「一連串的失敗」造就了 LLM（下篇）— 從 Attention 到規模革命與對齊
從如何處理脈絡到 LLM 的完成：RNN 的結構性極限、Attention 的誕生、Transformer、GPT-3 的規模革命、RLHF 對齊，以及效率化的時代。
生成式 AI
「一連串的失敗」造就了 LLM（上篇）— 從數學的極限到意義的幾何學
LLM 是一連串無關問題的副產品：圖靈的可計算性、夏農的資訊理論、感知器、反向傳播、GPU，以及 Word2Vec。
Fine-tuning 能取代 RAG 做 KB 檢索嗎 — 它真正學到的東西，以及純 IR 勝出的時機
知識庫檢索能不能用 Fine-tuning 取代 RAG：Fine-tuning 真正學到的是什麼、純 IR 或長脈絡勝出的時機，以及各自的成本。
用 AIMock 讓 AI 智能體測試變得決定性 — 在單一連接埠模擬 LLM、向量資料庫、MCP 與 A2A
AIMock 在單一連接埠上模擬整個 AI 技術堆疊（LLM、向量資料庫、MCP、A2A），讓智能體測試套件在三秒內跑完，而且每次輸出都相同。
和 AI 智能體花五個回合做出部落格 logo：留下來的是一個 /logo skill 與三支指令碼
用 AI 智能體重做這個部落格的 logo 與程式碼字型：壞掉的 SVG 字形、用正規表達式算出的邊界框、猜錯的漢字，以及最後長出來的 /logo skill。
gpt-image-1 與 DALL-E 3 差在哪：自迴歸與擴散模型的架構之爭
gpt-image-1 與 DALL-E 3 的架構差異：自迴歸的 token 生成與反覆去雜訊、離散與連續的壁壘、DiT，以及 2026 年三方並立的市場。
A2A 與 MCP 差在哪裡？智能體間通訊為何需要獨立協定，兩者又為何都不選 gRPC
從對等性、Agent Card 能力發現與非同步任務管理，說明 MCP 單獨為何不足以支撐智能體間通訊，並解析兩個協定為何都選擇 HTTP 作為基礎。