# Justin Huang

> Justin Huang blog：一个个人技术博客，用因果链阅读 AI 论文、Agent 系统和软件基础设施。

## About

Justin Huang blog：一个个人技术博客，用因果链阅读 AI 论文、Agent 系统和软件基础设施。

- Site: https://justinhuangai.github.io/zh-CN
- RSS: https://justinhuangai.github.io/zh-CN/rss.xml
- Full content: https://justinhuangai.github.io/zh-CN/llms-full.txt
- Individual posts: append .md to any post URL (e.g. /zh-CN/posts/hello-world.md)
- JSON API: https://justinhuangai.github.io/api/posts.json

## Blog Posts

- [《Externalization in LLM Agents》：LLM Agent 的认知外部化](https://justinhuangai.github.io/zh-CN/posts/externalization-in-llm-agents-memory-skills-protocols-and-harness-engineering/): 这篇综述把 memory、skills、protocols 和 harness engineering 统一到一个视角里：Agent 的进步越来越像是在模型外部重写任务，而不只是让模型权重更强。
- [《AutoCodeBench》：当大语言模型自动生成代码基准](https://justinhuangai.github.io/zh-CN/posts/autocodebench-large-language-models-are-automatic-code-benchmark-generators/): AutoCodeBench 论文里，为什么 Elixir 这一语言列值得注意，以及它如何引出自动生成多语言代码 benchmark 的难度等价讨论
- [《Attention Residuals》：让残差连接也注意力化](https://justinhuangai.github.io/zh-CN/posts/attention-residuals/): Kimi 团队 Attention Residuals 技术报告：为什么残差连接也该“注意力化”，以及 Full AttnRes / Block AttnRes 如何把这个想法做成可训练、可部署的系统
- [《Training Compute-Optimal Large Language Models》：Chinchilla 改变了什么](https://justinhuangai.github.io/zh-CN/posts/training-compute-optimal-large-language-models/): Chinchilla 论文：为什么 2022 年的大模型全都「喂少了」，以及算力预算到底该怎么分配，附真实 Python 核心代码
- [《Scaling Laws for Neural Language Models》：规模的数学](https://justinhuangai.github.io/zh-CN/posts/scaling-laws-for-neural-language-models/): 规模的数学：为什么更大的模型可预测地更强，附真实 Python 核心代码
- [OpenClaw 架构：自托管 AI 助手的工程骨架 🦞](https://justinhuangai.github.io/zh-CN/posts/openclaw-architecture/): 基于 v2026.3.8 源码，拆解一个自托管 AI 助手的工程骨架
- [《Language Models are Few-Shot Learners》：GPT-3 与上下文学习](https://justinhuangai.github.io/zh-CN/posts/language-models-are-few-shot-learners/): 更大的模型，更善于从上下文中诱发能力，附真实 Python 代码
- [OpenClaw 生态：从开源项目到 AI 助手平台 🦞](https://justinhuangai.github.io/zh-CN/posts/openclaw-ecosystem/): 重新看 OpenClaw：星标不是生态，能持续降低供给和使用摩擦的结构才是生态。
- [《BERT》：语言理解预训练范式的确立](https://justinhuangai.github.io/zh-CN/posts/bert/): 预训练范式的确立，附真实 Python 代码
- [《Sequence to Sequence Learning with Neural Networks》：编码器-解码器范式的起点](https://justinhuangai.github.io/zh-CN/posts/sequence-to-sequence-learning-with-neural-networks/): 编码器-解码器范式的确立，附真实 Python 代码
- [Clawdbot：个人 AI 主权的早期样本](https://justinhuangai.github.io/zh-CN/posts/clawdbot/): 从 Clawdbot 看自托管 AI Agent 的真正问题：不是模型有多聪明，而是控制权、上下文和执行权限归谁。
- [《Neural Machine Translation by Jointly Learning to Align and Translate》：Transformer 之前的注意力](https://justinhuangai.github.io/zh-CN/posts/neural-machine-translation-by-jointly-learning-to-align-and-translate/): 注意力机制的起源，附真实 Python 代码
- [《Attention Is All You Need》：Transformer 的设计原点](https://justinhuangai.github.io/zh-CN/posts/attention-is-all-you-need/): 拆解 Transformer 论文，附真实 Python 代码
- [欢迎来到 Justin Huang Blog](https://justinhuangai.github.io/zh-CN/posts/hello-world/): 一个个人技术博客：拆论文、看系统、追问 AI 与软件工程背后的因果链。