跳至主要內容

2026.3 期

BraumAce2026/3/1文章约 6282 字大约 21 分钟

2026.3 期

  • 【飞书云文档】OpenClaw橙皮书：从入门到精通：花叔维护的 OpenClaw 项目全景手册 v1.4——分「认识 OpenClaw / 技术架构 / 部署方案 / 渠道接入 / 微信 ClawBot / 腾讯龙虾全家桶 / QClaw 公测 / 漏洞事件统计」八大部分加 FAQ 附录，按读者所处阶段（未装看部署、装好看接入）做分层导航，已同步上架微信读书并与同系列《Claude Code 橙皮书》并行更新。

  • TRAE — 2026企业级AI编程实践手册：TRAE 团队「用 AI 构建 AI」沉淀出的企业级 AI Coding 五大方法论支柱——Context Engineering 用渐进式索引破解上下文超限与噪音、Skills 把通用 AI 能力封装为企业场景化最佳实践、Spec Coding 把不确定性前置到需求阶段、分层 Rules 让 AI 产出符合企业编码与架构标准、智能体把 AI 从工具进化为具备目标理解与自主决策的伙伴。

  • 你不知道的 Claude Code：架构、治理与工程实践：tw93 把 Claude Code 拆成「CLAUDE.md / Tools+MCP / Skills / Hooks / Subagents / Verifiers」六层并配 Context-Action-Control-Isolation-Verification 五诊断面——揭出 200K 上下文中 MCP 工具定义 25K（12.5%）固定开销隐形杀手、Tool Output 噪声需 RTK Hook 重写、Compact Instructions + HANDOFF.md 替代算法压缩、Skills 描述符从 45 → 9 token、AskUserQuestion 三版演进与 Prompt Caching defer_loading 等关键工程细节。

3.31

  • Harness Engineering 来了，SDD 还有意义吗？：腾讯云何艺萍辨析 Mitchell Hashimoto「发现 Agent 出错就工程化消除复发可能」的个人视角与 OpenAI「5 个月 100 万行代码 1500 个 PR 全由 Agent 生成」的系统视角——结论是 Harness 与 SDD 不竞争：Harness 把 Agent 执行力放大，Spec 在 scaffolding 中担任「Agent 推理地图 / 语义约束基础 / 反馈回路判据」三角色，引擎越强 Spec 越重要，AGENTS.md 应保持 100 行目录式不当百科全书，Spec 漂移需主动检测机制。

3.30

  • 学习笔记：从 Agent 到 Skills — AI 智能体架构的范式转变：以 auto-twitter-campaign 项目串讲 Anthropic「2024.11 开源 MCP + 2025.10 推出 Skills + 2025.12 双开放标准」两步棋——Skills 三层渐进式披露（30 字元数据预加载 / Markdown 指令按需加载 / 脚本资源执行时访问）、Director-Creator-Critic 同模型多 Prompt 编排替代多 Agent、MCP 14 个 Filesystem Tools 标准化连接，并区分「原生 Skill 是代码即能力、MCP 封装 Skill 是工具使用说明书」。

  • Claude Code Skills 完全指南：从零打造你的生产级别 AI 编程助理工作流：码哥用 fix-issue Skill 实战拆解 CLAUDE.md / Skills / Hooks 决策树（每次必用 / 按需加载 / 强制执行）——给出 5 个高级特性：description 前 250 字符决定自动触发关键词、disable-model-invocation 与 user-invocable 双字段控制谁能调用、!\command`` 预处理动态注入 PR diff、context:fork + Explore/Plan 子 Agent 隔离上下文、supporting files 拆分长 Skill，并介绍 /batch /simplify /loop /debug 四个内置 Skill。

3.29

  • 花叔：Polymarket 完全指南橙皮书：花叔发布的 73 页 Polymarket 橙皮书 v2.0.0 PDF，飞书 wiki 仅作为下载入口承载 PDF 附件与作者 X 主页链接，正文未公开页面内容，可作为系统了解 Polymarket 玩法、机制与生态的完全指南材料。

