LLM（大型语言模型）通过总结和推断大量语言数据，模仿人类语言的组织方式，展现出似乎具备“智能”的效果。然而，这种智能感并非源自模型的认知能力，而是通过学习语言的规律，模拟出类似于人类的表达方式。本文探讨了LLM如何通过语言模式的模仿展现出推理能力，揭示了其智能感的来源和局限…
-
INTJ 滞后性的双刃剑：利弊分析
INTJ感受的迟钝，是思考时追求过于全面，还有永不停息的复盘。背负着大量后台进程的人脑运转自然缓慢，但如果以为INTJ是真的慢，某天可能会被「远见的鹰」啄了眼…
-
INTJ 的伪利他：系统性讨好人格的本质
有些INTJ表现出讨好型人格并非刻意讨好他人，而是长期抹平个人欲望，将整个世界视作一台机器，总是在各种变量中寻找融洽的方案，表现出来的就是 忽略自身的利益从而满足他人的欲望，而对于INTJ而已，TA只是觉得 从整个宇宙运行的层面上 选择了较优的方案，所以TA往往意识不到自己的利益损失，表现的利他行为只是满足了自己的世界正常运作…
-
从LLM数据集优化联想到人类知识体系
CoT、ToT、GoT的前提都是 数据集中存在这样的逻辑，LLM这种题库选手才能总结出‘规律’，从而在语言信息中模仿处chain、tree、graph这类 带有逻辑信息的内容，因为是模仿，所以并非真实的逻辑，当准确性有比较高要求时，人类一定要对LLM的产出进行审核…
-
LLM-Agent 的设计边界：复杂性、成本与价值的思考
LLM-Agent 本质上是一种 Prompt 工程，它通过 System、User、Tool 等 Prompt 去驱动 LLM 完成任务。成本的问题一定程度上呈现了价值，很多时候滥用Agent并不能解决问题…
-
Chain of Thought 的收敛性与 LLM 思维边界
CoT 思维链本质上是从压缩数据集信息的 LLM 模型中解压数据的过程。链式推理是指上一次迭代的结果引出下一次迭代的结果，解压的方式通过输入语义中的指向性。简单来说，它将题库选手的直觉思维转化为带有逻辑引导的推理路径，趋近于期望的答案。然而，我们需要清醒认识到，LLM 仅仅从文本数据中压缩提炼出规律，并不能拥有真正深度的思维。当 CoT 的深度和广度达到一定程度时，它会脱离符合逻辑的语义空间，从而丧失可用价值…
-
Hello，world！——我是谁
从头说起的故事，抛砖引玉的砖头…
1