11111111111111

在研究生学术交流月的“开源大模型应用与实践”课程中，我深刻体会到理论与实践的有机结合。四位老师将复杂的模型原理通过动手示例娓娓道来，让我第一次真正“触摸”到开源大模型在智算领域的威力。通过对沐曦公司的案例分析，我看到了国产芯片力量与自主创新的生动实践：在短短几年内，三大全站自研GPU产品线从无到有，覆盖智慧城市、游戏渲染等多种场景，彰显了技术自主可控的重要性，也让我对国产高端计算硬件的未来充满信心。
在技术探索层面，ALGC（智算生成内容）和RAG（检索增强生成）给我留下了深刻印象。前者展示了大模型在文本、图像、音频等内容创作上的无限可能；后者则通过外部知识检索，有效缓解模型“幻觉”问题，为问答、摘要等知识密集型场景提供了可靠支撑。亲自在Gitee智算平台上构建RAG问答和任务型Agent的过程中，我切身感受到从API鉴权、数据预处理，到异步调用和错误处理，每一步都需要严谨的工程思维，否则系统难以稳定运行。
工程实践中，工具链的协同作用尤为关键。Cherry Studio 的一体化可视化调试、Cursor 的智能补全和 Cline 的自动化部署，让我意识到优秀的软件工程不仅是写好算法，更是对整个技术栈的指挥与整合。在使用沐曦集团模型进行灰度发布和压测监控时，我真切感受到企业级规范对系统可靠性的保障，也学会了如何在复杂场景中平衡性能与成本——例如分级推理架构将视频生成成本降低了62%，背后既有模型蒸馏与量化技术，也有以终为始的设计思路。
贯穿全课程的，是对生成式智算全生命周期的系统性认识。从数据清洗、提示词试验，到容器化部署、CI/CD 流水线，再到线上 A/B 测试和反馈闭环，每个环节都如同精密钟表的齿轮，缺一不可。当我看到自己开发的脚本生成 Agent 在 Kubernetes 集群中弹性扩缩容，我终于明白：智能应用的“魔力”来源于一行行可追溯、可迭代的代码，而非神秘黑箱。
回望整个学习过程，我收获了对智算技术栈的整体把握，也认识到自身在深度优化与复杂场景整合方面的不足。未来，我将继续关注沐曦等国产厂商的发展，不断钻研 RAG、微调与 Agent 架构，把所学融入实际项目，助力智能应用落地。带着这份系统化思维与工程化方法，我已准备好投身生成式智算的浪潮，与技术同路者共同创造更具价值的智能产品。