方向：AI 应用 · LLM / RAG · 学术工具链

我是 WM，海南大学电子信息工程在读，目前在利物浦。电子信息的底子给了我工科的动手习惯，而这两年的重心，正在慢慢挪向大模型应用——不是去训练更大的模型，而是把已经很强的模型，接进我自己真实的工作流里。

• 起点：把物理世界变成数字 (EE) 起点是电路、信号与系统、单片机。模电数电、采样定理、时序分析——这套训练教会我的是：任何一个"能跑"的系统，背后都有可测量的边界。 指标不清楚的时候，讲感觉是没有意义的。

• 转向：当"接口"从寄存器变成了自然语言 (LLM) 真正让我转向的，是发现跟模型的协作方式变了。过去写代码是我定义接口、我写实现；现在是我定义上下文与约束，让模型去补全中间那部分。RAG 的检索质量、Prompt 的边界、"它到底有没有依据"——这些问题本质上还是工程问题，只是发生在语义层，而不是信号层。

• 融合：把一次性灵感固化成可复用的工具链 (Skills & Tooling) 我不满足于"这次问对了"，我更想把偶然奏效的对话，沉淀成下次直接调用就能跑的东西。于是我开始把日常里反复遇到的问题，一个个做成 skill 与脚本：论文修订、文献整理、项目归档。随口一用的工具，和能被信任的工具，中间隔着的就是工程化。

• Easy-Paper — 证据驱动的 LaTeX 论文修订 skill：把"段落级修改建议"和"文献证据"绑在一起，让每一处改动都能追溯到依据，而不是凭语感改稿。
• My_Skills_WM — 我随手写下的 skills 集合。它们是我最可爱的孩子们，帮我解决了很多日常学习里冒出来的小问题；如果有用，欢迎直接拿走。
• GitHub_Project — 优秀项目合集：整理 AI、自动化与工程学习相关的项目，持续收录中。

正在把"提示词手艺"升级成"可复现的工程"：补 RAG 的检索与评测、把 skill 的边界写清楚、让每个工具都能被自己半年后重新读懂。诚实交代：在训练与底层这一侧我还很浅，主要站在应用层——但应用层同样是硬功夫，好戏才刚开始。

语言与工程

AI 应用

电子信息底子

🌐 wmaring.cn · 💬 @MichaelYWNA