3.28

3.26

  • JavaGuide：LLM 基础扫盲：1.6 万字 LLM 底层扫盲，以自回归生成为心智模型串起 Tokenizer/BPE、上下文窗口、Temperature/Top-p、Max Tokens 全链路；给出中英文 Token 压缩比经验值（1 中文≈0.6 Token、1 英文字符≈0.3 Token）、特殊 Token 占用、多模态图片 Token 计费规则，强调用官方 Tokenizer 精确计数而非估算。

  • 腾讯云：一文讲透从0构建AI Agent：以 LLM→API→Context→Tool Calling→Agent Loop→MCP/Sub-Agent/Skill 概念全景图开篇，给出 Agent = LLM + Tools + Loop 公式，按四阶段递进上代码：单次对话、history 数组多轮维护、Function Calling 工具注册表、引入 ReAct 循环；点出无状态本质、上下文窗口、滑窗/摘要/RAG 三种上下文管理策略。

  • 以 OpenClaw 为例介绍 AI Agent 的运作原理：以「龙虾」为隐喻拆解 AI Agent 运作——OpenClaw 是 LLM 之外的桥梁，靠 SOUL/IDENTITY/USER/MEMORY.md 维持身份与多轮上下文，通过 [tool_use] 协议执行 Read/Write/exec 等本地工具；覆盖 Spawn 派生 Sub-agent 防 Context 爆炸（禁止子子代）、SKILL.md 渐进披露、MEMORY + 日记 + RAG chunk 检索的记忆系统、HEARTBEAT 心跳与 Cron Job 定时机制、exec 任意指令的安全攻防。

3.24

  • 【龙虾大脑核心揭秘-1】OpenClaw处理流程链路解析：拆解 OpenClaw 四层架构（Model/Skills/Workflow/Execution）与 Gateway/Agent/Skills/Memory 四组件，给出消息处理十步链路：启动扫描 skills 目录注入 system prompt、消息预处理、Memory 加载上下文、意图分解、ReAct 思考-行动-观察循环、技能匹配、RSA 签名权限沙箱、脚本执行、Observation 回填、响应返回；并归纳本地 Markdown 记忆、WebSocket 控制面、多模型路由等机制。

  • 业务逻辑的"坍塌"：当应用层只剩下胶水代码，在 AI Agent 时代，我们该构建什么：从 Transformer 推理不确定性（数值精度、硬件异构、采样策略、KV Cache）切入，论证 LLM 黑盒让传统「无状态应用 + 有状态 DB」反转为「有状态 Agent + 无状态 LLM」，Agent 代码退化为 Context 胶水层，并以本地 ollama + nmap/nuclei 手搓 ReAct 渗透测试 Agent 演示状态压缩、显现化与结构化知识三种工程化落地。

3.23

  • 拒绝重复造轮子！抽象 80% 工作场景，打造可复用的"AI 助手工厂”：阿里智空间团队将 80% 工作抽象为复杂指令、知识问答、问题排查、极简四类场景，自研 FSWW 工具召回算法（论文 arxiv 2511.19483）与「逆向推理 + 正向执行」工具链，配合 IntentResult 模型、图文 RAG 嵌入、ReAct/ReActObservation 双执行引擎，并以「框架 prompt + 业务定制 prompt」插拔式架构落地一键三连配置化助手工厂。

  • 让AI变成Super员工的秘密：高效训练Skills：作者打磨 web-testing Skill 复盘 4 个真实翻车（漏点深层 Tab 链接、只生成 HTML 漏 md、python3 -c base64 命令长度炸、报告结构悄悄压缩），提炼「跑→复盘→让 AI 自己改 Skill→再跑」迭代闭环，强调 SKILL.md 必须写「触发条件 + 必做动作 + 结束门禁」而非原则，用 checklist 阻断式校验抬高交付下限。

