踩坑日志：部署与运维中的实战问题记录
记录在 VPS 部署、代理搭建、Web 开发等领域遇到的真实问题。
📝 全部文章
AI Agent 架构设计与技术探索
共 22 篇LogicAI
2 篇Agent 架构演化系列
5 篇 1 7月28日 2 7月30日 3 8月1日 4 8月1日 5 8月3日
Agent 架构演进与行业共识图谱：从经典三要素到现代五层架构
总结 2023-2026 年 Agent 架构核心演化：从 Lilian Weng 经典三要素到现代五层架构，涵盖 MCP、A2A 协议及 12 个核心概念的解毒与锚点跳转指南。
Agent 大脑层：从思维链到蒙特卡洛树搜索的推理进化之路
系统性拆解 Agent 架构大脑层的六大推理模式——CoT、ReAct、Plan-and-Execute、ToT、LATS、Reasoning Tokens，深入蒙特卡洛树搜索机制，并以 LogicAI2 为实例展示类比迁移与工程落地路径。
Agent 架构演化（二）：记忆与知识管理层 (Memory & RAG)
深入拆解 Agent 记忆层的三大支柱：上下文窗口动态压缩与摘要、三路混合检索（Dense + Sparse + Knowledge Graph）、MemoryOS 分层记忆体系（Episodic & Procedural），并给出 LogicAI2 的落地路线图。
Agent 工具与行动层：从 Function Calling 到 MCP 与 GUI Agent 的进化之路
系统拆解 Agent 架构工具与行动层的进化主线——从 Toolformer 自监督工具学习、Function Calling API 与 /v1/chat/completions 协议解剖，到新一代 Responses API，再到工具学习与检索（Gorilla/ToolLLM/APIGen/Tool RAG）、MCP 协议标准化与 GUI Agent 全能之手，并以 LogicAI2 为例给出工具层落地的真实进展：ToolRegistry 与官方 SDK MCP 接入已完成，统一执行网关与全量审计正在推进。
Agent 感知与输入层：从多模态 VLM 到 GUI Agent 的"眼睛"进化之路
系统拆解 Agent 五层架构第 4 层——感知与输入层：从多模态 VLM 的发展历程（CLIP→Flamingo/BLIP-2/LLaVA→Gemini/GPT-4o 原生多模态）与视觉 tokenization 底座，到 GUI 感知三条接口（DOM/AXTree/截图），再到 OmniParser 屏幕解析与 UI-TARS 原生 GUI Agent 模型，以及感知评测基准与工程挑战，并以 LogicAI2 为例给出文本型 Agent 的感知扩展路径。
代理原理
7 篇 1 6月9日 2 6月9日 3 6月9日 4 6月9日 5 6月9日 6 7月10日 6 6月9日
代理原理（一）：你的数据包是怎么翻过墙的
从 IP 地址和 DNS 讲起，拆解代理的本质、协议演进（SOCKS5 → SS → VMess → VLESS → Trojan → Reality）、传输层伪装、代理链与路由规则。
代理原理（二）：自建节点实战 —— 从零搭建 VLESS + Reality
代理系列第二篇。手把手搭建一台 VLESS + Reality 代理服务器：VPS 选购、Xray-core 安装、Reality 配置、SNI 选择策略、客户端连接。
代理原理（三）：客户端配置 —— 规则、策略组与 DNS 防泄漏
代理系列第三篇。深入 Clash 和 Shadowrocket 的配置体系：规则匹配逻辑、策略组设计、DNS 防泄漏、分流实战。让代理不仅能用，而且用得优雅。
代理原理（四）：代理链与住宅 IP —— 为什么你会被封号
代理系列第四篇。拆解 DC IP vs 住宅 IP 的本质区别、Claude/ChatGPT 的风控机制、代理链的搭建逻辑、WARP 免费方案、IP 纯净度检测。
代理原理（五）：AI 服务访问实战 —— Claude、GPT 与 API 中转
代理系列最终篇。Claude/ChatGPT/Gemini 的访问策略、Apple ID 跨区订阅低价方案、one-api 中转平台部署，把前四篇的知识串成完整的生产力链路。
代理原理（六）：从零理解商业机场 —— 一篇讲透内在逻辑的指南
代理系列番外篇。完整拆解商业机场的商业模型、技术架构、用户生命周期、流量计费、支付系统、线路选择、运营流程和成本利润分析。在动手之前，先彻底搞懂这门生意的每一个因果环节。
代理原理（番外）：全球联网指南 —— eSIM、漫游与卫星互联网
代理系列番外篇。解决物理层的联网问题：eSIM 是什么、全球漫游方案对比、Google Fi、Starlink，让你在世界任何角落都不断联。
Transformer 原理
5 篇 1 6月3日 2 6月4日 3 6月5日 4 6月6日 5 6月7日
Transformer 原理（一）：全局观 —— 为什么它改变了一切
Transformer 系列第一篇。从 RNN 的困境出发，建立对 Transformer 架构的全局直觉：Encoder-Decoder 结构、数据流、Embedding 与 BPE 分词。
Transformer 原理（二）：Self-Attention 深度拆解 —— Q K V 的前世今生
Transformer 系列第二篇。从"it 指代什么"的动机出发，逐步拆解 Self-Attention 的完整计算过程，深入理解 Q、K、V 的设计哲学与缩放因子的数学证明。
Transformer 原理（三）：多头注意力与位置编码 —— 从多角度理解到感知顺序
Transformer 系列第三篇。拆解多头注意力的设计哲学与参数量真相，并追溯位置编码从 Sinusoidal 到 RoPE 的进化史。
Transformer 原理（四）：砖与瓦 —— Residual、LayerNorm、FFN 与 Decoder-only 架构
Transformer 系列第四篇。拆解每层 Encoder/Decoder 内部的关键组件：残差连接如何让深层网络可训练、LayerNorm 为什么选择层而非批、FFN 的隐藏维度为什么是 4 倍、Causal Mask 如何防止作弊，以及 Decoder-only 架构为什么成为大模型的主流选择。
Transformer 原理（五）：从训练到推理 —— 损失函数、KV Cache 与注意力优化
Transformer 系列最终篇。拆解交叉熵损失如何驱动模型学习、KV Cache 如何将推理从 O(n²) 降到 O(n)、MQA/GQA 如何压缩 KV Cache 的显存占用、Flash Attention 如何用分块计算突破显存瓶颈。
