我的AI作品集——日常AI工作的证据

我的AI作品集——日常AI工作的证据 | 原创，AI翻译

Home 2026.06

我不只是谈论 AI——我每天都在大规模使用它。这篇文章是我的 AI 工作视觉作品集：我构建的工具、消耗的 token 以及获得的认证。

🖥️ LLM 训练与推理——我的硬件配置

2023 年搭建了我的机器学习工作站，并一直进行训练和学习。

硬件经验：

GPU	VRAM	经验时长	使用场景
NVIDIA RTX 4070	12 GB	3 年	家庭工作站
NVIDIA H200	141 GB	3 个月	RunPod / DigitalOcean
AMD MI300X	192 GB HBM3	3 个月	AMD Developer Cloud

我训练过的模型：

GPT-2 124M 从零开始在 FineWeb 数据集上训练（nanoGPT）——在 RTX 4070、H200 和 MI300X 上完成。
GPT-2 760M 从零开始在 AMD MI300X（192 GB HBM3）上训练——探索 nanochat、DeepSeek v4 MoE。
各种关于超参数调优、学习率调度和数据集预处理的实验。

工作站：

我的机器学习学习站——2023 年搭建，RTX 4070 12GB，用于日常训练和实验

AMD Developer Cloud — MI300X 192GB HBM3：

AMD Dev Cloud — 用于大规模模型训练的 MI300X 实例

🧠 增强版 nanoGPT——我的分支

Fork 了 karpathy/nanoGPT 并扩展了额外的数据集流水线、扩展的训练配置以及用于学习的内联形状注释。45 次提交，2025 年 11 月 – 2026 年 4 月。

新增的数据集流水线：

数据集	路径	描述
FineWeb-Edu	`data/fineweb/`	HuggingFace FineWeb-Edu（100 亿+ token）。基于分片的加载、分块处理、增量训练/验证集划分。
OpenWebText 10k	`data/openwebtext_10k/`	用于快速迭代的 10k 子集。
Wikipedia Local	`data/wikipedia_local/`	直接对本地纯文本转储进行分词（无需 HuggingFace 下载）。

新增的训练配置：

配置	目标	备注
`train_fineweb.py`	在 FineWeb 上训练 125M	针对 RTX 4070 12 GB 调优（n_embd=384, dropout=0.1）。
`train_fineweb1_5b.py`	在 FineWeb 上训练 1.5B	适用于 H200 80 GB。
`train_fineweb_gpt3.py`	GPT-3 风格 10B token	基于分片的加载器，更宽的调度。
`train_fineweb_760m.py`	在 FineWeb 上训练 760M	适用于 MI300X 192 GB HBM3。
`train_gpt2_200m.py`	GPT-2 200M	通用中型配置。
`train_gpt2_200m_smoke.py`	冒烟测试	快速 200M 完整性检查（约几分钟）。

模型更改：

内联张量形状注释 贯穿 model.py 的前向传播（CausalSelfAttention, MLP, GPT）——每一步都显示精确的形状，并附有具体的 GPT-2 XL 示例，例如 # x: (B, T, C) e.g. (1, 5, 1600)。有助于理解 Transformer 数据流。

增强版 nanoGPT——45 次提交，数据集流水线，扩展的训练配置，内联形状注释

GitHub: lzwjava/nanoGPT

📊 LLM API 使用量——数据

OpenRouter——过去一年

消耗 11.5 亿 token，花费 239 美元，跨多个模型的 API 请求 15.5 万次。

OpenRouter 活动仪表板——11.5 亿 token，239 美元，一年内 15.5 万次请求

OpenRouter 模型花费明细——Claude 4 Sonnet 44.40 美元，Claude 3.5 Sonnet 9.67 美元，Grok 3, Mistral, Kimi

