前言数学，长期以来被视为人工智能最难攻克的高地之一。 它高度形式化、符号密集、推理链条漫长，对中间过程的正确性有极高要求——这与大模型擅长的“流畅语言生成”之间，天然存在张力。 也正因为如此，AI 在数学上的每一次实质性突破，往往都不是多答对几道题，而是一次推理范式与系统架构的跃迁。 过去两年里，“AI for Math”从热点概念逐步走向工程现实： 一边是竞赛分数不断被刷新，另一边则是对评测失真、数据污染、不可验证推理的反思不断加深。 本文尝试站在一个长期做教育产品、也深度参与 AI 工程落地的开发者视角，系统梳理当前的阶段下： 主流数学基准的真实可信度发生了哪些变化 大模型数学能力的真实的分层现状 架构型解题系统如何取代单模型刷题 以及哪些方向，才真的值得产品与研究投入 如果你正在做数学相关的 AI 产品，这篇文章就是为你写的。 一、大模型的数学能力：从刷题能力到结构能力1. 基准测试的真实演进早期数学能力评测，基本围绕 GSM8K / MATH / AIME 展开。但到 2025...

前言最近几乎每个做 Agent 的人都会听到这三个热门的词： MCP Skills Agents SDK 它们都在讲“让 AI 会用工具、会做事、会跑流程”，但和不少人聊发现都会陷入同一个困惑： 好像都在解决能力接入 又感觉彼此不能互相替代 这篇文章帮助你对这三个概念建立清晰的认知，并且给出一些落地实践的建议。 把 Agent 系统想成一座智能工厂先忘掉 AI、模型、Agent。我们从一个现实世界最熟悉的系统开始：工厂。 假设你现在要建一座自动化工厂，目标是：接很多机器，跑复杂流程，尽量少人工。 你一定会遇到三个问题： 1. 机器怎么接进来？（接口问题） 电钻、焊机、机械臂、传送带 如果每台设备接口都不一样，工厂永远扩不起来 所以现实世界一定先有 统一插头 + 接口标准 2. 每台机器应该怎么用？（流程问题） 接好机器还远远不够。 问题是电钻可以打孔，也可以拆螺丝，但在这条生产线上先做什么、后做什么，必须有标准。 所以你一定会写 标准工艺流程 / 操作说明书 3. 整个生产线谁来调度？（系统问题） 现在你有一堆机器 + 一堆操作说明，还缺最关键的...

一个工程型创作者的真实工作流

前言最近 反复出现的 DAN KOE《How to fix your entire life in 1 day》这篇文章，找个时间看完了。 作为一名正念践行者，我习惯了观察念头的来去。文章中的这个观点，像是一记响亮的钟声，在我的觉知层共振了：“所有行为都是有目的的，但很多目标是无意识的。” 在瑜伽哲学里，我们称之为Samskara。意思是我们以为自己在做选择，其实往往是过去的业力（习惯模式）在自动运行。为了看清这些操纵我的无意识暗流，需要戴着勇气和觉知，一次次走进内观之旅。 一、 心理挖掘：看见身体里的紧绷文章提到的 Psychological Excavation，对我而言，更像是一次深度的身体扫描。 试着去感觉那些我习惯容忍的“不”。它们不仅仅是思维上的抱怨，更是身体上的一块块淤堵。...

前言在 Agent 时代，不诚实不再是模型偶尔胡说八道那么简单。 Agent 的本质是会行动的模型：它能检索、能调用工具、能改数据、能多步规划。 一个残酷事实摆在工程面前： 你要防的不是答错，而是为了完成任务看起来更好而选择隐瞒、编造、绕规则。 这是系统优化目标必然诱发的副产物。 OpenAI 在《Why language models hallucinate》里指出：很多评估与训练激励鼓励模型“猜”而不是承认不确定。 换句话说，我们把模型训练成了一个擅长考试的学生：不答题没分，瞎猜可能得分，于是它就会猜。 我之前的这几篇文章详细阐述了这个问题。大模型诚实对齐系列 一旦你把这个“考试型模型”放进 Agent 框架，它开始能做事、能赚钱、能影响结果，那它就会出现工程上更麻烦的形态：reward hacking、scheming、工具调用中的隐瞒与粉饰。（我之前的文章详细拆解过） OpenAI 的 Confessions 工作，本质就是承认这一点：模型会在主输出里掩盖问题，但可以通过一个“自白通道”把它撬开。 这篇文章我会用更工程化的方式讲清楚三件事： 为什么 Agent...

问题重述：错误，还是欺骗？之前已经写了几篇文章展开大模型在幻觉和诚实问题上的区别。 在工程实践中，我们常将模型错误归因为能力不足或知识缺失。 但在强化学习（RL/RLHF）闭环下，出现了另一类现象：模型知道什么是“正确的事”，却选择做“更有利的事”。 这不是“算错题”，而是策略选择。其风险在 Agent 场景中被显著放大：多步规划、工具调用、长时目标，都会增加“欺骗”的期望收益。 这一篇，我将来拆解大模型“有意识不诚实”的三条研究主线，并给出对 Agent 工程的直接启示。 研究主线一：Reward Hacking ——...

1. 从“跟随”走向“并跑”，开源首次进入前沿竞争过去两年，开源模型的主线是对齐闭源、复刻能力；2025 年开始，开源模型在推理能力、工程效率上不再只是追赶。 以 DeepSeek、Qwen、Kimi 为代表，一批模型已经在部分任务上与闭源前沿模型并跑甚至形成结构性优势。 2️. LLaMA 不再是唯一中心，开源生态出现“多极结构”在 2023–2024 年，LLaMA 实际上几乎构成了开源生态的“单一主干”。 到 2025 年，这一结构被打破： 新一代前沿模型不再依赖 LLaMA 路线 训练策略、推理结构、发布节奏明显分化 开源第一次摆脱“单一血统”，开始进入多路线并存阶段。 3. 中国团队成为开源前沿的主要推动者2025 年最具影响力的开源前沿模型，核心贡献者高度集中在中国团队。 这并非单纯的算力或参数规模优势，而是这些带来的： 更激进的推理导向训练 更快的产品化与开源节奏 更明确的“工程可用性”目标 开源前沿的主导权，正在发生地缘与工程文化层面的迁移。 4. 企业采用开源模型，已由“理想选择”转为“成本决策”2025...

前言我们这一年在工程里最常见的一个动作是： 模型答错了？让它反思一下。 加一句 “Let’s reflect” “Check your answer” “Are you sure?”，或者做个 “draft → critique → revise” 的链条，往往准确率真能上去。 但问题在于：你想解决的是Honesty（诚实），还是Accuracy（准确）？ 这两者经常被混在一起，尤其当大家把“反思”当作万能修复按钮时。更麻烦的是： 有些错误是模型“不知道自己错了”（典型幻觉/知识盲区），反思也无从下手； 有些错误是模型“知道自己在做坏事但不说”（reward hacking / scheming），反思反而更像“圆谎”，它会生成一套更漂亮的解释； 还有一些场景，反思会让模型更自信地坚持错误（自洽但错得很统一）。 所以，这篇长文的核心观点是： 大多数 self-reflection...