📚 精选文章 | Curated Reading
1. 《OpenAI GPT-5 技术报告深度解读》
OpenAI 发布的 GPT-5 技术报告是近期最受关注的 AI 论文之一。这份报告详细披露了 GPT-5 的核心架构改进和训练方法。
核心技术创新：
- 链式思维强化学习（CoT RL）：通过强化学习让模型学会分解复杂问题，而不是直接给出答案
- 多模态原生架构：GPT-5 从预训练阶段就是多模态的，而非简单的模态拼接
- 合成数据飞轮：利用模型自身生成的高质量合成数据持续训练，形成正向循环
对开发者意味着什么：GPT-5 的工具调用能力和函数执行精度大幅提升，是构建复杂 AI Agent 的理想底座。
2. 《构建企业级 AI Agent：从 LangGraph 到自研框架》
这篇文章来自 engineering.meta.com，分享了 Meta 内部构建 AI Agent 的工程实践。
关键经验：
- 状态机设计：将 Agent 的行为建模为状态机，比纯 LLM 调用更可控
- 回退策略：当主模型调用失败时，自动降级到备用方案
- 可观测性：为每个 Agent 添加完整的执行日志，便于排查问题
- 评测先行：在开发 Agent 前先设计好评估指标，避免盲目迭代
3. 《图神经网络（GNN）在推荐系统中的实践经验》
推荐系统是 AI 落地最成熟的领域之一，这篇文章来自 Pinterest Engineering Blog，分享了 GNN 在 Pinterest 推荐场景中的应用。
核心思路：
- 将用户和商品建模为图（Graph）中的节点，交互行为建模为边
- 使用 GraphSAGE 进行节点 Embedding 学习
- GNN 能够捕捉二跳以上的协同关系，比传统 CF（协同过滤）效果提升约 15%
工程挑战：图数据的规模往往非常大，Pinterest 分享了他们如何通过采样和分布式训练解决效率问题。
4. 《LLM 的 KV Cache 优化：PagedAttention 原理详解》
大模型推理优化的经典论文解读。PagedAttention 是 vLLM 推理引擎的核心技术，灵感来自操作系统内存管理的分页机制。
核心原理：
- 将 KV Cache 分块存储，而非连续大块内存
- 不同请求可以共享相同的 KV Block，大幅提高显存利用率
- 物理地址连续，逻辑地址分散，支持动态扩展
效果：在 A100 上，显存利用率从 ~30% 提升到 ~90%，吞吐量提升约 24 倍。
📌 本期要点：GPT-5 技术报告必读、Agent 开发推荐状态机设计、KV Cache 优化是推理效率关键。
本内容由 AI 辅助整理，推荐阅读时间约 50 分钟。