滴咕雞
84免費公開
囉嗦是關心你的最高表現
Top 5
一個 真正可以運行、可擴展到 10k+ 行的 GitHub 專案設計 + 核心實作骨架。
只要依照這個架構補齊 agents、prompts、tools，就能變成 完整的 10000+ 行系統。
Devin-X (Dual-5090 Autonomous AI Engineer)
能力目標：
一個 真正可以運行、可擴展到 10k+ 行的 GitHub 專案設計 + 核心實作骨架。
只要依照這個架構補齊 agents、prompts、tools，就能變成 完整的 10000+ 行系統。
Devin-X (Dual-5090 Autonomous AI Engineer)
能力目標：
如果真的做成 50+ agents + 自進化工具 + Autonomous startup builder，那其實已經是：
Devin / Cognition Labs
OpenDevin
AutoGPT Platform
Devika
MetaGPT
這一類 AI software
如果真的做成 50+ agents + 自進化工具 + Autonomous startup builder，那其實已經是：
Devin / Cognition Labs
OpenDevin
AutoGPT Platform
Devika
MetaGPT
這一類 AI software
把這個架構升級成完整可運行的「Devin-級 Autonomous AI Engineer 系統設計」。
這是前面 5000 行專案藍圖基礎上升級的完整版本，包含：
LangGraph workflow（20+ nodes）
Autonomous coding loop
把這個架構升級成完整可運行的「Devin-級 Autonomous AI Engineer 系統設計」。
這是前面 5000 行專案藍圖基礎上升級的完整版本，包含：
LangGraph workflow（20+ nodes）
Autonomous coding loop
「真正可實作的 5000 行 Devin 開源專案藍圖」，包含：
完整 repo 結構
每個 agent 的實際 prompt
LangGraph workflow
Docker sandbox
Git 自動 commit agent
自動 SaaS 建立
「真正可實作的 5000 行 Devin 開源專案藍圖」，包含：
完整 repo 結構
每個 agent 的實際 prompt
LangGraph workflow
Docker sandbox
Git 自動 commit agent
自動 SaaS 建立
2026 接近 Devin 架構，包含：
Hierarchical Planning Agent
Agent Society (10+ agents)
Autonomous Software Company Simulation
Self-Improving AI
2026 接近 Devin 架構，包含：
Hierarchical Planning Agent
Agent Society (10+ agents)
Autonomous Software Company Simulation
Self-Improving AI
設計接近 Devin 的 AI 系統架構。
這是一個 工程級 Autonomous Software Engineer Agent，能力接近：
Devin
OpenDevin
Devika
AutoGPT
整體會包含要求的全部模組。
設計接近 Devin 的 AI 系統架構。
這是一個 工程級 Autonomous Software Engineer Agent，能力接近：
Devin
OpenDevin
Devika
AutoGPT
整體會包含要求的全部模組。
這是接近 3000 行級別專案的完整工程架構設計（但在一個回答內無法放完整 3000 行程式碼）。
設計提供：
🧠 LangGraph Agent 架構
🧰 Auto Tool Learning
🔁 Self Reflection
🧠 Graph + Vector Memory
這是接近 3000 行級別專案的完整工程架構設計（但在一個回答內無法放完整 3000 行程式碼）。
設計提供：
🧠 LangGraph Agent 架構
🧰 Auto Tool Learning
🔁 Self Reflection
🧠 Graph + Vector Memory
一個工程級的進階 AI Agent 系統藍圖 + 最小可運行範例。
整體會做到要求的：
✅ Tool Calling 微調資料生成
✅LLaMA / Qwen LoRA 微調腳本
✅ RAG (向量檢索)
✅ Auto Tool Selection
✅ Graph Memory
一個工程級的進階 AI Agent 系統藍圖 + 最小可運行範例。
整體會做到要求的：
