实验室
这里放可交互的小工具、流程演示和模型行为观察。第一版先从不需要后端的前端实验开始，后续再接入真实模型 API。
Prompt 对比器
结构化提问
模拟输出任务：帮我解释 RAG 的基本原理
背景：读者懂一点编程，但刚开始学习大模型应用开发。
输出格式：用条目列出，最后给一个最小示例。
要求：先给一句话结论，再解释关键机制，避免堆砌术语。清晰度评分
84
包含要素
任务背景输出格式约束
输出预览
一句话结论：帮我解释 RAG 的基本原理 可以被拆成清晰的概念、流程和例子。
关键机制：先界定问题，再按步骤解释，并保留必要的上下文。
输出形态：用条目列出，最后给一个最小示例。
风险
结构清楚，但如果约束过多，可能牺牲自然度。
RAG 流程演示
1. 文档切块
把长文档拆成适合检索的小片段，避免一次塞入过多上下文。
切块结果
片段 A：LLM, Hello! 是一个面向中文开发者的大模型学习与实战入口。
片段 B：网站包含模型排名、学习地图、实验室、Prompt 配方和实战案例。
片段 C：实验室用于展示 Token 成本、Prompt 对比、RAG 流程和 Agent 工作流。
Agent 工作流
可用工具
模型资料库
查询模型能力、上下文、价格和 API 特性。
成本估算器
估算输入输出 token 成本。
网页搜索
检查最新发布和官方文档。
表格生成器
把结果整理成对比表。
1. 任务规划
分析中Agent 先理解目标，并拆成可执行步骤。
执行轨迹
1
识别目标：比较 DeepSeek 和 Qwen。
2
拆解任务：能力、成本、API 易用性、适合场景。
3
确定输出：给个人开发者的选择建议。
Token 成本估算器
这是一个前端粗估工具：中文按略高于字符数估算，英文按约 4 字符 1 token 估算。实际结果以模型 tokenizer 为准。
价格参数
输入估算
23
总 token
823
成本估算
$0.000483
Token 成本估算器
已上线估算输入 token、输出 token 和调用成本，适合作为第一个轻量工具。
Prompt 对比器
已上线对比普通提问、结构化提问、角色设定和 few-shot 的输出差异。
RAG 流程演示
已上线把切块、向量化、检索和生成过程拆成可视化步骤。
Agent 工作流
已上线展示任务拆解、工具调用、反思修正和最终输出的过程。