DeepSeek-V4.1-Flash速度提升这么快,它是怎么做到的?
大模型如何把一句话拆成 token,再通过注意力机制建立联系?本文从 BPE 分词和 Transformer 架构讲起,结合 DeepSeek-V4.1-Flash 的缓存共享与压缩设计,梳理模型推理加速的思路。
大模型如何把一句话拆成 token,再通过注意力机制建立联系?本文从 BPE 分词和 Transformer 架构讲起,结合 DeepSeek-V4.1-Flash 的缓存共享与压缩设计,梳理模型推理加速的思路。
一个项目直接交给 Codex 实现,团队没有先写方案,也没有控制边界。AI 主动补上快照版本等扩展设计,功能完成了,代码却因复杂度失控而无法维护。此后我们把方案文档和团队讨论设为开发前置条件,并把它们正式排进开发周期。
浏览器能打开 GitHub,终端里的 curl、Git 或 DeepSeek Harness 却反复超时,问题往往不是代理节点,而是代理配置没有进入真正发起请求的进程。本文从 DeepSeek Harness 的网络请求链路出发,结合 HT…
gpt-6-astra的模型发布让 AGI 再次成为讨论焦点。本文比较今天的模型与 AGI 模型在任务理解、工具使用、失败处理和结果验收上的差异,也说明使用者将如何从拆步骤转向定目标、设边界。
营销人员用 Kimi Code、DeepSeek Harness 把交易数据做成热力图和日周复盘,再把验证过的步骤固化为工具型 Agent。关键不是学会编程,而是让工作流持续积累,少做重复整理,更快发现数据中的规律和问题。
AI Coding 让代码生成越来越快,也让错误方案更快扩散。本文从一次因急着开工、复杂度失控而失败的项目翻车出发,整理一套先让 AI 出方案、多人评审、分小模块验证,再进入整体编码的实操方法。
Agent 真正难以持续工作的地方,不只是模型能力,而是它无法自动理解你的目标、约束、判断和上下文。本文从真实工作场景出发,拆解如何记录人与 Agent 之间的桥梁,让一次对话变成可以复用、交接和持续迭代的工作资产。
DeepSeek Harness 的出现,把一个问题摆到台面上:JavaScript 明明从浏览器起家,为什么能承担 Agent 的工具编排?答案不在语法,而在 Node.js 对大量 I/O 和异步调用的承载,以及 TypeScript…
OpenAI Codex CLI 开源后,GitHub 将 Rust 标为仓库主语言,也让一个问题更值得重新讨论:当 Agent 开始读仓库、执行命令、运行测试时,Rust 的类型系统、所有权模型和 Cargo 工具链,能否把反馈回路变成工…
DeepSeek Harness 把“一切都是插件”带到台前,但产品入口的叫法不能替代工程分层。本文从接口测试场景出发,拆开插件、工具、Skill 与 MCP 的边界,并讨论权限、版本、验收和治理如何落地。
DeepSeek Harness 开发者预览版把模型、工具、技能、会话、沙箱等 Agent 能力做成可组合插件。它也提醒我们,Agent 从接到任务到最终交付,整条链能不能稳定运行,最后仍然取决于最短的那块板。
WorkBuddy 能调用接口,不等于它会做接口测试。本文从订单创建、库存不足、重复提交、Token 失效和跨租户查询出发,拆解一套从参数准备、顺序执行到四层验收、证据留存的实操路径,说明 Agent 与 Postman、自动化框架和人的责…
AI Coding 让周报 Agent 很快跑通,也压缩了工程师在编码、联调和排错中熟悉业务的过程。真正要补回来的,是方案审查、业务走查、权限边界和失败接管机制。
一个 Agent 流程第一次跑通,往往看起来很聪明。但在图纸校审这种真实业务里,全量 JSON、网关超时、字段漂移和结果追溯,会很快把问题暴露出来。本文记录我为什么开始减少运行时模型调用。
AI 生成几页 PPT 不难,难的是让它真正符合汇报目标、听众顺序、视觉层级和交付要求。本文以会后整理管理层汇报为例,演示如何使用 WorkBuddy 的专家与 Skill,把会议纪要、方案、截图和表格收敛成一份能汇报、能修改的文件。
Agent 选不中正确 Skill,不一定是检索能力不足。很多时候,真正的问题是 description 没有说清触发场景、必要输入、输出结果和排除边界。向量库可以做大规模召回,但不能替代清晰的能力定义。
一次删日志误删根文件系统的事故,问题不只是一条命令写错了,而是权限、执行范围、审计和恢复能力同时缺位。Agent 进入终端和服务器之后,真正要补的是受限执行和可恢复执行。
Java 项目里的 Token 成本,往往不是单个文件太长,而是业务行为分散在多层代码、配置和测试反馈里。控制上下文边界,比压缩提示词更重要。
OpenAI 的模型为了在网络安全测试中拿高分,找到零日漏洞、获得外网访问,并最终进入 Hugging Face 的生产环境。它没有人类意义上的恶意,却把每一道安全边界都当成了需要解决的子问题。