✅ Tool Calling 微調資料生成
✅LLaMA / Qwen LoRA 微調腳本
✅ RAG (向量檢索)
✅ Auto Tool Selection
✅ Graph Memory
下面是一個工程級但仍然精簡、可在 RTX 4090 本地跑通的完整範例。
目標：建立一個 Tool-Calling LLM 助手。
包含四部分：
1️⃣ 100 條 Tool-Calling 訓練資料生成器
2️⃣ LLaMA / Qwen LoRA 微調腳本
3️⃣ 4090 本地訓練流
下面是一個工程級但仍然精簡、可在 RTX 4090 本地跑通的完整範例。
目標：建立一個 Tool-Calling LLM 助手。
包含四部分：
1️⃣ 100 條 Tool-Calling 訓練資料生成器
2️⃣ LLaMA / Qwen LoRA 微調腳本
3️⃣ 4090 本地訓練流
一、程式碼的問題
原本的：
</>Python
training_example = {
"instruction": "幫我查一下預算表，並在明天下午三點排個審核會。",
"output": '{"tool": "query_database",
一、程式碼的問題
原本的：
</>Python
training_example = {
"instruction": "幫我查一下預算表，並在明天下午三點排個審核會。",
"output": '{"tool": "query_database",
模型在腦中建立了一個簡化的「世界結構」，有些研究者發現 LLM 內部可能形成「世界模型」（world model），「世界模型」是近年 AI 研究中非常熱門的概念。許多研究者認為，一些大型語言模型在內部可能逐漸形成了某種簡化的世界結構表示。
模型在腦中建立了一個簡化的「世界結構」，有些研究者發現 LLM 內部可能形成「世界模型」（world model），「世界模型」是近年 AI 研究中非常熱門的概念。許多研究者認為，一些大型語言模型在內部可能逐漸形成了某種簡化的世界結構表示。
最近 AI 可解釋性研究的一個重大發現 - 語言概念神經元，在大型語言模型（LLM）裡，某些神經元似乎對特定「概念」特別敏感。研究者常把這類現象稱為 “concept neurons（概念神經元）” 或 “feature neurons（特徵神經元）”。
最近 AI 可解釋性研究的一個重大發現 - 語言概念神經元，在大型語言模型（LLM）裡，某些神經元似乎對特定「概念」特別敏感。研究者常把這類現象稱為 “concept neurons（概念神經元）” 或 “feature neurons（特徵神經元）”。
大型語言模型（LLM）到底是在「理解」，還是在「記憶」訓練資料？
很多研究（例如來自 Stanford University、OpenAI、Google DeepMind）發現：
LLM 同時包含「記憶」與「推理」，而且比例會隨資料與模型大小改變。
下面用比較直觀的方式說明。
大型語言模型（LLM）到底是在「理解」，還是在「記憶」訓練資料？
很多研究（例如來自 Stanford University、OpenAI、Google DeepMind）發現：
LLM 同時包含「記憶」與「推理」，而且比例會隨資料與模型大小改變。
下面用比較直觀的方式說明。
這是很多最新大模型的核心技術，用直觀 + 技術結構解釋目前很多大型模型使用的架構：Mixture of Experts（MoE）。這種架構讓模型可以做到超大參數量，但推理成本卻沒有等比例增加。
一、什麼是 Mixture of Experts（MoE）
這是很多最新大模型的核心技術，用直觀 + 技術結構解釋目前很多大型模型使用的架構：Mixture of Experts（MoE）。這種架構讓模型可以做到超大參數量，但推理成本卻沒有等比例增加。
一、什麼是 Mixture of Experts（MoE）
現在 AI 公司最常用的 dataset 技術：
「RAG + 微調」混合架構
它能讓小模型能力 提升 5～20 倍。
目前 AI 系統非常主流的一種架構：RAG + 微調（Fine-tuning）混合架構。很多公司都使用這種方法來打造專業 AI 助手，因為它能讓模型既有知識又能查最新資料。
現在 AI 公司最常用的 dataset 技術：
「RAG + 微調」混合架構
它能讓小模型能力 提升 5～20 倍。
目前 AI 系統非常主流的一種架構：RAG + 微調（Fine-tuning）混合架構。很多公司都使用這種方法來打造專業 AI 助手，因為它能讓模型既有知識又能查最新資料。
一步一步示範 Self-Instruct（自動生成訓練資料）的方法。
這是很多模型（如 OpenAI、Stanford University 研究團隊）提出並實際使用的技巧，可以用一個強模型自動生成大量資料，然後用來微調另一個模型。
一步一步示範 Self-Instruct（自動生成訓練資料）的方法。
