Author Archives: neohope
OpenClaw 避坑指南：安全、可控地使用强执行型 AI Agent
OpenClaw 避坑指南：安全、可控地使用强执行型 AI Agent
2026 年 OpenClaw 的爆火，核心在于它打破了传统 AI Agent“只说不做”的局限，真正具备了主动动手解决问题的能力——从安装插件、排查日志，到自主创造工具，执行力拉满。但正是这种“强执行”特性，也让它比普通对话型 AI 多了更多潜在风险：权限滥用、隐私泄露、资产损失、执行失控等问题都可能出现。
一文看懂JVM核心架构：拆解 “搬运工、仓库、加工厂、对外窗口”
主流电商分类对比解析：从货架到跨境，一文理清核心差异
主流电商分类对比解析：
SEO+GEO双轮驱动：生成式AI时代，搜索引流的进阶优化指南
OpenClaw体验：比起“会说”，人们更偏爱“会做”的AI助手
OpenClaw体验：比起“会说”，人们更偏爱“会做”的AI助手
2026年刚开篇，OpenClaw就彻底火出圈了——火到连名字都赶不上它的热度，从MoltBot到ClawBot，最后定格为OpenClaw，一路迭代，自带话题感。
最近我也上手体验了一番，不得不说，它的表现确实没让人失望，好感拉满。
一文理清软件服务收费模式：从授权到订阅，企业该怎么选？
常见软件服务收费模式：
【温故知新】Linux系统启动流程（BIOS+GRUB模式）
一、硬件初始化阶段
1、电源自检（POST）
按下电源键，主板 BIOS 固件启动，依次检测 CPU、内存、硬盘控制器、显卡、外设等核心硬件，故障则通过蜂鸣 / 屏幕提示终止启动，无异常则进入下一步。
2、BIOS 固件初始化，定位启动设备并加载GRUB第一扇区
BIOS 加载自身固化驱动，初始化已检测通过的硬件，建立基础硬件运行环境，识别本地存储设备（硬盘/SSD）。BIOS 按 CMOS 中预设的启动顺序（硬盘/U盘/光驱），找到目标启动硬盘，读取硬盘主引导记录（MBR，磁盘首个 512 字节），加载其中的 GRUB 第一阶段（Stage1）引导程序，将控制权移交 GRUB。
【温故知新】Linux系统启动流程（UEFI+GRUB模式）
一、硬件初始化阶段
1、电源自检（Power-On Self-Test, POST）
按下电源键后，主板 UEFI 固件执行核心硬件检测（内存、CPU、硬盘控制器、显卡等），硬件故障则终止启动并抛出提示，无异常则进入下一阶段。
2、固件初始化
UEFI 固件加载自身驱动，识别本地存储设备（硬盘 / SSD 等），初始化硬件运行环境，完成启动前基础准备。
3、启动管理器加载
UEFI 按预设启动项顺序，从EFI 系统分区（ESP） 读取并加载 GRUB 引导程序核心文件（grubx64.efi）。
【转载】提升大语言模型推理能力的推理时算力缩放分类
提升大语言模型推理能力的推理时算力缩放分类
兼述最新推理缩放研究论文（含递归语言模型）
推理缩放已经成为提升已部署大语言模型回答质量与准确率的最有效手段之一。
它的原理非常直白：如果我们愿意在推理阶段（即使用模型生成文本时）投入更多算力、花费更多时间，就能让模型输出更优质的答案。
如今，每一家主流大语言模型服务商都在采用某种形式的推理时算力缩放，学术界围绕这类方法的研究也在快速增长。
今年3月，我曾写过一篇推理缩放领域概览，总结了早期的部分技术。
《大语言模型推理模型的推理现状》
在本文中，我会在之前讨论的基础上做进一步延伸，将不同方法划分成更清晰的类别，同时重点介绍过去几个月涌现的最新研究成果。
在为《从零构建推理模型》一书撰写推理缩放完整章节的过程中，我亲自实验了这类方法的众多基础变体。为了调优超参数，我累计跑了数千次实验，花了大量精力斟酌哪些方法值得在章节中展开讲解。（这个章节最后篇幅过长，我最终拆成了两章，目前都已在抢先阅读计划中上线。）
附言：我对这两章的最终呈现非常满意。它们能把基础模型的准确率从约15%提升到52%左右，是目前整本书里成就感最强的内容之一。
本文整理了一些没有放进最终章节叙事、但仍然值得分享的思路、笔记与论文。
我也计划后续在GitHub的补充材料里加入更多代码实现。
目录概览
-
推理时算力缩放概述
-
思维链提示
-
自一致性
-
N选优排序
-
带验证器的拒绝采样
-
自我精炼
-
解路径搜索
-
结论、分类与组合方式
-
番外：闭源大语言模型都用了哪些技术？
你可以在网页版阅读时使用左侧导航栏，直接跳转到任意章节。
1 推理时算力缩放概述
推理时算力缩放（也叫推理算力缩放、测试时缩放，或简称推理缩放）是一个统称，指代所有在推理阶段投入更多算力与时间来提升模型表现的方法。
这个概念由来已久，经典机器学习中的集成方法就可以看作推理时缩放的早期例子——使用多个模型会消耗更多算力，但能得到更好的结果。
即便在大语言模型领域，这个思路也早已存在。不过我印象中，它是去年OpenAI在o1的官宣博文《用大语言模型学习推理》里放出一张推理缩放与训练缩放的对比图后，才又一次彻底火了起来。
图1：在推理阶段（左）和训练阶段（右）投入更多资源，通常都能提升模型准确率。