有这样一个问题：“在实际运行中，如果你的 Agent 陷入了 ReAct 循环，或者不断调用同一个错误的工具，你是怎么在工程上解决的？”为什么这个问题是“分金岭”？很多人做 Agent 还停留在 Demo 阶段，认为只要 Prompt 写得好，模型就能自动完成任务。但在真实场景下，Agent 经常会变成“复读机”：它发现工具 A 没给它想要的结果，于是思考一下，再次调用工具 A，如此循环，直到烧光你的 Token。深度解析：你该如何作答？一个标准的、有“工程手感”的回答，应该包含以下三个层面的策略：第一层：硬性约束（Stop Conditions）这是最基础的。你需要提到你设置了最大迭代次数（...

不知道过两年会变成啥样…   

1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...