存储AI–AI博客聚合
最新聚合的文章
-
Flutter 本地大模型实战：做一个自然语言记账工具
大家好，我是 Crazy_MT。 这篇文章想和你聊聊我最近在端侧大语言模型上的一次实践：把本地大模型聊天，接到一个真正能落库的自然语言记账功能里。
-
《Agent 的记忆怎么做：实时记忆、被动压缩与主动整理的三层设计》
会话靠锁保证串行，历史内存 + JSONL 双写，上下文超限时按阈值压缩摘要，空闲时再让 LLM 主动整理长期记忆——但用户画像是全局共享的。本文讲清三层记忆的边界，以及“什么留内存、什么落磁盘”
-
每天一个开源项目#100 OpenCodeReview：2.6万星的低噪声AI审查器
OpenCodeReview把代码审查拆成确定性流水线和LLM判断两层，适合PR CI与全仓扫描。本文核对CLI、源码架构和基准边界，重点看低噪声审查如何落地。
-
Kotlin Flow combine 源码剖析：一个 Channel 如何优雅合并多条流
和 zip 的区别：zip 是严格按顺序一一配对（第 1 个配第 1 个，第 2 个配第 2 个），任一上游慢下来整体就等着；combine 是各自取最新值，谁快谁多都能跟上。
-
LangGraph.js 从零上手：把 Agent 工作流从一条线变成一张网
一、先回答：为什么需要多 Agent 1.1 单 Agent 的 system prompt 会越来越臃肿 单 Agent 架构下，所有工具的说明、每个功能的 prompt 都堆在 system pr
-
使用 Python 设置 Excel 行列自适应 【代码示例】
在 Excel 表格的实际使用中，行高与列宽的设置直接决定了数据的可读性。固定尺寸适合格式高度统一的模版，但一旦单元格内容长短不一，固定值容易造成文字截断或大片留白。相比之下，让行高与列宽根据内容动态
-
激活3B的搜索智能体拿下82.2分：Iris开源，为什么上下文管理比堆参数更值钱
深夜的工位上，你给一个号称"深度搜索"的智能体抛出一道问题：某研究团队的三位核心作者，此前分别在哪些实验室做过什么方向的工作，后来为什么聚到一起。这个答案要跨过四五个网页才能拼出来。智能体开始工作了：
-
前端转型全栈 00：AI 时代该学哪些，不该学哪些
前端转全栈，第一反应都是去学一门后端语言——这是最贵的一笔浪费。你缺的不是语法，是几个前端脑子里没有的模型：持久化、幂等、权限边界、迁移。本文按「AI 能替你做多少」把 8 个能力域排成三档。
-
上下文取消链：摧毁我们支付系统的 bug
一个看似无害的 Go 语言特性如何引发级联故障，导致了 110,000 美元的交易损失。 警报响起时，我们的支付处理系统已经瘫痪。信用卡交易失败、订阅无法续订、客服聊天窗口被愤怒的消息淹没。
-
讲清 Agent 记忆与上下文管理：长短期记忆、多轮对话、上下文压缩
记忆分两层：短期记这一单的对话和状态，进上下文；长期记用户偏好和事实，进库按需捞。 多轮对话靠会话 ID 把同一单串起来，对话追加、检索覆盖、槽位合并…
-
Android 工控终端实战：从秒级卡顿到毫秒响应，SQLite/LitePal 性能优化全记录
Android 工控机终端实战：从秒级卡顿到毫秒响应，SQLite/LitePal 性能优化全记录。
-
eBPF 示例教程：实现 `scx_nest` 调度器
在系统性能优化不断发展的领域中，自定义和扩展内核行为的能力是非常宝贵的。实现这一目标的最强大工具之一是 eBPF（扩展的 Berkeley 包过滤器）。在本教程中，我们将探讨 scx_nest 调度器
-
一个优惠券需求改了三端，我才明白全栈不是多学一门语言
今年上半年，我写过管理后台、小程序，也开始顺着接口改 Java 服务。回头看，真正改变我的并不是又记住了多少 API，而是一个很普通的优惠券需求：后台多两个选项，最后却要同时改保存、搜索、可用性判断和
-
阶段 0.1：为 AI Agent 项目建立敏感配置治理与安全基线
将模型密钥、数据库凭据、JWT Secret 和天气 API Key 从代码迁移到环境变量，建立 development、test、production 配置边界，并通过启动校验、日志脱敏、Git 忽
-
失败重试：Agent 中指数退避的正确姿势
前言 Agent 每一轮的思考，都要真金白银地调一次 LLM API。而 LLM API 是比较常出现的「不稳定」：限流、过载、超时、欠费……要是有一个没处理好，Agent 要么当场崩溃，要么就卡在原
