知道”。这一步看起来很基础，但效果极好。很多幻觉，都是从“试图补全缺失信息”开始的。第二个常用设定，是限制输出形式。让它按要点列出结论，或者在关键判断后附上理由，而不是一整段顺滑的叙述。结构一旦被约束，编故事的空间就会小很多。尤其在涉及事实、规则或流程时，越结构化，越不容易跑偏。第三，是刻意压低“创造性”。当我需要的是准确而不是灵感时，会明确说明“不需要发挥”“不要举不存在的例子”“不要引用虚构的研究或人物”。AI 一旦知道你不欢迎发挥，就会更保守地回答。还有一个很重要却常被忽略的点：允许它拒答。告诉它“如果信息不足，可以先提条件或直接说明无法判断”。很多幻觉，本质上是被逼着给答案产生的。给它说“不”的权利，反而更可靠。最后，是反复校正。用追问、反问、让它复述前提，能快速暴露不一致的地方。AI 并不怕纠正，它怕的是你默认它“应该知道”。说到底，减少幻觉不是技术活，而是沟通方式的问题。你给它的约束越清晰，它给你的答案就越接近现实。

从 Yao 等人，2022 引入了一个框架，其中 LLMs 以交错的方式生成 推理轨迹 和 任务特定操作 。生成推理轨迹使模型能够诱导、跟踪和更新操作计划，甚至处理异常情况。操作步骤允许与外部源（如知识库或环境）进行交互并且收集信息。ReAct 框架允许 LLMs 与外部工具交互来获取额外信息，从而给出更可靠和实际的回应。结果表明，ReAct 可以在语言和决策任务上的表现要高于几个最先进水准要求的的基线。ReAct 还提高了 LLMs 的人类可解释性和可信度。总的来说，作者发现了将 ReAct 和链式思考 (CoT) 结合使用的最好方法是在推理过程同时使用内部知识和获取到的外部信息。它是如何运...