OpenRouter 各模型 token 使用量——MiniMax 2.4 亿，Gemini 2.03 亿，DeepSeek 1.1 亿

通过 SSSAICode 使用 Claude API——2026 年 4 月

一个月内花费 171.53 美元。2,555 次请求。1.15 亿+ token。缓存命中率 90.9%。

SSSAICode Claude 使用量——Opus 4.6, Opus 4.7, Sonnet 4.6, Haiku 4.5

小米 MIMO 订阅——已使用 5 亿 token

Pro 月度计划，主配额 380 亿 + 补偿配额 87.5 亿（约 46 亿免费额度）。目前已消耗 5 亿 token。

小米 MIMO Pro 计划——已消耗 5 亿 token，剩余约 46 亿免费额度

2026 年 5 月每日 token 使用量

小米 MIMO 2026 年 5 月——mimo-v2.5、mimo-v2.5-pro、mimo-v2-pro 每日 token 使用详情

日期	模型	总 token	输入（缓存命中）	输入（缓存未命中）	输出
2026-05-31	mimo-v2.5	1,498	192	943	363
2026-05-31	mimo-v2.5-pro	132,198,274	128,108,096	3,478,691	611,487
2026-05-30	mimo-v2.5	70,745	3,200	39,429	28,116
2026-05-30	mimo-v2.5-pro	124,459,514	120,774,848	3,111,678	572,988
2026-05-29	mimo-v2.5-pro	17,534,693	16,141,184	1,204,155	189,354
2026-05-28	mimo-v2.5	14,217	1,344	9,589	3,284
2026-05-28	mimo-v2.5-pro	10,946,159	8,842,496	2,010,722	92,941
2026-05-28	mimo-v2-pro	3,389,424	2,860,224	522,989	6,211
2026-05-27	mimo-v2.5	1,631	192	945	494
2026-05-27	mimo-v2.5-pro	12,646,146	12,001,216	580,332	64,598

mimo-v2.5-pro 占主导地位（5 天内约 3 亿 token）。高缓存命中率（约 96% on mimo-v2.5-pro）保持成本高效。

总结

平台	Token	时间周期	费用
OpenRouter	11.5 亿	过去一年	239 美元
SSSAICode (Claude)	1.15 亿+	2026 年 4 月	171.53 美元
小米 MIMO	5 亿	当前计划	免费 46 亿额度
其他 (GitHub Copilot 等)	5 亿	过去一年	—
总计	约 23 亿+	过去一年	—

🏢 企业 AI 应用——汇丰银行

在汇丰银行（通过 TEKsystems），我在 GitHub Copilot 之上构建了一个自主 AI 代理层，用于自动化脚本编写、日志记录、文档编写和测试。

我构建的内容：

20 个定制的 AI 代理——针对不同技术栈和工作流的专用提示和上下文。
400 个可复用的 Copilot 编写的脚本——跨 Java、Spring、Python、Angular 和 DevOps 工具的常见任务自动化。
1,100 份 Copilot 编写的指南——通过 LLM 输出生成并验证的文档，带有缓存和验证。
通过 Copilot API 自动生成约 70 个测试用例——涵盖 Spring Filters、Python unittest、JSON 截断、提示工程和区域端点。

成果：

在企业范围内，基于 premium 请求量排名 前 6% 的 Copilot 使用量。
因备受瞩目的 AIPlayer 项目获得 贡献奖。
加入汇丰内部 AI 社区。

图片出处：GitHub Copilot — Visual Studio Code 市场

汇丰 AIPlayer 贡献奖

🎤 汇丰 AI 讲座——从神经网络到智能代理

在汇丰银行面向 80 位参与者 做了一场技术讲座——包括高级顾问、专家、副总监、软件工程师和承包商。

讲座： “从神经网络到智能代理”——一个从最简单的神经网络（y = wx）出发，经过 MNIST、Transformers、GPT、nanoGPT，再到构建个人 AI 代理的旅程。

我涵盖的内容：

神经网络基本原理——前向传播、反向传播、梯度下降
Transformer 架构——Q/K/V 注意力、多头注意力、位置编码
GPT 内部机制——分词、嵌入、训练、生成
nanoGPT——在 H200/RTX 4070 上从头训练 GPT-2
LLM 代理——Claude Code、OpenClaw、Hermes、工具调用、代理循环
真实数据——消耗 10 亿 token，H200 每小时 3.44 美元，钱到底花在哪
我的路径——3 年，从了解 Q/K/V 到从头训练模型

反馈：

一位初级工程师说：“你就是我想成为的人”——这次讲座开阔了他对 AI 可能性的认知
高级工程师赞赏这种从基本原理出发的方法——没有炒作，只有数学和代码
多次关于训练、代理和职业方向的后续讨论

