存储AI–AI博客聚合
最新聚合的文章
-
deepseekHarness桌面端不开端口：Electron 自定义协议拆解
DSH 桌面端不开端口：Electron 自定义协议拆解 目录 一、9 月 14 日：一个没有公告的目录 二、先分清三个「dsh-desktop」 三、链路拆解：从 fetch 到分帧字节流 3.1
-
背单词太无聊？这个 23K Star 的工具让你边打字边背单词，两不耽误
背单词的 App 很多，但大多让你盯着屏幕死记硬背。Qwerty Learner 反其道而行——你在打字，它在帮你背单词。23.1K Star，支持 CET-4/6、GRE、IELTS、程序员词库、A
-
RAG 分块策略实测：chunk_size 和 overlap 怎么调，检索精度差多少
一、为什么要纠结分块 RAG 链路是「文档 → 分块 → 向量化 → 检索 → 生成」。分块是第二步，也是最被低估的一步。 原因是：向量检索的命中单位是 chunk，不是文档。 你的 chunk 切多
-
Cursor + MCP：让 Cursor 直接控制你的 Chrome
教你用 Browser MCP，让 Cursor Agent 直接操控本机已登录的 Chrome：装扩展、配置 MCP、验证连通，并说明适用场景与常见坑。
-
MCP 实战：把工具层从 Agent 里彻底解耦
MCP 实战：把工具层从 Agent 里彻底解耦 一、工具写进 Agent 之后，我后悔了 最早那版 Agent，工具是直接写死在 agent.py 里的：天气一个函数、穿搭一个函数、出行规划再来一个
-
深入理解 Monorepo：子包安装依赖
前言 当你从传统的单仓单包项目迁移到 Monorepo 后，第一个遇到的问题往往是： 在 Monorepo 中，依赖安装不再是简单的 pnpm install xxx。你需要明确： 这个依赖是给哪个包
-
每天一个开源项目#99 OpenResearch：2.2K星的本地研究Agent工作台
OpenResearch把本地编码Agent接进研究工作台，围绕论文检索、实验树、远程算力和日志追踪组织研究循环。本文从Rust源码、CLI和测试结果拆解它的真实边界。
-
从 RAG 到 Agent：跑通两个 Demo 后，我终于分清了这两个词
最近接连跑通了两个 LLM 应用的小 Demo：先是一个 RAG 私有文档问答，然后是一个 ReAct 模式的旅行助手 Agent。最大的收获不是代码本身，而是终于搞明白了一件天天被提但一直模模糊糊的
-
[Esther 数据治理实战] 改表之前的必修课：用列级血缘做影响分析
改表之前的必修课：用列级血缘做影响分析 一、先说结论：影响分析就是血缘图的"下游读法" 改表之前，工程师真正想知道的只有一件事：这个字段被谁在用？ 改类型、改长度——哪些下游表要跟着改？
-
AI 用量桌面端-桌面宠物自定义指南
🖥️ 客户端使用 Juejin Usage 提供 macOS / Windows 桌面客户端，安装即用，无需额外配置。 下载安装 前往 Releases 页面下载对应系统的安装包（macOS 按芯片选
-
Android 系统级设备应用踩坑实录：sharedUserId 签名、SDK 授权失败 -4、开机自启与 U 盘 OTA 升级
Android 系统级设备应用踩坑实录：sharedUserId 签名、SDK 授权失败 -4、开机自启与 U 盘 OTA 升级
-
xAI的 Grok Bot发布，AI 已经学会自己上班了
还记得AI刚出来的时候，大家用 AI 基本都是同一个姿势，人打开网页或应用，字斟句酌地敲下一段提示词，AI再给出回答，交互便告一段落。 但其实很多事情根本不是一问一答就能解决的。
-
用 LangGraph 重写自己手写的 Agent：框架替你解决了什么，什么它不管
用 LangGraph 重写自己手写的 Agent：框架替你解决了什么，什么它不管 背景 上篇结尾留的话：带着"框架替你解决了什么、没解决什么"的问题去看框架，手写过六站链路的人看框架，看到的东西不一
-
LangGraph 模拟简单的多模型编排
假设这三个节点是不同的模型，处理不同的问题，在用户输入后使用模型判断下一步要调用哪个节点回答问题 node1: 讲短笑话 node2: 李白风格写诗 node3: 其他问题 路由节点返回的就是下一步要
-
还在用 Electron？6 种跨平台桌面方案横评：Rust + Vue 把安装包从 224MB 干到 4.7MB
一、先把"桌面端开发"拆成三条路线 大多数人争论时把不同物种放在一起比，所以永远吵不出结果。桌面端方案按渲染层怎么来的，其实只有三条路线： 三条路线的成本结构完全不同： 路线 ① 的成本在分发：每个应
