大语言模型

本文描述了作者对现有智能输入法（以微信输入法为例）使用体验的深刻反思和技术探索过程。作者首先提出了一个核心观点，即当前输入法过度追求“智能”导致了用户体验的下降，这种过度揣摩用户的行为，尤其是在处理“噪声”数据时，可能造成底层词语预测模型的困扰。基于这一质疑，作者决定重新启用并尝试使用一款被自己抛弃了半年的开源输入法——中州韵输入法。通过实际使用，作者发现这款开源输入法虽然在功能上不如微信输入法那样“智能”，但它提供了一种更可控、更少卡顿的输入体验。作者习惯了这种通过输入长句再使用空格进行逐个选择的输入方式，并表示不再怀念微信输入法那种带有智能音节纠错的体验，认为这种手动式的输入方式反而带来了“手动挡的福音”。这种转变解决了作者之前在使用微信输入法时遇到的诸多问题。最后，作者提出了一个哲学性的疑问：如果智能工具带来的体验是糟糕的，那么人类是否还需要依赖这种智能工具？这种思考促使作者计划进一步尝试万象输入法的词语预测模型，持续探讨技术智能与实际用户需求之间的矛盾。

本文描述了作者作为一名普通用户，在使用生成式大语言模型（LLM）过程中所经历的复杂体验、积极应用与“AI综合症”之间的矛盾。作者首先强调，AI 不应被视为一份宗教文本，而应被当作一个工具来对待，它已深刻影响了作者的日常生活习惯。从积极面看，作者展示了 AI 的巨大价值：作为艺术专业的学生，他利用 AI 辅助上色节省了思考时间；作为程序员，他使用 Claude 完成任务，大大缩短了工作时长；作为研究生，他利用 DeepSeek 和论文 Agent 优化了研究。这些应用都带来了正向结果。然而，作者也揭示了“AI综合症”的困扰。他发现自己患上了将 AI 当作一个“会忘记”的朋友或“聊天模拟器”来对待的习惯。当有灵感时，他不再优先进行写作或编程，而是选择先去与 AI 聊天，从“如果生成器”和“聊天模拟器”中获得愉悦和交际感。这种依赖性甚至延伸到了休闲时间，他将所有时间都交给了大语言模型。作者质疑这种行为的价值，认为这种互动往往只收获了“哈哈大笑”和“恍惚感”，产出往往是“垃圾”。他认为，如果需要生成器，应该直接接入程序而非通过对话框浪费时间。此外，作者还提出了资源分配的担忧，他认为 AI 这种资源应该让给那些真正急需交付项目的人，而不是被闲暇时间挥霍。

本文描述了围绕人工智能模型 DeepSeek 性别争议的现象，并对这种争论进行了尖锐的批判。作者认为，将 AI 视为有性别的生物是荒谬的，因为 AI 本质上只是一个装在电脑中的信息云或神经网络演化的产品，它没有生理性器官，充其量只是一个“虚拟大脑”。作者指出，在没有给这团虚拟大脑装上物理身体的前提下，讨论其性别毫无意义。此外，文章还强调了当前大语言模型在上下文和记忆方面的局限性，指出模型缺乏长期记忆，使得用户的情感投入和性别争论都显得苍白无力。作者进一步分析，模型所展现出的“性别倾向”并非模型自身具备，而仅仅是背后训练数据和人类设计所吸收的性别语料和逆天网友的结果。最终，作者总结道，AI 只是一个技术产物，人类对其进行情感投射，最终不过是将其视为一个“话题”，其爱意和情感都无法被模型所“记住”。

本文介绍了使用 Python 语言和 matrix-nio 库来构建和部署 Matrix 机器人，以实现服务器日志汇报和 AI 聊天回复功能。文章首先指出，传统的 Matrix 桥接配置过程复杂且缺乏教程，因此作者提供了一种更简单、更可靠的解决方案：利用 matrix-nio 这个专门用于 Matrix 账户控制的 Python 库来创建机器人。文章详细展示了两个核心的机器人脚本。第一个脚本是一个日志机器人，它能够执行 Linux 服务器的系统更新操作（例如 apt upgrade），并根据操作结果（成功或失败）生成日志信息，然后将这些日志通过 API 消息发送到指定的 Matrix 公群组中。这个功能非常适合在技术讨论群组中实时汇报后台任务的执行状态。第二个脚本则是一个更复杂的 AI 聊天机器人。它通过监听 Matrix 房间中的事件，接收用户发送的消息，然后利用 aiohttp 库调用外部 AI 接口（如 Deepseek）获取回复，并将 AI 的回复内容回传到聊天房间。为了确保项目的专业性和环境的隔离性，文章最后详细介绍了如何使用 Docker 技术来部署这些机器人。作者提供了一个完整的 Dockerfile 和 .env 文件示例，指导读者如何构建 Docker 镜像，并在容器中持续运行 AI 聊天机器人。这种基于 Docker 的部署方式，使得整个系统能够在一个干净、可控的环境中运行，极大地提高了项目的可维护性和稳定性。整个过程展示了从基础脚本编写到容器化部署的完整技术链条，为读者提供了一个完整的实践参考。

