本文是一篇 AI 工程师的角色入门导读，基于 Latent Space 的《The Rise of the AI Engineer》展开。核心论点是用 API 边界区分 AI 工程师与 ML 工程师：前者调用模型构建应用，后者构建模型服务本身。文章明确 AI 工程师不需要线性代数或从零训练模型，但需要扎实的软件工程基础、评测体系与反馈回路设计；它同时澄清 AI 工程师与使用 Copilot/Cursor 的 AI 辅助开发者的区别，并认为 Web 开发者的交付导向习惯可直接迁移。文中还插入了 AI Hero 技能包的推广块，内容整体偏定义介绍而非实操细节。
本文是一篇 LLM 工具选型指南。作者梳理了 LLM 目前的四个真实用途：把非结构化数据转成结构化表格、打标签与分类、问答、以及 Agent 化操作。他特别强调不要一上来就做“套壳聊天机器人”，因为护栏永远有漏洞，并举了 Gemini 被越狱要求用户“please die”的例子。文章的核心论断是：只要能确定性实现，就该用确定性系统；LLM 只适合两类任务——雇人做太贵（数据清洗、分类）或确定性系统搞不定（问答、生成、Agent）。适合正在决定哪些模块该上 LLM 的工程师阅读。
本文是一篇面向初学者的 LLM 概览，将大模型比作一份用 16-bit 浮点数编码的压缩文件，参数就是模型的“大脑”。文章依次介绍推理（inference）、采样策略（greedy、top-k、top-p、temperature）、tokenization，以及 pre-training 与 post-training 两阶段的训练流程，并给出粗略成本量级：约 10TB 文本、6,000 块 GPU 跑 12 天、花费约 200 万美元，产出 140GB 权重文件。结尾引用 Karpathy 的 LLM 入门视频与 Anthropic 的可解释性研究。内容刻意保持浅显，对熟悉 LLM 的一线工程师几乎没有新信息，适合刚入门的读者建立基本直觉。