2025年过得真快，翻了翻博客后台，不知不觉今年都写了60多篇技术文章了，从最基础的SQL语法到复杂的大模型部署，从Python小玩具到NPU硬件实践，一路踩坑一路总结，回头看竟形成了一条完整的技术探索路径。这一年没有宏大的目标，只是在慢慢的稳步前进，现在回头梳理，竟也有了不少值得回味的收获，当然最让我感到意外的是也从萌新突破成为了万粉博主，在这里也感谢各位的支持。

一、技术路线：从开始到现在

从头捋了一下我的文章，如果用一条线串起今年的文章，大概是“基础工具→机器学习→深度学习→大模型→工程化部署”的递进，每一步都踩在“解决实际问题”的节点上，大致也可以分为以下几个部分：

1. 基础技能

年初的几个月，我把精力放在了“每天都能用但容易踩坑”的基础技能上。SQL系列写了随机取数、数据合并、表字段删除，看似简单的操作，不同数据库（MySQL、PostgreSQL、SQL Server）的实现差异巨大，比如合并数据的GROUP_CONCAT和STRING_AGG，踩了一圈坑才整理出通用方案；还有Python相关的烟花代码、NumPy/Pandas实用指南，甚至补了Git、Docker的基础教程，这些文章的初衷很简单——自己总忘，不如写下来当“电子笔记”，这也为我一直写博客埋下了伏笔。

2. 机器学习

上半年的核心是讲解机器学习算法拆解。从无监督学习的K-Means入手，顺着聚类算法一路深挖，写了凝聚式/分裂式聚类、DBSCAN、OPTICS、HDBSCAN，甚至偏冷门的BIRCH、Mean Shift，每篇都带着实战代码和数据集，慢慢发现“聚类不是调参玄学”——比如HDBSCAN的密度自适应特性，在非结构化数据分类中比DBSCAN更抗噪；然后转向集成学习，把Bagging、Boosting、Stacking拆成三篇，结合直方图梯度提升的实战，让看的人能够搞懂“为什么Boosting容易过拟合”“Stacking的权重分配逻辑”。这部分文章写得最累，但收获最大，让读者从“只会调用sklearn”变成“能解释算法决策过程”，这也是我的第一个专栏（机器学习修仙之旅），也希望可以以后不断的完善，变的更好更完备，能够帮助到更多的初学者。

3. 深度学习与大模型

下半年的重心则完全转向了大模型和深度学习。DeepSeek系列是绝对的主角，从各版本优缺点分析、论文翻译解读，到提示词技巧、蒸馏技术、微信接入，甚至不同参数（1.5B到671B）的差异对比，几乎把这个模型扒了个遍。印象最深的是写蒸馏技术那篇，为了搞懂“小模型如何继承大模型能力”，翻了很多的技术分享文章，也把官方的论文看了又看，才明白“蒸馏不是简单压缩，而是知识迁移的艺术”，写DeepSeek的文章也是我篇阅读量破十万的文章，所以让我也有了更多写下去的勇气；接下来大模型微调系列，从Lora/QLora到LLaMA Factory框架实战，解决了“CUDA非法内存访问”这类实际部署问题，慢慢摸清“微调的核心是数据质量，而非参数数量”。

4. 工程化部署

如果说算法是“大脑”，部署就是“让大脑落地走路”。今年写了不少部署相关的文章：RAGFlow、Dify的Windows本地部署，Docker镜像路径修改，云服务器微调模型，还有昇腾NPU的三篇实践（Rnj-1、DeepSeek-OCR、Qwen-Image-Edit-F2P）。最有意思的是昇腾NPU的测试，第一次接触硬件适配，踩了“算子不支持”“显存溢出”的坑，慢慢学会“用bfloat16精度平衡性能与显存”“批量生成提升NPU利用率”，才发现“部署不是末端环节，而是决定模型落地效果的关键”——比如DeepSeek-OCR在NPU上的推理速度，比CPU快了50倍，这是纯算法优化做不到的。

5. 新方向探索

年底尝试写了两个新方向：RAG和AI Agent。拆解了多个开源项目，也慢慢的形成了一个GitHub爆火项目解读的专栏，希望后面可以探索更多的工具分享给大家，后面慢慢喜欢上RAG的简单快捷比微调来说可控性还是很高；最后又开始聚焦解读LangChain v1.0的学习笔记，在今年这个Agent元年随着“Agent”一同爆火的有很多项目，LangChain 无疑是其中最耀眼的，让大家接受“Agent不是简单的‘工具调用’，而是‘任务拆解+决策优化’的闭环”，这可能也是明年的重点方向，现在这部分也想做一个专栏，慢慢写下去，希望会一直坚持到最后。

二、对于成长

今年最大的变化，不是写了多少篇文章，而是心态的转变：

1. 从“记结论”到“追根源”

以前学技术，满足于“知道怎么用”，比如调用DBSCAN时，调参eps和min_samples全靠试；现在会追问“为什么这两个参数重要”“密度阈值的计算逻辑是什么”，写文章时会主动跑对比实验，比如测试不同聚类算法在噪声数据中的表现，用数据说话，而不是照搬文档。

2. 转变工程化思维

以前写代码只关心“能不能跑通”，现在会考虑“能不能部署”“能不能复用”。比如写大模型微调文章时，不仅提供源码，还补充了数据预处理、日志记录、模型保存的规范；部署RAGFlow时，特意加了“连接本地模型”“解决端口冲突”的细节，因为自己踩过“部署成功却无法调用”的坑，知道实际应用中这些“小问题”最磨人。

三、关于未来：继续“慢下来，挖深一点”

2025年的技术探索是“广度优先”，2026年想试试“深度优先”：

1. 聚焦大模型工程化

打算深挖大模型的“端到端落地”，比如AI Agent的任务拆解逻辑、RAG与大模型的融合优化、低代码平台（如Dify）的二次开发，目标是“让非专业开发者也能搭建实用的AI应用”。

2. 深耕AI方面的技术

在AI方向大模型性能优势在大模型推理、边缘计算中很明显，明年想写更多AI的实践，比如用大模型如何优化模型推理速度、开发轻量级部署工具，甚至尝试贡献开源项目。

2025年的技术写作，就像一场自导自演的修行——没有KPI，没有 deadlines，只是凭着兴趣一点点探索。回头看，那些熬夜写的论文解读、跑的实验数据、踩的坑，都变成了自己的“硬实力”。未来不想追求“写得多”，只想“写得深”，希望每篇文章都能解决一个实际问题，每一次探索都能让自己多懂一点“技术背后的逻辑”。

技术之路没有捷径，慢慢来，反而比较快。2026，继续加油～