這是很多模型（如 OpenAI、Stanford University 研究團隊）提出並實際使用的技巧，可以用一個強模型自動生成大量資料，然後用來微調另一個模型。
這是很多人自己做「私人 AI 助手 / 領域模型」的典型做法。整體分成：模型選擇 → 資料 → 訓練 → 推論部署。
一、硬體條件（RTX 4090）
RTX 4090
VRAM：24GB
FP16 算力：約 82 TFLOPS
適合：LoRA / QLoRA 微調
能訓練模型大小：
這是很多人自己做「私人 AI 助手 / 領域模型」的典型做法。整體分成：模型選擇 → 資料 → 訓練 → 推論部署。
一、硬體條件（RTX 4090）
RTX 4090
VRAM：24GB
FP16 算力：約 82 TFLOPS
適合：LoRA / QLoRA 微調
能訓練模型大小：
示範一個 RTX 4090 用於訓練 LLM「工具調用（Tool Calling）」的資料格式。這種格式比原本的 Python 範例更接近 OpenAI / Llama / DeepSeek / function calling dataset 常見結構。
示範一個 RTX 4090 用於訓練 LLM「工具調用（Tool Calling）」的資料格式。這種格式比原本的 Python 範例更接近 OpenAI / Llama / DeepSeek / function calling dataset 常見結構。
在之前「學會調用 Calendar API 或查詢數據庫」一文中，將 API 的定義定義在 System Prompt 中範例有如下討論。
在之前「學會調用 Calendar API 或查詢數據庫」一文中，將 API 的定義定義在 System Prompt 中範例有如下討論。
這是一個簡單但功能強大的 HTML + Tailwind CSS 前端介面。它能讓 2x RTX 5090 助理擁有一個直觀的「對話框」，並特別設計了「思考過程」與「API 調用狀態」的顯示區域，讓您即時看到模型如何修正其 JSON 格式。
1. 建立前端檔案 index.html
這是一個簡單但功能強大的 HTML + Tailwind CSS 前端介面。它能讓 2x RTX 5090 助理擁有一個直觀的「對話框」，並特別設計了「思考過程」與「API 調用狀態」的顯示區域，讓您即時看到模型如何修正其 JSON 格式。
1. 建立前端檔案 index.html
Top 5
一個 真正可以運行、可擴展到 10k+ 行的 GitHub 專案設計 + 核心實作骨架。
只要依照這個架構補齊 agents、prompts、tools，就能變成 完整的 10000+ 行系統。
Devin-X (Dual-5090 Autonomous AI Engineer)
能力目標：
一個 真正可以運行、可擴展到 10k+ 行的 GitHub 專案設計 + 核心實作骨架。
只要依照這個架構補齊 agents、prompts、tools，就能變成 完整的 10000+ 行系統。
Devin-X (Dual-5090 Autonomous AI Engineer)
能力目標：
如果真的做成 50+ agents + 自進化工具 + Autonomous startup builder，那其實已經是：
Devin / Cognition Labs
OpenDevin
AutoGPT Platform
Devika
MetaGPT
這一類 AI software
如果真的做成 50+ agents + 自進化工具 + Autonomous startup builder，那其實已經是：
Devin / Cognition Labs
OpenDevin
AutoGPT Platform
Devika
MetaGPT
這一類 AI software
把這個架構升級成完整可運行的「Devin-級 Autonomous AI Engineer 系統設計」。
這是前面 5000 行專案藍圖基礎上升級的完整版本，包含：
LangGraph workflow（20+ nodes）
Autonomous coding loop
把這個架構升級成完整可運行的「Devin-級 Autonomous AI Engineer 系統設計」。
這是前面 5000 行專案藍圖基礎上升級的完整版本，包含：
LangGraph workflow（20+ nodes）
Autonomous coding loop
「真正可實作的 5000 行 Devin 開源專案藍圖」，包含：
完整 repo 結構
每個 agent 的實際 prompt
LangGraph workflow
Docker sandbox
Git 自動 commit agent
自動 SaaS 建立
「真正可實作的 5000 行 Devin 開源專案藍圖」，包含：
完整 repo 結構
