从 Function Calling 到评估：一次 LLM 测试工程化的真实实践

调通 Function Calling 后，我逐渐意识到，大模型并不是简单地“调用函数”，而是基于 function schema 做决策。本文反复修改 schema，并结合响应中的 reasoning_content 进行观察，梳理了模型在什么条件下会触发函数调用、在什么情况下直接回答。实践表明，description、required、properties 等 schema 设计，对模型行为的

RDMA基本概念

摘要：RDMA（远程直接内存访问）是一种高性能网络技术，通过绕过操作系统内核实现计算机间的直接内存访问。其核心特性包括零拷贝、内核旁路、CPU卸载、内存语义和异步通信，显著降低延迟（可达微秒级）并提升吞吐量。工作原理基于内存注册、地址转换和队列对通信，支持单向读写和原子操作。相比传统TCP/IP通信，RDMA减少内存拷贝和CPU开销，适用于高性能计算、AI训练、分布式存储和金融交易等场景。典型优势

数据采集助力AI大模型训练

数据是AI大模型训练的基础，高质量、多样化的数据能显著提升模型性能。数据采集涉及从多种来源获取结构化或非结构化数据，包括文本、图像、音频等，为模型提供丰富的学习素材。通过数据增强（如文本 paraphrasing、图像旋转）扩充样本多样性。标注数据时采用众包或专业团队，确保标签准确性（如分类、实体识别）。标准化格式（如UTF-8编码、统一图像分辨率）以提高后续处理效率。清洗数据以去除噪声，如重复内