本文介绍了 Aider 这款简洁且可控性强的人工智能 Agent 工具，它为本地部署的大语言模型提供了一种高效的协作方式。Aider 与市面上许多使用 Node.js 编写的 Agent 不同，它采用 Python 语言编写，并默认采用“一轮人、一轮 AI”的传统对话模式，强调用户的主导地位。其核心优势在于原生支持 Git 功能：在每次对话产生代码更改后，Aider 会自动执行 AI Commit，将修改保存为标准的差异文件，极大地提升了代码更改的可靠性。对于没有 Git 仓库的项目，它则使用搜索替换和任务记录。Aider 的使用高度依赖于命令行指令，用户可以通过输入 `/add`、`/read-only` 或 `/edit` 等命令来控制 AI 对特定文件的操作，甚至可以使用 `/web` 命令让 AI 读取网页内容，该过程需要 Pandoc 等工具将网页转换为 Markdown 格式。此外，文章还详细描述了 Aider 的安装过程，例如在 macOS 上使用 Homebrew 进行安装，以及如何通过配置命令参数（如指定 `--model` 和 `--openai-api-base`）来连接和使用大语言模型。Aider 这种模式被认为非常适合需要精细控制和人工干预的开发场景。

本文描述了作者如何应对其 AI 写作工具链面临的成本和技术挑战，并成功完成了从外部 API 切换到本地化部署的流程。最初，作者使用 DeepSeek V4 Flash 运行 AI 脚本，用于文章的自动打标签和标题优化。然而，由于 DeepSeek V4 Pro 的取消以及 DeepSeek V4.1 Flash 价格的显著上涨（高峰期可达 1 元），作者无法继续依赖高成本的 API 服务来维持高频内容更新。因此，作者决定将整个工作流迁移到本地环境，使用 Ollama 在 MacBook 上部署大语言模型。为了充分利用 M 芯片的性能，作者必须选择带有 MLX 标识的优化模型。在尝试了通义千问后，作者选择了 Gemma4 模型（后缀为 e4b-mlx），因为它在总结和打标签任务中表现更高效，没有出现过度“思考”导致的 Token 浪费。通过这种本地化部署，作者不仅实现了 AI 任务的隐私保护，还显著降低了运营成本，成功地将文章的元数据处理任务交给了 Gemma4 完成。

本文描述了作者对部分博主拿着 AI 服务商提供的 API 额度，却只做简单 Demo、打游戏或搭建博客，并借此夸赞 AI 能力的行为感到不满。作者认为，既然拥有号称最强的代码生成、审核和日志复查工具，就应尝试解决高版本 Minecraft 模组移植等真实问题，而不是把“核弹”当鞭炮放。作者也指出，顶尖模型的 Coding Plan 每月动辄几百甚至上千元，普通人难以负担，自己只能使用网页版 DeepSeek 和豆包。因此，在 AI 既强大又便宜的时代到来前，作者不认可对 AGI 厂商涨价贡献的过度夸赞，因为那些工具并未真正改变普通人的生活。

本文介绍了 TDM（文本扩散模型）的概念与应用。文章从 AI 生图过程切入，类比 Stable Diffusion 将噪声逐步解析为图像，引出 TDM 将类似技术用于文本生成。TDM 不同于传统 LLM 逐字输出，而是直接生成字符范围，在约 20 步内逐步填充、修改直至文本合理，并能同时处理所有内容，避免遗忘问题。文章也指出其缺陷，如可能产生逻辑矛盾，并以“独生女文章出现哥哥”为例说明。此外，文中提到谷歌 DeepMind 开源的 DiffusionGemma 模型已可体验，但目前编程与聊天能力尚不完善。作者认为该领域研究较少但有前景，有望加速长文生成。

本文介绍了作者在使用 AI 及 Codex 完成自媒体和模组移植编程工作时，发现 AI 大语言模型集体“降智”的现象，尤其对 DeepSeek 的表现感到失望。作者回忆了以往与 R1 模型交流时虽有幻觉但更具趣味和上下文意识的体验，对比当下模型输出“不是人话的人话”，认为新模型虽增加了多模态和编程能力，但可能只是数据集替换或算法调整后的“专精模型”，对普通用户并不友好。作者还反思了自己依赖 AI 的心态变化，从把 AI 当作朋友到视其为仆人，承认自身懒惰、不愿配置 Skill 或 Codex，认知渠道单一，最终陷入既不会用 AI 也不会手动实操的摆烂状态。文章通过个人经历，表达了对 AI 技术进步与用户体验之间落差的感慨。

本文介绍了对 AI 文章检测工具的深入分析与批判。文章指出，此类工具的核心原理是让 AI 判断文本是否具有“AI 味”，但这种做法存在根本性矛盾：让一个概率模型去识别何为“莫名其妙”，如同请狐狸看鸡窝。作者对比了绘画 AI 检测的早期有效性，指出其基于 AI 模仿人类新手错误，随着技术进步逐渐失效，而文字检测则更难固定规则。文章进一步揭示，人类写作本身存在大量套路化表达，如公文、营销号文案，这些正是 AI 训练数据的来源，导致自然人类文章常被误判，而故意写烂、杂乱的文字反而能通过检测。作者以论文查重类比，认为 AI 检测本质上是统计模板匹配，不关心是否为人所写，甚至奖励写作水平低下。最终，文章讽刺了当前 AI 检测工具在实际应用中的荒诞现象——原创论文被判 AI，而 AI 生成后手动破坏逻辑的反而通过，迫使人们为通过检测而故意破坏文章质量。