幻灯片： 使用 Claude Code 和 Marp 构建，基于我的公开 AI 回复笔记。

🛠️ ww——跨平台 CLI 工具集

ww 是我的旗舰 CLI 工具集——255+ 次提交，10+ 个命令组，跨平台（macOS + Linux）。涵盖带 AI 提交消息的 git 工作流、笔记管理、图像/PDF 处理、网页搜索、GitHub Copilot 聊天、系统工具和 LLM 驱动的辅助工具。

lzwjava@lzw-mac ww % uv run ww --help
用法: ww <group> [command] [options]

Action:
  ww action [workflow.yml]  触发一个 GitHub Actions 工作流

AMD Dev Cloud:
  ww amd-dev-cloud snapshots    列出快照
  ww amd-dev-cloud start-train  创建用于训练的 GPU 实例
  ww amd-dev-cloud end-train    创建快照并销毁 GPU 实例

Copilot:
  ww copilot auth           通过 GitHub OAuth 认证
  ww copilot chat           与 Copilot 模型聊天

Git:
  ww git gpa            对所有仓库执行 git pull --all
  ww git squash <n>     压缩最近 n 次提交
  ww git amend-push     修改最后一次提交并强制推送

LLM:
  ww llm compare <prompt>   比较多个 LLM 响应
  ww llm query <question>   查询本地 RAG 文档

Note:
  ww note              剪贴板内容保存为笔记（快速捕捉）
  ww note process      清空笔记队列
  ww note watch        自动处理守护进程

Screenshot:
  ww screenshot               截屏并创建笔记
  ww screenshot interact-note  交互式截屏笔记

255+ 次提交。10+ 个命令组。跨平台（macOS + Linux）。

ww——跨平台 CLI 工具集 on GitHub

GitHub: lzwjava/ww

📝 jekyll-ai-blog——AI 驱动的博客平台

jekyll-ai-blog 是 lzwjava.github.io 的源码——一个通过 AI 自动化增强的 Jekyll 博客。10,000+ 英文文章，10,000+ 中文文章，9,700+ AI 回答笔记。过去一个月约 70,000 次页面浏览（Cloudflare Analytics）。

lzwjava@lzw-mac jekyll-ai-blog % ls README.md
README.md

它与标准 Jekyll 博客的不同之处：

AI 驱动的翻译——基于 LLM 的翻译流水线，通过 GitHub Actions 自动将每篇文章扩展到多种语言。
Google Cloud Text-to-Speech——自动生成文章的音频版本，增强可访问性。
XeLaTeX PDF/EPUB 生成——从 Markdown 源生成高质量、可打印的 PDF 和电子书导出。
GitHub Actions CI/CD——自动化的构建、测试、翻译和部署工作流。
8,000+ AI 回答笔记——通过日常 LLM 辅助研究构建的知识库，可在博客中搜索。
MathJax、夜间模式、RSS、双语内容——通过自定义 CSS 和主题增强的标准功能。

规模：

指标	数量
英文文章	10,264
中文文章	10,259
AI 回答笔记	9,794
Python 脚本	323
ML 脚本	191
页面浏览（过去一个月）	约 70,000

jekyll-ai-blog——AI 驱动的博客，拥有 10K+ 文章、翻译、TTS 和 PDF 流水线

Cloudflare 网站分析——38.9K 访问次数，45.2K 页面浏览量，930ms 加载时间，82% 良好的 LCP

GitHub: lzwjava/jekyll-ai-blog

🌳 Tree_Of_Thought——与高中生合作“思维树”推理

Tree_Of_Thought 是一个朋友的项目——一个用于重物理问题解决的外部“思维树”推理系统。它不依赖于模型在一次不透明的生成中隐藏的思维链，而是将推理转化为一个显式、可检查、可控的树结构，带有实时状态、评分、剪枝和确定性工具支持。

该系统结合了：用于持久推理会话的 FastAPI 服务、用于检查和剪枝分支的浏览器 UI、节点级 FSM 和树调度器、用于精确符号计算的 SymPy 后端技能层，以及用于规划、建模、审查和评估的多模型路由。

我的贡献（1 个 PR）： 添加了一个兼容 OpenAI 的请求器和 python-dotenv 配置，使系统能够连接到任何兼容 OpenAI 的端点（本地或云端）。

背景： 我指导了一名构建该系统的中学生。在一次会议中，他向我展示了完整的架构——推理树、基于 FSM 的审查、路由本地增量优化。我向他介绍了 AI 博士研究员，并帮助他思考研究方向。他现在正在探索使用 LLM 解决物理问题，使用 Codex（GPT-5.4）等工具，并构建多智能体协作编码系统。