  • 知识基座：让“AI 越用越懂业务”的团队经验实践【天猫AI Coding实践系列】：天猫近 200 人后端全栈试点中通过云端共享、信号驱动（关键词 + 多轮调试 + 否定 + 代码改动）自动捕获 1% 真正有价值的踩坑会话，LLM 提炼 pitfall/decision/faq 三类知识并五维度评分，repo → domain → global 分级召回，1 个月沉淀 128 条、置信度 0.92、召回率 85%，tsconfig 类问题从 30 分钟降至 1 分钟。

  • Claude Code + OpenSpec 正在加速 AICoding 落地：从模型博弈到工程化的范式转移｜得物技术：直指 AICoding 瓶颈是上下文管理而非模型（DORA 2024 显示 AI 采用率每 +25% 交付稳定性 -7.2%、32K Token 准确率从 99.3% 跌至 69.7%），用 Claude Code 的 Gather-Action-Verify 代理循环 + MCP 按需加载 + CLAUDE.md 持久记忆做执行，叠加 OpenSpec 的 proposal/specs/design/tasks 四工件与 propose-apply-archive 生命周期做规格驱动开发（SDD）。

3.20

  • 企业级 Agent 多智能体架构与选型指南 -- 来自1000+行业应用实践积累：基于 AgentScope Java 1.0.10 与 Spring AI Alibaba 1.1.2.2，主张 Single Agent First，并按上下文/分工/并行/结构化四阈值演进，系统梳理 Pipeline、Routing、Skills、Subagents、Supervisor、Handoffs、Custom Workflow 七种模式与工作流 vs 对话两大类的选型对照（多智能体协作准确率比单模型高约 32%、批评 + 优化 Agent 提升事实检索 26%）。

3.19

  • 深入理解OpenClaw技术架构与实现原理（下）：续接上篇，深入拆解 SandBox / 记忆管理 / Skills / Session / 自进化等模块——SandBox 基于 Docker 提供 off / non-main / all 三档隔离，session/agent/shared 三种容器作用域，默认只读根文件系统、network=none、capDrop=ALL；记忆系统以「文件即真相」为哲学，MEMORY.md 存长期、memory/YYYY-MM-DD.md 存短期，SQLite + sqlite-vec + FTS5 实现向量(0.7) + BM25(0.3) 混合搜索，叠加 MMR 去重和 30 天半衰期时间衰减。

  • 深入理解OpenClaw技术架构与实现原理（上）：OpenClaw 是 Local-First 的个人 AI 助手，以 Gateway 网关为单一控制平面，WebSocket（默认 18789 端口）+ HTTP + Control UI 单端口复用，承载 Sessions/Channels/Nodes/Cron 等；Pi Agent 以 RPC 模式运行 Agentic Loop（run.ts 主循环 + attempt.ts 单次尝试 + subscribe.ts 流式订阅），原生接入 Telegram/Slack/Discord/iMessage 等十余频道，通过 node.invoke 调用 macOS/iOS/Android 节点硬件能力。

  • 从架构到代码：深入理解 OpenClaw 的双源记忆系统：OpenClaw 把记忆从上下文剥离为持久化磁盘存储，采用双源架构——动态记忆是 JSONL 会话日志，静态记忆是 Markdown（MEMORY.md 长期 + memory/YYYY-MM-DD.md 短期）；静态记忆由用户手编、session-memory Hook 在 /new 时转换、Memory Flush 在压缩前触发三种途径生成；Markdown 按 400 token / 80 token 重叠分块，sqlite-vec + FTS5 双索引向量 + BM25 混合检索；Issue #847 实测 72h 任务会话重置从 23 次降至 3 次。

