llm-engineering

这篇文章由 yan5xu（前 ManusAI）撰写，提出了 LLM 工程范式的螺旋演进模型：从 Prompt Engineering（2022-2024）到 Context Engineering（2025），再到 Harness Engineering（2026-），并讨论了各阶段的瓶颈与驱动因素。

来自 Modal 的 LLM Engineer's Almanac，提供了一个互动探索器，用于理解 bf16 和 fp4 等低精度浮点数格式。

由Ed Donner提供的免费开源8周实践型LLM工程课程，包含每周项目作业，涵盖Ollama、Llama 3.2及AI编程工具等主题。

本文探讨了 Andrej Karpathy 关于如何在承认大语言模型认知缺陷的同时有效利用它们的建议，重点介绍了一个案例研究，其中通过自定义配置（CLAUDE.md）显著降低了错误率。

本文概述了2026年大语言模型（LLM）工程的路线图，详细阐述了包括提示词工程、RAG系统、上下文管理在内的八大关键支柱，并为每项支柱提供了精选的免费及开源资源。

一个基于项目的路线图，通过构建从分词器到服务栈的关键组件来学习 LLM 工程，包括硬件基础和后训练技术。

Anthropic 发布了构建高效 AI 智能体的工程指南，倡导采用简单、可组合的模式以及直接使用 API，而非依赖复杂的框架。文章区分了工作流与自主智能体，并就何时使用每种架构提供了实用建议。