模型架构
3 篇Transformer 架构详解：从 Attention 机制到行业范式
本文全面解析Transformer：首个完全基于注意力机制的序列转换模型。文章先对比RNN/CNN的不足，再介绍编码器-解码器架构、多头自注意力、Scaled Dot-Product Attention、位置编码与训练细节，最后给出WMT机器翻译实验结果，说明其训练效率与翻译质量优势。
Mamba 状态空间模型原理与 Transformer 对比
本文解读 Mamba 选择性状态空间模型，针对 Transformer 自注意力二次复杂度与固定上下文窗口的瓶颈，提出让 SSM 参数随输入动态变化的选择机制，并设计硬件感知并行 scan 算法，在保持线性序列复杂度的同时达到 Transformer 级别的建模能力。
协议与生态
1 篇MCP 生态与官方 Servers 实战
本文面向希望快速上手 MCP 协议的开发者，系统梳理了 Model Context Protocol 的生态定位、官方参考服务器的能力矩阵，以及多语言 SDK 覆盖情况。文章以 Claude Desktop 为例，给出从环境准备、独立启动服务器到客户端配置的完整步骤，并说明 Windows 平台适配与多服务器组合方法，帮助读者将 MCP 参考服务器落地到实际开发环境。
训练优化
1 篇DeepSeek-R1 推理模型与 GRPO 算法解读
本文解读 DeepSeek-R1 系列推理模型及其训练算法 GRPO，分析其如何通过纯强化学习（R1-Zero）及多阶段训练（冷启动、拒绝采样、SFT、RL）激发大模型推理能力，减少对人类标注推理轨迹的依赖，并介绍基于规则的奖励设计与语言一致性优化。
Prompt 工程
2 篇Prompt Engineering 技巧大全
Prompt Engineering技巧大全：链式思考、少样本学习、角色设定等高级提示工程方法论。
dair-ai 提示工程指南平台介绍
本文介绍 GitHub 开源项目 dair-ai/Prompt-Engineering-Guide，系统梳理提示工程基础、CoT/ReAct/RAG/AI Agents 等进阶技术、应用场景与模型适配，并总结对抗性提示、事实性与偏见等风险及配套资源，帮助开发者构建从理论到实践的完整学习路径。