存储AI–AI博客聚合
最新聚合的文章
-
AI 回答为什么能一个字一个字蹦出来？前端搞懂 SSE 这一篇就够了
AI 回答为何能边生成边显示？从 SSE 报文、Fetch 流式读取到分包解析和 Vue 渲染，结合动图与 DevTools 抓包，讲清前端如何接住实时回答。
-
dsh插件开发踩坑实录(写给正在build dsh插件的ai agent)
本以为接几个接口就能做完的 DSH 插件，结果：104 个测试全绿，会话重启却打不开了。从临时 hack 到官方修复，含泪记录那些 AI agent 和人类开发者都会踩的坑。
-
所见即所得编辑器原理实战：源码与渲染永不失真的三层一致性设计（Markdown/CodeMirror 装饰）
做 Markdown 所见即所得编辑器，真正的难题不是"渲染好看"，而是一致性——用户看到的渲染形态与磁盘上的 Markdown 源码，在任何交互下都不能失真。
-
踩坑无数换来的教训：指挥AI开发App，这几点你必须知道
不查看代码，让大模型从设计说明书编写，技术选型到编码逻辑，测试，我只需要根据用户体验进行提出改造建议。 依据这套开发模式踩过的坑。
-
Agent智能体 vs 传统运维：职业天花板的3倍差距？
Agent智能体 vs 传统运维：职业天花板的3倍差距？ 引言 2026年招聘市场出现一个鲜明对比：传统运维岗位（Shell/Ansible/Terraform）薪资天花板约25K·16薪，而AI运维
-
Agent 的工具选择策略：从硬编码到动态决策
Agent 的工具选择策略：从硬编码到动态决策 引言 早期 Agent 的工具选择是 if intent=="weather": call_get_weather()：人写路由，模型只填参数。这种做法
-
LangGraph 实战：用 LangSmith 可视化追踪 AI 智能体执行轨迹
LangGraph 实战：用 LangSmith 可视化追踪 AI 智能体执行轨迹 前文我们聊了 LangGraph 的单智能体和多智能体实战，这次聚焦生产环境中最关键的“可观测性”问题——用 Lan
-
Maven依赖与类加载机制
本文讲解 Maven 依赖 scope 对胖 jar 打包的影响，剖析 SpringBoot 嵌套jar结构、classpath、中央目录、JarLauncher 启动加载流程及类加载与类遮蔽机制。
-
注意力不是全连接层换名字：多头自注意力的张量实验
多头自注意力常被压缩成几行公式，于是维度、缩放和掩码稍有变化就难以定位错误。本文用一份不依赖深度学习框架的 Python 实验，把投影、分头、打分、稳定 Softmax、因果掩码和合并输出逐步展开，并
-
用Pandas+Pydantic搭建数据清洗与验证管道
数据清洗是每个和数据打交道的人都绕不开的日常。 无论是做分析、跑模型，还是给业务方出报表，拿到的原始数据往往都带着重复记录、缺失值、格式错误，甚至一些明显违背常识的条目。 我以前习惯每次遇到问题就临时
-
DeepSeek Harness 官方桌面端终于有了！
DeepSeek Harness 官方的桌面端终于有了！ 桌面版自带运行环境，不需要先装 Node.js，也不用每次开终端启动服务。装好、配好账号或 API Key，就能让它读取本地文件、修改代码、整
-
隔离内网下 AI Agent 工程实战
好长一段时间不写文章了，又到国庆长假，是时候整理下最近对 AI 工程化上的一些心得进行总结和分享：隔离内网下 AI Agent 工程实战
-
Flutter GetX 三件套开发规范（Skill）
概述 总结一份目前公司在用的flutter结合gex开发的AI skill吧。 一、核心原则 视图与逻辑严格分离：View 只负责渲染和触发事件，不写业务逻辑，不实例化 Controller。 依赖注
-
《周复盘：过去三周，我的开发效率真正提升在哪》
开篇 过去三周，我们已经讨论了不少 AI 编程方法： 如何拆解模糊需求。 如何让 AI 先写方案，再写代码。 如何阅读陌生项目和定位故障。 如何生成单测、审查代码和编写技术文档。
-
走向 Memory OS：企业私有化 Agent 设计与实现
走向 Memory OS：企业私有化 Agent 设计与实现 作 者：吴佳浩（Alben） 微某信公某众号：全栈架构师笔记 系列专栏：《打造下一代智能体：企业级 Coding / DevOps Age