  • Claude Code 最佳实践：可验证、可治理、可分层的工程现实：把 Claude Code 当作代理系统而非 ChatBot，主循环是「收集上下文 → 采取行动 → 验证结果」，并按六层拆分治理——任务循环、CLAUDE.md 常驻契约（建议 2-3K tokens 内）、Skills 工作流、Tools/MCP 动作层、Hooks 控制层、Subagents 隔离层；强调「验证前置」（给测试样例 / 截图 / 可复现失败用例）、MCP 5 个 server 可吃掉 2 万+ tokens 固定开销，Prompt Caching 决定上层设计，用 /clear /compact /HANDOFF.md 主动管理上下文漂移。

  • 美团 BI 在指标平台和分析引擎上的探索和实践：美团以指标平台为核心重构 BI 架构，靠「自动语义」和「增强计算」两大能力破解传统数据集驱动的口径混乱与性能差——自动语义把业务口径解析为指标血缘并通过主外键自动关联星型/雪花/星座模型，实现「定义即研发」；增强计算用智能查询（多引擎 + 降级策略）和智能物化（自动建宽表/汇总表 + 周期调度回溯）平衡 Serving 与 Ad-hoc 双场景；目前支持百余业务线、查询量百万级、查询成功率 99.9%+。

3.18

  • 从RAG到GraphRAG：货拉拉元数据检索应用实践：货拉拉元数据找数场景中，Naive RAG 单字段切块 + 向量检索准确率仅 55%、召回率 60%，在同义词、多实体、关系召回上拉胯；2.0 切到 LightRAG 路线的 GraphRAG，把表/字段、业务术语/缩写、同义词三类实体建图，Query 经 LLM 抽高/低级关键词后混合检索（向量 + BM25 + 重排）+ 图关联形成 Local/Global Context；准确率提升至 78%、召回率 91%、TopK 命中率 90%、MRR 0.73，渗透率 30%、数仓答疑省 20% 时间。

  • 开源 Claude Code 工程级开发插件 Superpowers 完整上手攻略：拆解 Anthropic 开源插件 Superpowers 的分层架构（用户层 / 框架层 / 执行层 / 输出层）与 20+ 可组合 Skills 体系，核心是 Subagent-Driven Development：每个子 Agent 全新上下文启动以隔离污染，配合 Spec Review + Code Quality Review 两阶段审查；附 brainstorming、writing-plans、TDD、systematic-debugging、using-git-worktrees 等关键 Skill 速查表与触发关键词，给出 personal skills 覆盖默认技能的解析顺序。

  • AI Coding前端实践后的复盘总结：淘天天猫品牌行业前端团队复盘后端同学用 AI Agent 写 React 页面的实战，归纳四类典型问题（目标描述模糊、上下文截图不全、跨组件改动相互干涉、组件库知识库缺失导致选错版本），对应给出 Prompt 高质量化、及时回滚、避免长上下文、人工干预的最佳实践，并指出 Agent 在截图还原、全局视角、代码可维护性上的边界，主张建立「AI 生成 + AI 治理」的闭环。

  • 如何让你的 Agent 更准确：MCP 工具设计技巧：TRAE 团队从 LLM Tool Calling 完整链路（6 步多轮协议）切入，强调 MCP 工具是 Agent 的 UI 而非 REST API 封装；揭示 JSON 仅是中间格式、模型内部多用类 XML token、自定义格式不如原生 function calling；工具定义占 system prompt 影响 Prompt Caching，单工具约 250-300 tokens，OpenAI 建议 ≤20 个以避免注意力稀释与选择困难。

3.17

  • Agent/Skills/Teams 架构演进过程及技术选型之道：阿里云小二 Aivis 作者梳理 Single Agent → Multi-Agent → Agent Skills → Agent Teams 四阶段演化本质——补偿大模型领域知识与长期记忆缺失；Single Agent 受 Context Window 与 Lost in the Middle 制约，Multi-Agent 用 Planner/Reasoner/Executor 分工却带来路由错配与通信带宽损耗，Agent Skills 通过 User Prompt 渐进式披露替代 System Prompt 替换避免认知冲突，Agent Teams 面向未知问题做协同探索。