每個 agent 的實際 prompt
LangGraph workflow
Docker sandbox
Git 自動 commit agent
自動 SaaS 建立
2026 接近 Devin 架構，包含：
Hierarchical Planning Agent
Agent Society (10+ agents)
Autonomous Software Company Simulation
Self-Improving AI
2026 接近 Devin 架構，包含：
Hierarchical Planning Agent
Agent Society (10+ agents)
Autonomous Software Company Simulation
Self-Improving AI
設計接近 Devin 的 AI 系統架構。
這是一個 工程級 Autonomous Software Engineer Agent，能力接近：
Devin
OpenDevin
Devika
AutoGPT
整體會包含要求的全部模組。
設計接近 Devin 的 AI 系統架構。
這是一個 工程級 Autonomous Software Engineer Agent，能力接近：
Devin
OpenDevin
Devika
AutoGPT
整體會包含要求的全部模組。
這是接近 3000 行級別專案的完整工程架構設計（但在一個回答內無法放完整 3000 行程式碼）。
設計提供：
🧠 LangGraph Agent 架構
🧰 Auto Tool Learning
🔁 Self Reflection
🧠 Graph + Vector Memory
這是接近 3000 行級別專案的完整工程架構設計（但在一個回答內無法放完整 3000 行程式碼）。
設計提供：
🧠 LangGraph Agent 架構
🧰 Auto Tool Learning
🔁 Self Reflection
🧠 Graph + Vector Memory
一個工程級的進階 AI Agent 系統藍圖 + 最小可運行範例。
整體會做到要求的：
✅ Tool Calling 微調資料生成
✅LLaMA / Qwen LoRA 微調腳本
✅ RAG (向量檢索)
✅ Auto Tool Selection
✅ Graph Memory
一個工程級的進階 AI Agent 系統藍圖 + 最小可運行範例。
整體會做到要求的：
✅ Tool Calling 微調資料生成
✅LLaMA / Qwen LoRA 微調腳本
✅ RAG (向量檢索)
✅ Auto Tool Selection
✅ Graph Memory
下面是一個工程級但仍然精簡、可在 RTX 4090 本地跑通的完整範例。
目標：建立一個 Tool-Calling LLM 助手。
包含四部分：
1️⃣ 100 條 Tool-Calling 訓練資料生成器
2️⃣ LLaMA / Qwen LoRA 微調腳本
3️⃣ 4090 本地訓練流
下面是一個工程級但仍然精簡、可在 RTX 4090 本地跑通的完整範例。
目標：建立一個 Tool-Calling LLM 助手。
包含四部分：
1️⃣ 100 條 Tool-Calling 訓練資料生成器
2️⃣ LLaMA / Qwen LoRA 微調腳本
3️⃣ 4090 本地訓練流
一、程式碼的問題
原本的：
</>Python
training_example = {
"instruction": "幫我查一下預算表，並在明天下午三點排個審核會。",
"output": '{"tool": "query_database",
一、程式碼的問題
原本的：
</>Python
training_example = {
"instruction": "幫我查一下預算表，並在明天下午三點排個審核會。",
"output": '{"tool": "query_database",
模型在腦中建立了一個簡化的「世界結構」，有些研究者發現 LLM 內部可能形成「世界模型」（world model），「世界模型」是近年 AI 研究中非常熱門的概念。許多研究者認為，一些大型語言模型在內部可能逐漸形成了某種簡化的世界結構表示。
模型在腦中建立了一個簡化的「世界結構」，有些研究者發現 LLM 內部可能形成「世界模型」（world model），「世界模型」是近年 AI 研究中非常熱門的概念。許多研究者認為，一些大型語言模型在內部可能逐漸形成了某種簡化的世界結構表示。
最近 AI 可解釋性研究的一個重大發現 - 語言概念神經元，在大型語言模型（LLM）裡，某些神經元似乎對特定「概念」特別敏感。研究者常把這類現象稱為 “concept neurons（概念神經元）” 或 “feature neurons（特徵神經元）”。
