自从2026年过年之前就在思考 如何构建自己的家庭AI实验室，我日常的学习中面临了如下几个问题： 当下的AI设计也有，看到太多的变化，但这些变化很多都停留在纸面上，缺少动手实操和深入了解，我认为我需要深入了解一些特有的框架，找到他们的共性，而不是人云亦云； 实操更容易有体感，真实的了解他们是如何运行的； 构建可持续的学习环境，预期可以实现开发、算力部署、训练、测试一体的环境； 本文档记录日常搭建家庭mini版本的AI实验室的整体记录，整体预算控制在 5万左右（）； 网络建设（内网2.5Gbps，下行1000Mbs、…

Function Calling 的底层机制 Function Calling 没有引入新的推理机制，底层与生成普通文本一致，均基于上下文的 next token prediction。模型通过训练学会在特定情况下将输出从自然语言切换为结构化 JSON 格式，而非存在独立的决策模块。关键在于模型通过大量样本学习输出模式，而非 “读懂”“判断” 或 “决定”。 Function Calling 的训练阶段 分为监督微调（SFT）和强化学习两个阶段。SFT 阶段：训练数据包含大量工具调用完整对话链（系统提示工具信息→用…

1. SFT 和 RL 机器学习训练的区别： 1. 监督微调（SFT, Supervised Fine-Tuning） 定义： 在预训练模型（如基于海量文本训练的基座模型）的基础上，使用标注数据（输入-输出对）进行有监督的微调，使模型适应特定任务。 特点： 数据形式：输入（如用户提问） + 对应的理想输出（如人工标注的回答）。 目标：通过最小化预测输出与标注输出的差异（如交叉熵损失），让模型学会生成符合要求的回答。 优点：简单直接，适合学习明确的输入-输出映射。 局限：依赖高质量标注数据，无法学习更复杂的策略或长线…