  • 腾讯云开发者：兄弟！你真的懂 Skill 吗？：逐文件拆解 Anthropic 16 个官方 Skill 与约 2000 行框架源码，归纳 5 种执行模式（脚本执行、纯 Prompt 注入、库调用、参考文档编排、含子 Agent 编排）；核心揭示 16 个 Skill 全部不用 function calling 注册，而靠 SKILL.md + skill_run 沙箱命令驱动；详解 7 步链路、CQRS state_delta 解耦、_stage_skill 增量哈希、符号链接与只读保护、本地 / Docker 双 runtime。

3.16

  • 软件为何越做越乱？万字长文讲透软件的“复杂性”：借「限时折扣一年补丁风暴」故事讲透复杂性三大表现（变更放大、认知负荷、未知的未知）与两大根因（依赖、晦涩），对比战术编程与战略编程，主张投入 10-20% 时间持续优化设计；管理复杂性的核心方法：接口/实现分离、深模块（简单接口隐藏强大功能，如垃圾回收器）、信息隐藏对抗信息泄漏、警惕时间分解、「有点通用」优于过度专用、分层抽象。

  • 基于 Cursor Agent 的流水线 AI CR 实践｜得物技术：得物在 MR 流水线中以 Cursor Agent CLI 取代传统 Diff + 大模型 API 的高误报 CR 链路，每次提交自动触发产出聚类为严重/警告/建议的 AI CR 报告，并提供一键添加 MR 评论、复制 Prompt、跳转本地 Cursor 创建 Chat 修复三种闭环；通过 .cursor/rules 内置 13 类 mdc 规则（空指针、React Hooks、安全编码、Monorepo 依赖等），优先用 Composer 1.5（44s）降级 Auto（91s），实测有效问题率约 50%。

3.14

  • Claude Code 一篇带你从入门到精通：系统拆解 Claude Code 的三大进阶能力：CLAUDE.md 通过 /init、/memory、# 操作符落地企业→项目→用户三级记忆并用 @ 实现模块化导入；Skills 采用元数据 / SKILL.md / 资源三级渐进式披露（元数据约 100 token、SKILL.md <5k token、资源按需 bash 加载）配合手动 /skill-name 与自动发现两种触发；Sub-Agent 以独立上下文与受限工具承担任务委派，与 Skills 的「知识注入」形成「加技能 vs 召唤分身」分工。

3.13

  • 用自然语言替代复杂代码 | 大淘宝技术：天猫技术针对多 SKU 凑单破价资损巡检场景，用 AI 平台的「预置 Agent + 参数化调用」模式以自然语言业务规则替代 150+ 行硬编码计算逻辑，将高价规格按件分摊优惠后是否低于阈值的风险检测，从难维护的精确分支代码转为可读性强、修改便捷的 AI 驱动分析流程；核心结论是 AI 适合规则模糊、多步推理、对成本不敏感的场景，平台化降低 Prompt 调试与模型参数门槛。

  • 从IDE到Terminal：适合后端宝宝体质的Claude Code工作流｜得物技术：作者基于「脑（模型）决定上限、手（提示词工作流）决定下限」选定 Claude Code CLI，用 zsh 函数 kcc/zcc/qcc 注入 ANTHROPIC_BASE_URL 等行内环境变量在 Kimi、智谱 GLM、七牛之间秒切模型；以 JetBrains IDE 为主轴，借 AppleScript + iTerm2 三面板布局打通 GUI/TUI 自动跟随切项目，并串起 command、skill、subAgent、MCP、hook、plugin 六类扩展与飞书 MCP、@模糊搜索、注意力哨兵等技巧。

  • Skills开发技能指南：OpenClaw也好，Skills也好，都别脱离具体场景谈方案：作者从「中台复用」推导出 Skills 本质即公共 Prompt，强调「恰好而非更多」的渐进式披露设计避免上下文污染；开发方法是归纳法（从工作案例向外洞察 + 向内觉察沉淀经验）配合演绎法（套用同类场景）双轮迭代，并给出三个工程化案例：逆向建模用 UML 类图、序列图、伪代码显化实体/流程/规则做精细化 VibeCoding、基于染色 ID + 日志 MCP 的 30s 问题定位 Skill、打通 Git 的 AI-CR 闭环。