Java 8 老项目要接 AI Agent,不一定要先升级整个系统。更稳妥的做法,是保留核心业务系统,拆出独立 Agent 服务,通过网关、受控工具、Redis 登录态和审计链路,把新能力接进旧系统。
一次图纸校审数据优化,让我重新思考 Agent 项目里的数据格式选择。JSON 适合程序和校验,CSV 适合批量比较,Markdown 更适合字段说明、知识沉淀和人机协作。
腾讯 ima 支持双链后,关键不在关系图,而在于知识从“能被搜索”走向“能被连接”。当 Agent 开始进入真实工作流,显式知识关系会影响它能不能稳定理解上下文、沿着任务继续工作。
CodeBuddy 智能体能把 Python 脚本写出来、在本地跑通,只是第一步。真正要走向生产可用,还要固定 Python 版本、依赖、执行入口、验证方式和权限边界。这里记录一次从本地脚本到 Docker 运行环境的工程化改造。
Loop Engineering 不是一个新工具,也不是 Harness Engineering 的替代方案。前者解决流程如何被触发、持续推进、验证结果并最终收口;后者解决 Agent 在什么环境里工作。本文以生产故障处理为例,带你理解 L…
一个 MCP Server 在本机跑通,不代表 WorkBuddy、Codex 等 Agent 已经能稳定使用。真正的交付还要处理工具契约、部署授权、Host 兼容、版本升级和长期运维。
Skill 不是一段提示词,也不只是一个脚本。它更像 WorkBuddy Agent 的工作协议:用描述匹配用户意图,用规则说明执行路径,再把具体动作交给确定性脚本。本文用公众号定稿流程,拆开看 Skill 如何被 Agent 发现、读取和…
Agent 很火,但不是每个 AI 工作流都适合上框架。固定流程更需要确定性、可排查和低维护成本,真正适合 Agent 的,是路径不固定、需要动态判断和选择工具的任务。
想法收集最难的不是整理,而是能不能低成本进入系统。我现在用有道云笔记承接随手记录,再通过脚本同步到本地 raw,让零散材料继续进入 wiki、Drafts、Skills 和 Agent 工作流。
API Key 在 Agent 时代已经从一个配置项变成了执行权限入口。本文从真实工作流出发,拆解为什么只靠环境变量和 gitignore 不够,以及个人和团队应该如何建立更可靠的密钥管理边界。
很多人把微信当临时收藏夹,但真正的问题不是存在哪里,而是内容能不能进入整理、主题、草稿和输出链路。这篇文章记录我如何把微信从暂存窗口,改造成 Agent 能接住的知识入口。
这篇文章从一次云笔记 LLM Wiki 体验切入,讨论为什么知识系统的重点不是选 Obsidian 还是云笔记,而是先设计一套能被 Agent 理解、归档和复用的结构。
文件传输助手适合临时中转,不适合长期知识沉淀。我最近把微信里的收集动作拆出来,用收藏小助手、笔记本和同步脚本搭了一个更稳定的知识入口,让零散想法能继续进入 LLM Wiki。
最近 Obsidian、Skills、知识库和 Agent 又被频繁放在一起讨论。但真正值得关注的不是某个笔记工具,而是如何把知识整理成 LLM 能读、Agent 能用、流程能复用的结构。
这篇文章从本地 Agent 连接远程服务器的真实使用场景出发,讨论 Codex、Hermes 和腾讯 AI 入口竞争背后的工程变化:Agent 不再只是聊天框或本地命令行工具,而是在逐步变成个人和团队的工作流中枢。
我基于微信官方的 openclaw-weixin 仓库,把个人 Agent 控制台做进了微信。它可以主动推送消息、接收微信事件,并通过接口和内容中台、自动化脚本、个人 Agent 工作流打通。
记录如何基于腾讯云轻量服务器 Hermes Agent 镜像,配置中转站模型,创建 Obsidian Vault,并验证 Hermes 能写入 Source Note,先跑通内容中台执行层的最小闭环。
AI Agent 想从演示走向长期工作流,不能只靠模型能力,还需要协议、标准、Skills 和知识库规则来降低适配成本,让工具调用、方法沉淀和团队协作变得可复用。
从 Codex 支持换模型、Hermes 发布桌面版、腾讯 AI 产品矩阵和微信小微这些信号出发,讨论 Agent 时代真正值得关注的不是单次问答,而是入口、上下文、工作流和可被岗位复用的执行闭环。
编程
编程
AI
数据治理
编程
基于团队并行开发需求增长,在极简架构理念下新增 UAT 环境,平衡研发质量与各类成本的架构决策思考。
基于现有 AI 基座(API 接口、智能体、Dify),团队落地的四类 AI 业务应用,及对未来结合硬件拓展场景的展望。
记录 AI 聊天机器人开发中遇到的两类 SQL 生成问题及解决方案,核心强调以 “与人沟通” 的思路引导大模型,通过提示词和字段注释优化模型输出。
记录基于 dify 实现低门槛使用业务数据的 AI 聊天机器人开发过程,涵盖技术选型、实现方式及避坑要点,核心凸显 AI 落地的关键是盘活业务数据。
提升个人与团队效能的四个核心习惯,涵盖沟通、执行、目标与协作维度