技术专栏 第181页

零基础认识大语言模型（LLM）工作原理目录 – GuZhenYin – 博客园

IL 中的
call 0x0A000001（MethodDef token）在保护后模块中已不存在（方法体已删除）。VM 使用
名称反射绕过元数据依赖：

win10安装Hermes，Hermes 原生不支持 Windows，推荐优先安装Ubuntu虚拟机，再在虚拟机里面安装hermes。

为什么使用 BenchmarkDotNet？

你有没有遇到过这种情况——

如果只把 Agent 当成个人窗口里的助手，它确实能提速。但它越好用，问题也越明显：判断、踩坑、取舍、验证方式，全都锁在一个人的会话里。下一位同事看不到，下一个 Agent 也拿不到。要让 Agent 从“帮我干活”变成“帮团队积累能力”，需要一条完整的 Context Loop。

更要命的是，当我们打算在这些系统上引入 AI 能力时，遇到了一个非常实际的矛盾——
LLM 不理解 REST API。

如果你还在犹豫是否要入局 AI Agent 开发，或者面对繁杂的 AI 工具链感到无从下手，那么这张
AI Agent 技术栈（Tech Stack） 全景图将为你拨开迷雾。如今的 AI Agent 生态已经高度成熟，形成了一套标准化的分层架构。无论你是想快速构建 MVP，还是打造企业级的高可用智能体，都能在这个生态中找到完美的组件。

问题大概率不出在“有没有地方存东西”，而是这些信息根本没被管理好。长任务会不断冒出新线索、新状态、新经验，如果只是一股脑往文件里堆，用不了多久就会重复记录、旧信息没更新、想查的时候搜不到重点、关键线索被淹没在一堆废话里。

本文将主要介绍 Transformer、“训练-微调”范式这两个概念，供参考。