  • 一文搞懂爆火的SKills原理及实践案例：腾讯云开发者版同源浓缩版，沿「中台复用 Prompt」路径定义 Skills 为可按设计/开发/测试/运维分类的公共提示词，核心机制是元信息分级缓存的渐进式披露——按语义匹配后再加载实际内容以规避上下文窗口爆炸；开发路径用归纳法捕捉高频问题再演绎复用，并示范逆向建模（实体/流程/规则三问 + UML + 伪代码）、染色 ID 串联日志 MCP 的快速问题定位、AI 辅助 CR 与 Git 闭环三个落地场景。

3.11

  • 【万字】实战报告：AI Coding 已经能做交付了，但前提苛刻：作者通过「从 0 到 1 新项目、已有项目迭代、文档不全的老项目」三场景验证，得出 AI Coding 已可承接真实交付，但前提是把目标、字段、校验规则、feature flag、测试与 pnpm lint/test/build 验收命令显式写成可执行规格，输入质量而非模型本身决定结果稳定性。

  • MySQL 的 SELECT * 一定导致索引失效？：从优化器回表成本权衡切入，系统梳理 7 类索引失效场景——SELECT * 非必然失效但因回表占比超 20%~30% 会被放弃、违背最左前缀（含 8.0.13 Index Skip Scan 在 8.0.31 的 Bug #109145）、索引列函数运算、LIKE '%xx' 前缀通配、OR 与 Index Merge、IN 超 eq_range_index_dive_limit=200、隐式类型转换发生在索引列侧、ORDER BY 触发 Using filesort。

3.9

  • 玩转OpenClaw，你需要了解的：核心架构、运作原理、Agent部署步骤：从源码视角拆解 OpenClaw 多 Agent 架构，每个 Agent workspace 由 AGENTS/SOUL/TOOLS/IDENTITY/USER/HEARTBEAT/BOOTSTRAP/MEMORY 共 8 个 Markdown 构成人格，Session 以 per-session JSONL 懒加载，通过 Compaction 持久化压缩历史 + Session Pruning 临时裁剪 tool 结果两层策略喂给 LLM；并提示 Gateway 60s 健康快照会快速消耗 IM 额度、Mac Mini M1 即足够、安全上需按数据全 Open 预估风险。

3.8

  • 火山引擎：OpenClaw内置Mem0：剖析 OpenClaw 原生 file-first 记忆体系（MEMORY.md 长期、memory/YYYY-MM-DD.md 日志、sessions/*.jsonl + SQLite FTS5 与 sqlite-vec 混合检索，400 token 块、80 重叠）的 token 浪费痛点，引入 openclaw-mem0-plugin 把后端替换为 Mem0 Cloud（platform 模式 + apiKey + userId），暴露 memory_search/list/store/get/forget 工具与 openclaw mem0 search --scope CLI，支持跨会话跨 Agent 共享与企业级审计删除。

3.3

  • RAG优化字典：20种RAG优化方法全解析：系统罗列 RAG 全链路优化方法并附代码——分块层有语义分块（百分位/标准差/IQR 三种断点）、chunk size 用忠实度 + 相关性评估选 128/256/512；检索层有上下文窗口扩展、CCH 标题嵌入与文本嵌入平均、文档增强问题生成、查询改写/Step-back 回退/子查询分解等查询转换策略，覆盖检索增强、查询优化、生成质量控制多维度。