思维树——终端树探索器，具有节点检查、前沿管理和分支剪枝功能

GitHub: Cerynitius/Tree_Of_Thought

🤖 iclaw——终端 AI 代理（REPL）

iclaw 是一个终端 AI 代理，可以自主编写代码、搜索和执行命令——适用于个人机器和受限制的企业环境。一个极简的 openclaw 实现，构建为纯 Python CLI，无需浏览器扩展或 IDE 插件，由 GitHub Copilot 驱动。

lzwjava@lzw-mac iclaw % iclaw

  ██  █████  ██       █████  ██   ██
  ██ ██      ██      ██   ██ ██   ██
  ██ ██      ██      ███████ ██ █ ██
  ██ ██      ██      ██   ██ ██████
  ██  █████  ███████ ██   ██  ███ ██

可用命令：
  /provider_model      选择并认证模型提供商
  /model               从提供商中选择特定模型
  /search              网页搜索（用法：/search <query>）
  /provider_search     选择网页搜索提供商
  /proxy               设置 HTTP/HTTPS 代理（用法：/proxy [url|off]）
  /ca_bundle           设置 HTTPS 的 CA 包（用法：/ca_bundle [path|off]）
  /log                 设置日志级别（用法：/log [verbose|info]）
  /copy                复制上一条 Copilot 响应到剪贴板
  /read                将文件内容打印到终端（用法：/read <path>）
  /clear               清除对话历史
  /compact             使用 LLM 压缩对话历史
  /export              将完整对话历史导出为 JSON 文件
  /status              显示当前设置
  /help                显示可用命令
  /exit                退出 REPL。

关键特性：

多轮对话 在终端中与 GitHub Copilot 或 OpenRouter 进行。
多种模型提供商：GitHub Copilot（OAuth 设备流）和 OpenRouter（API key）。
原生工具调用：模型自主调用网页搜索、执行 Shell 命令、编辑文件——无需人工干预。
多种搜索提供商：DuckDuckGo、Startpage、Bing 和 Tavily。
企业友好：无需 IDE 插件或浏览器扩展。支持在企业防火墙后使用代理和 CA 包。
默认模型：GPT-5.2。

iclaw——带有原生工具调用的终端 AI 代理 REPL

iclaw——显示自主编码和 Shell 命令的执行日志

GitHub: lzwjava/iclaw

⚙️ zz——数据集处理与训练工具

zz 是一个用于 ML 训练流水线的工具集——数据集下载、分词、提取和推理工具。用于 RunPod H200、DigitalOcean H100 和家庭 RTX 4070 上的 GPT-2 124M 训练运行。也托管在 Hugging Face。

lzwjava@lzw-mac zz % tree -L 1
scripts/
  download/     # 数据集下载脚本 (FineWeb, Wikimedia, HF mirrors)
  extract/      # 数据提取、分词和重命名
  analysis/     # 训练时长和指标评估
  deepseek/     # LLM 推理脚本 (DeepSeek-V2-Lite)
logs/           # 训练日志和输出
datasets/       # 下载的数据集存储

关键能力：

FineWeb 下载——规划并下载分片以达到 token 预算（10B、100B+ token），可中断恢复并带有进度追踪。
hf-mirror.com 支持——当 HuggingFace 被屏蔽时提供 wget 脚本用于中国访问。
Parquet 提取——通过 pyarrow iter_batches 进行内存安全的迭代。
分词——将原始文本转换为训练就绪格式。
训练分析——从训练日志计算时长和指标评估。
DeepSeek 推理——用于 DeepSeek-V2-Lite 的 LLM 推理脚本。

zz on Hugging Face——数据集处理与训练工具，22 次提交，3 位贡献者

GitHub: lzwjava/zz · Hugging Face: lzwjava/zz

🎓 证书

机器学习专项课程——DeepLearning.AI 与斯坦福大学

2023 年 11 月完成。三门课程：监督式机器学习、高级学习算法、无监督学习、推荐系统、强化学习。

Coursera 机器学习专项课程证书——李智维，2023 年 11 月

深度学习专项课程——DeepLearning.AI

2023 年 12 月完成。五门课程：神经网络、超参数调优、结构化机器学习项目、卷积神经网络、序列模型。

Coursera 深度学习专项课程证书——李智维，2023 年 12 月

GitHub: https://github.com/lzwjava
博客: https://lzwjava.github.io

Back Donate