存储AI–AI博客聚合
最新聚合的文章
-
从运行事实到回归证据：Workrun 的 Telemetry 与 Evaluation 实践
Workrun 将运行事件沉淀为本地诊断数据，并通过 OTLP 接入远程 tracing；结合可复现、可断言的评测，让 AI 工作流从“能跑”走向可观测、可验证。
-
Elastic Observability 的跨项目搜索：通过一个查询搜索所有关联项目
作者：来自 Elastic Vinay Chandrasekhar 让你的可观测性数据保留在原处，同时仍然可以轻松地跨所有关联的 Serverless 项目进行搜索、告警和监控！ 保留你需要的数据，并
-
我用 Go 搭了一条 AI Agent 流水线：从 1 张商品图到一整套淘宝详情页
我用 Go 搭了一条 AI Agent 流水线：从 1 张商品图到一整套淘宝详情页 一、为什么做这件事 淘宝/天猫的中小卖家上架一个新品，详情页通常要找外包美工：一套 300–1500 元，等 3–7
-
从固定流程到问题路由：让 LangGraph RAG 按需检索
上一篇[《# LangChain 到 LangGraph： RAG 知识库改造》]把问答流程拆成了两个节点： retrieve 读取问题并检索资料，generate 根据资料生成答案，节点之间通过 S
-
Harness 实战：用 Android 登录模块搭一套可靠的 Agent 开发环境
Harness 实战：用 Android 登录模块搭一套可靠的 Agent 开发环境 前五篇讲了 Harness 的理论。这一篇用一个真实的 Android 开发场景——从零搭建一个登录模块
-
为什么预览、录制、离线导出不能共享同一个背压策略？
为什么预览、录制、离线导出不能共享同一个背压策略？ 问题与复现条件 做 iOS/macOS 视频功能时，很容易把预览、录制和离线导出看成同一条链路：媒体源产生帧，处理节点消费帧，再交给不同输出。表面上
-
从规则到工单：大数据数据质量治理闭环
数据质量治理的终点是让异常进入一个稳定的处理系统。完整性、唯一性、及时性、准确性和一致性定义问题；规则配置、任务拦截和告警分级及时发现并控制扩散；问题工单和复盘机制则负责把问题真正修掉，并减少复发。
-
什么样的业务经验值得做成 Agent：从个人工具到组织资产
导读 团队里总有几个”被反复问的人”：指标口径、取数路径、诊断顺序……回答得越好，被问得越多。问题出在经验只能一对一交付，困在个人身上。本文结合 E-SAGE 电商 Agent 服务平台实践，给出三条
-
Kotlin 协程中的 Job 结构化并发与取消
Kotlin 协程中的 Job 结构化并发与取消 Job 是 Kotlin 协程生命周期管理的核心。每个由协程构建器创建的协程都有自己的 Job；父子 Job 组成一棵任务树，使父协程能够等待子协程，
-
Python的Django ORM把我坑惨了，原来select_related和prefetch_related的区别这么大
上个月帮同事看一个 Django 接口的性能问题。页面加载要七八秒，他定位到是某个列表页查询太慢。代码大概长这样： 他说：“Django 的 ORM 不是自动处理关联查询吗？我直接用点号访问，多方便。
-
代码我能全交给 AI，流量主这 500 个访客它一个都替不了我
从设计到上架五周，代码大部分交给 AI。但它到现在一个广告位都没放，因为流量主卡在 500 个累计独立访客上。这篇算的是 AI 使不上劲的那一段：门槛口径、去重逻辑、个人主体的唯一出路，过线后第一个月
-
React Native 二级弹出面板 + 键盘适配：从踩坑到正确方案
技术栈 React Native (Expo SDK 57) TypeScript Zustand（全局状态） Animated API + PanResponder（手势与动画） 场景描述 在聊天类
-
Elasticsearch 中的 agentic 工作流：暂停 AI agent 等待人工审批，72 小时后恢复
作者：来自 Elastic Alex Salgado 构建 AI agent 编排，让工作流等待人工审批，然后自行执行修复操作，无需额外配置任何资源，并且整个决策过程都可以在 Elasticsearc
-
Jev到底是个什么东西？举个形象的例子！
听说 AI 模型界出了个新物种，名为 Jev！ 好多人都在传这个东西很厉害！ 演示效果一个比一个离谱。 搞得我也手痒了。 然后我把“孙哥难题”交给了 Jev，这家伙做判断才叫毫不犹豫，毫秒级回答，快狠
-
自己做一个 Mini Reviewer：让 AI 审到本次准备提交的代码
自己做一个 Mini Reviewer：让 AI 审到本次准备提交的代码 你改完代码，执行了一次 AI Review，读完它给出的意见，准备提交。此时有一个比“模型够不够强”更早的问题：它看到的，是你