  • Skills：从编程工具的配角到Agent研发的核心：Skills 价值高度场景依赖，在 Claude Code 中被 Commands 的即时性与 SubAgent 的专业性挤压而沦为鸡肋，但在企业级 Agent 平台里凭借标准化接口、按需加载（渐进式披露）、声明式解耦解决重复造轮子、能力孤岛与跨团队协作痛点；判断是否引入看复用频率、复杂度、协作规模、生态开放性四维度，原型/专用工具/小项目/性能敏感场景不推荐。

3.2

  • 打造高可靠 AI 助手：Skill 编排、Workflow 设计与 Spec Coding 的深度实践：阿里基于上下文工程五大模式（状态管理、渐进式上下文、结构化输出、模版程序、多步处理）落地 Spec Coding，对比 Skill 与 Subagent 在上下文管理上的差异，针对 Skill 复杂度高与多 Skill 准确率低的痛点提出 Workflow 编排单元，以 kuspec CLI 把 WORKFLOW.md / WORKFLOW_INIT.md 与 MCP 集成进 iFlow / Claude Code，覆盖框架插件开发、UI 改版、CRUD、小众技术栈、跨团队 SDK 接入等场景。

  • AI Coding思考：从工具提效到范式变革，我们还缺什么？：淘天天猫书牧用「目标传达复杂度 × 执行复杂度」四象限指出，企业级研发的 AI Coding 瓶颈不在 Agent 执行而在人向 AI 传达任务的信息熵过高，必须通过基础技术、业务架构、团队规范、代码仓库四层专家知识体系化沉淀实现系统性降熵，最终打通需求-设计-编码-验收全链路 SDD，把程序员从打字员推向产品工程师与业务架构师。

  • AI编程的下半场来了？学会用Agent Skill解决编程的痛点问题：腾讯 CloudBase 把 8 年 Serverless 经验封装为 21 个 Skill + 1 个 cloudbase-guidelines 总纲，强制 AI 用云端原生 OPENID、Security Rules、托管 API Key 替代前端传参与硬编码，靠首行注入、CLAUDE.md / AGENT.md 项目家法与 settings.json Forced Eval Hook 三层手段把 Skill 激活率从 20% 提到 84%，并阐明 MCP 提供连接、Skills 提供工程直觉的分工。

  • AI Agent在保险业务的落地实践：技术实战分享：京东保险给出经济收益公式 R=(Ch-Ca)×D×A×S 来挑选场景，落地 Eva Agent 四大亮点——保险领域小尺寸大模型（CPT + SHADOW-FT + structTuning，IDK/IMI/IUC 等 8 维测评）、深度知识库（表格序列化、Late Chunking、Embedding/Rerank 微调、DeepDoc 路由）、三档计划策略（提示词编排 / 搜索增强层级规划 / RL 自主编排），以及含记忆、策略库、经验池与 self-play RL 的可进化架构。

3.1

  • 规范驱动 AI 编程实战指南：OpenSpec vs Spec-Kit vs BMAD：从 SDD 把规范升级为单一可信源的视角横评三款工具——OpenSpec 用 specs/ 与 changes/ 文件夹做「提案 → 实施 → 归档」三步循环，专攻遗留代码维护，5 分钟即可启动；Spec-Kit 走 /specify、/plan 斜杠命令的 6 步流程，工具无关，适合新项目；BMAD 多智能体模拟业务分析师、PM、架构师、开发、QA 全角色，适合企业级跨仓库复杂项目但学习与维护成本最高。

  • 图文详解：如何设计一个亿级用户排行榜？：码哥按实时性、准确性、抗压力（峰值 100 万 QPS、P99 <200ms）、灵活性拆需求，给出数据接入（Kafka 多活 + MirrorMaker + DLQ）、计算（Lua 实时 / Spark 批 / Flink 混合 70%+30%）、存储（Redis Cluster 100 分片 + Caffeine 三级缓存 + ClickHouse 冷热分离）、展示（CDN + API 网关 + K8s HPA）四层架构，并用分层合并把跨分片 TOP100 查询从 530ms 优化到 80ms。

编辑此页
最近更新:
贡献者: BraumAce
主题美化