LLM 理论与基础

用好大语言模型，前提是先理解它是怎么工作的：文本是如何被切成 token 的、语义是如何被压成向量的、推理能力从哪里涌现、幻觉又从哪里漏出来。本目录把这些底层概念集中到一处，同时向上延伸到两类应用：一类是把 LLM 组装成自动化深度研究智能体（Deep Research），另一类是用 Dify / n8n / Coze 等编排平台把模型能力装进业务流水线。

1. 内容概览

1.1 LLM 基础概念

围绕 Token、Embedding、注意力之外的「结构性」技术组成基础能力地图，详见 llm_basic_concepts/。

思维链 (CoT) — 通过显式推理步骤提升复杂问题求解能力，是多跳推理与工具调用的前置条件。
嵌入 (Embedding) — 从 Bag-of-Words / TF-IDF 到 Transformer 句向量的演进，覆盖距离度量、降维可视化与 RAG/聚类/分类等下游用法。
混合专家 (MoE) — 稀疏激活架构如何在不线性放大推理成本的前提下扩展参数规模。
模型量化 (Quantization) — FP16/INT8/INT4 等精度压缩路径，用于降低显存占用与推理延迟。
Token 机制 — BPE / WordPiece 的切分逻辑、长度估算工具与成本控制实践。
幻觉 (Hallucination) — 幻觉的成因分层与检索/约束/校验三类缓解策略。
模型文件格式 — GGUF / GGML / Safetensors 的存储结构与互转注意事项。
意图检测 — 基于 LLM 的意图识别管线与常见工程陷阱。

1.2 深度研究（Deep Research）

当「回答」演变成「写一份带引用的研究报告」时，需要搜索 / 阅读 / 规划 / 写作多能力协同。本节收录业界产品解读与落地案例，详见 deep_research/。

研究智能体拆解 — Cursor DeepSearch、通义 DeepResearch、Databricks Data Agent，以及《Building Research Agents for Tech Insights》的技术路径解读。
DeepWiki — 技术原理与使用分析，把代码仓库自动转成可检索的结构化知识。
场景级设计 — 科研助手、订单履约 Agent 两套端到端的 Agent 架构与需求拆解样例。

1.3 工作流编排与应用平台

把 LLM 从 Playground 搬到业务系统，中间还隔着工作流、权限、插件、可观测等一整套工程工作。本节聚焦编排平台选型与落地，详见 workflow/。

开源编排平台对比 — Dify / AnythingLLM / Ragflow / n8n 的功能矩阵与商用许可对比，用于企业选型。
n8n 多智能体实践 — 用 n8n 的工作流节点 + LLM 节点搭建多 Agent 协作系统。
Coze 部署与配置 — Coze（扣子）的私有化部署、插件接入与 Agent 发布流程。

2. 学习路径建议

筑基 — 从 llm_basic_concepts 进入，先打通 Token → Embedding → CoT 三条主线，建立「模型怎么看文本、怎么推理」的底层直觉。
进阶 — 转向 MoE 与 Quantization，理解现代大模型如何在规模与成本两头取舍。
应用 — 借助 workflow 下的开源编排平台（Dify / n8n / Coze）把模型能力装进自动化流程。
前沿 — 进入 deep_research，研究当下最复杂的 Agent 应用形态——多能力协同的自动化研究系统。

3. 相关资源

本目录聚焦理论与应用层编排；如需更底层的工程实践，参考：