最近 AI 可解釋性研究的一個重大發現 - 語言概念神經元，在大型語言模型（LLM）裡，某些神經元似乎對特定「概念」特別敏感。研究者常把這類現象稱為 “concept neurons（概念神經元）” 或 “feature neurons（特徵神經元）”。
大型語言模型（LLM）到底是在「理解」，還是在「記憶」訓練資料？
很多研究（例如來自 Stanford University、OpenAI、Google DeepMind）發現：
LLM 同時包含「記憶」與「推理」，而且比例會隨資料與模型大小改變。
下面用比較直觀的方式說明。
大型語言模型（LLM）到底是在「理解」，還是在「記憶」訓練資料？
很多研究（例如來自 Stanford University、OpenAI、Google DeepMind）發現：
LLM 同時包含「記憶」與「推理」，而且比例會隨資料與模型大小改變。
下面用比較直觀的方式說明。
這是很多最新大模型的核心技術，用直觀 + 技術結構解釋目前很多大型模型使用的架構：Mixture of Experts（MoE）。這種架構讓模型可以做到超大參數量，但推理成本卻沒有等比例增加。
一、什麼是 Mixture of Experts（MoE）
這是很多最新大模型的核心技術，用直觀 + 技術結構解釋目前很多大型模型使用的架構：Mixture of Experts（MoE）。這種架構讓模型可以做到超大參數量，但推理成本卻沒有等比例增加。
一、什麼是 Mixture of Experts（MoE）
現在 AI 公司最常用的 dataset 技術：
「RAG + 微調」混合架構
它能讓小模型能力 提升 5～20 倍。
目前 AI 系統非常主流的一種架構：RAG + 微調（Fine-tuning）混合架構。很多公司都使用這種方法來打造專業 AI 助手，因為它能讓模型既有知識又能查最新資料。
現在 AI 公司最常用的 dataset 技術：
「RAG + 微調」混合架構
它能讓小模型能力 提升 5～20 倍。
目前 AI 系統非常主流的一種架構：RAG + 微調（Fine-tuning）混合架構。很多公司都使用這種方法來打造專業 AI 助手，因為它能讓模型既有知識又能查最新資料。
一步一步示範 Self-Instruct（自動生成訓練資料）的方法。
這是很多模型（如 OpenAI、Stanford University 研究團隊）提出並實際使用的技巧，可以用一個強模型自動生成大量資料，然後用來微調另一個模型。
一步一步示範 Self-Instruct（自動生成訓練資料）的方法。
這是很多模型（如 OpenAI、Stanford University 研究團隊）提出並實際使用的技巧，可以用一個強模型自動生成大量資料，然後用來微調另一個模型。
這是很多人自己做「私人 AI 助手 / 領域模型」的典型做法。整體分成：模型選擇 → 資料 → 訓練 → 推論部署。
一、硬體條件（RTX 4090）
RTX 4090
VRAM：24GB
FP16 算力：約 82 TFLOPS
適合：LoRA / QLoRA 微調
能訓練模型大小：
這是很多人自己做「私人 AI 助手 / 領域模型」的典型做法。整體分成：模型選擇 → 資料 → 訓練 → 推論部署。
一、硬體條件（RTX 4090）
RTX 4090
VRAM：24GB
FP16 算力：約 82 TFLOPS
適合：LoRA / QLoRA 微調
能訓練模型大小：
示範一個 RTX 4090 用於訓練 LLM「工具調用（Tool Calling）」的資料格式。這種格式比原本的 Python 範例更接近 OpenAI / Llama / DeepSeek / function calling dataset 常見結構。
示範一個 RTX 4090 用於訓練 LLM「工具調用（Tool Calling）」的資料格式。這種格式比原本的 Python 範例更接近 OpenAI / Llama / DeepSeek / function calling dataset 常見結構。
在之前「學會調用 Calendar API 或查詢數據庫」一文中，將 API 的定義定義在 System Prompt 中範例有如下討論。
在之前「學會調用 Calendar API 或查詢數據庫」一文中，將 API 的定義定義在 System Prompt 中範例有如下討論。
這是一個簡單但功能強大的 HTML + Tailwind CSS 前端介面。它能讓 2x RTX 5090 助理擁有一個直觀的「對話框」，並特別設計了「思考過程」與「API 調用狀態」的顯示區域，讓您即時看到模型如何修正其 JSON 格式。
1. 建立前端檔案 index.html
這是一個簡單但功能強大的 HTML + Tailwind CSS 前端介面。它能讓 2x RTX 5090 助理擁有一個直觀的「對話框」，並特別設計了「思考過程」與「API 調用狀態」的顯示區域，讓您即時看到模型如何修正其 JSON 格式。
1. 建立前端檔案 index.html