daily_stock_analysis：LLM 驱动的多市场股票分析系统
ZhuLinsen/daily_stock_analysis 是一个 LLM 驱动的自选股分析系统，每个交易日自动抓取多市场行情与新闻、调用大模型分析、把决策仪表盘推送到企业微信/飞书/Telegram，靠 GitHub Actions 实现零成本定时运行。
AI 工程
LLM 与模型推理
共 7 篇文章
-
-
Headroom：在内容进入 LLM 之前压缩它的上下文层
Headroom 是一个本地运行的上下文压缩层，在工具输出、日志、RAG 片段、文件和对话历史送达 LLM 之前先压缩它们，宣称减少 60-95% token 且不改变答案。本文拆解它的四种接入形态、按内容类型分发的压缩架构、可逆压缩（CCR）和输出 token 压缩机制。
-
LMCache：LLM 推理最快的 KV Cache 加速层
深入分析 LMCache 的核心设计，包括分层 KV Cache 卸载、非前缀复用、PD 分离等机制，以及它在 LLM 推理生态中的定位。
-
MLX：Apple Silicon 机器学习数组框架深度解析
从架构设计到工程实现，解析 Apple 机器学习研究团队开源的数组框架 MLX 的技术细节、设计权衡与适用场景。涵盖 lazy evaluation、unified memory、Metal 后端以及与其他框架的对比。
-
system_prompts_leaks：42k Star 项目如何揭开 AI 系统提示词的面纱
分析 GitHub 上 42.7k star 的 system_prompts_leaks 项目，解读 Claude Fable 5、GPT-5.5、Gemini 3.5 Flash、Grok 等主流 AI 产品的 system prompt 设计思路、架构模式与工程权衡。
-
VoxCPM2 深度解析：无 Tokenizer 架构如何实现 30 语言语音合成与声音克隆
从架构设计到工程实现，分析 OpenBMB 开源的 VoxCPM2 语音合成系统如何通过扩散自回归架构绕过离散 Tokenization，在 2B 参数规模下实现 30 语言 TTS、声音设计和可控声音克隆。
-
AI Engineering from Scratch：从零构建完整 AI 工程体系的 503 节课
ai-engineering-from-scratch 是一个开源的 AI 工程课程体系，32.2k stars。503 节课、20 个阶段、约 320 学时，从基础数学到自主多智能体系统，每个算法都从原始数学开始手动实现。本文解析它的课程架构和学习路径。