sentinelK

mlx 的 qwen3.6-35B-A3B 试试看

因为 LLM 的工程实践有个自证陷阱。

你没法证明你的 Agent 流程，或者说工程化产品相比裸模型/竞品是更优、更有效的。 所有人都在吹自己对于 LLM 落地的思路有多么高大上。但聊到实际产出又都阳痿了，因为他们没法对实际产出负责。

但是有一些思想还是有一定的启发作用。

比如任…

这个机制和 llama.cpp 的 – fit on 区别是？

因为开发程序的特性就是认理性参数，不认感性价值。

显得更“抠”是因为很多领域的消费品，感型价值比重实在太大。甚至部分领域会出现倒挂（实际性能更差的产品，因为品牌、营销策略等原因更贵）

要看你功能的。

1 、接不接收银厨打？ 2 、能不能线上支付？ 3 、能不能支持多人同点？拼桌？ 4 、接不接库存？

以上都决定最终价格和成本。

首先你得先说你要解决什么。 你都不聊你想通过学习解决什么，光学知识，不实践，最终变成屠龙之计有什么意义？

反过来讲，不管是什么项目，以后都应该用 AI 产品先进行一遍 review 。

常言道，道高一尺魔高一丈。

0 、这是趋势，解放生产力，核心就是要解放。但是前提是你要知道什么该解放，什么该攥在手里。资本家从来不会解放自己的人脉和渠道。

1 、所以在使用中应该合理的优化上下文。给 AI 一个明确的任务目标与界限。目前网上用 token 去砸 AI 许愿的风气追不得。最后要么大炮打蚊子，要么产出的内容全…

再反转一下，以上是基于消费者视角。基于 LLM 模型提供者的视角来看，他们立于不败之地。

市面上有更好的工程化实践，就吸纳到自己的嫡系 app 中。 市面上有不利于自己利益的工程化实践，就禁掉。 市场出现了现象级产品？换个模型版本。直接负优化废掉他，自己在做一个。

没用，在 LLM 模型 API 接口本身都是黑箱（动不动降智，更别提还有各种黑中转）的情况下，你根本没法评估 AI 应用的能力和稳定性。

更何况，我个人理解，其实并不是每个人都需要那么“定制化”的工程环境。

目前的 LLM 上下文，已经足够大到只要你愿意提供足够的信息，不人为的隐瞒，基本…