自训 8.4MB 中文语义模型塞进浏览器：STSB 达教师 93.2%，真实检索 top1 仅 42%
作者用两天自训了一个 8.4MB 的中文语义嵌入模型，在浏览器离线运行，STSB 达到教师模型 bge 的 93.2%，但真实检索 top1 只有 42%。
借鉴点
可拿走三步压缩路线（32k 中文 BPE、蒸馏、三值量化到 8.4MB）和双路嵌入分开打分不拼接的做法，落到本地模型部署与知识沉淀；代价是要先跑教师模型测上限，否则容易在模型上白费功夫。
内容类型
教程实践 最新动态
拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
439 条精选近 30 天 437 条共收录 1,601 条
更新
精选归档 · 第 13 页
掘金精选AI 评分7171 掘金精选AI 评分7171 拆解 Clover-35B-A3B-Preview：块扩散加 GDN 改造如何把并行生成塞进 Agent 长上下文
作者拆解了 10 月 28 日发布、权重已上 Hugging Face 的 Clover-35B-A3B-Preview，说明它用 block_size=32、threshold=0.95 的块扩散解码让一次前向落定多个 token，并把 GDN 改成历史进常数状态、块内双向注意力、记忆读出单独成一路。
借鉴点能拿走块扩散解码的伪代码和 block_size=32、threshold=0.95 两个默认值，以及历史走常数状态、块内双向、读出单独成一路的三段式改法，落到本地模型部署和 Agent 长上下文这条线；代价是接受即不可撤销，块后部位置易写错 JSON 参数，且文中吞吐数字多为作者测算。
掘金精选AI 评分8080 六种让编程 Agent 接管已登录 Chrome 的实战方案
文章整理六种让 Claude Code、Codex、Cursor、Gemini CLI 等 Agent 复用日常 Chrome 登录态的方案。
借鉴点六种接管已登录 Chrome 的配置可直接抄，含 Playwright 扩展标签页分组和 DevTools MCP 的 --autoConnect 参数；代价是 Chrome 136 起默认目录不再接受远程调试参数，需 144+ 手动授权。
掘金精选AI 评分7878 MCK55 开源 token-context-mcp：按需拉取代码上下文的 MCP 引擎，59 任务实测完整函数体命中率 55.9%
MCK55 开源 token-context-mcp v0.3.5，一个面向多步编码 Agent 的 MCP 代码上下文引擎，用 get_repo_map、search_source、get_file_skeleton、get_symbol_context、get_impact_slice 五步按需拉取替代整库打包。
借鉴点能拿走五步渐进拉取原语和 150K 会话熔断、单次响应截断的预算治理配置，替换把整库塞进 Prompt 的静态打包流程；代价是要先建 Tree-sitter 索引，且评测只覆盖 rich 与 fastify 两个仓库。
掘金精选AI 评分7474 chrome-use 使用教程：让 Claude Code 操控已登录的 Chrome 查禅道与 ONES
作者实测用 chrome-use 让 Claude Code 借用自己已登录的 Chrome，完成禅道 Bug 列表只读查询、ONES 维护工单查询和禅道提 Bug 表单填写（不保存）三个任务。
借鉴点用扩展加原生消息把 agent 接到已登录的 Chrome，绕开 Playwright 新开 profile 的 SSO 卡点；禅道 iframe 要改用 snapshot -c，ONES 点击后补 wait --load networkidle，富文本走编辑器 API 设值，代价是每次任务必须 done 收尾。
掘金精选AI 评分7575 AI 编码工作流设计：六阶段状态机与主 Agent、独立 Agent、SubAgent 分工
作者分享 dev-workflow 与 bugfix-workflow 的设计心得，把研发拆成背景分析、架构方案、代码实现、独立审查、证据验证、交付归档六个阶段，用状态机与 Checkpoint 阻断模型随意跳步。
借鉴点能拿走六阶段状态机加三道 Checkpoint 放行、审查与验证各限 3 次失败即转人工，以及独立 Reviewer 用干净上下文审 Diff；落到软件工厂线，代价是背景与方案两轮人工确认和多 Agent 交接开销。
掘金精选AI 评分7878 用 MOSS 生图、TTS 和 ffmpeg 把历史故事做成竖屏视频的完整流水线
作者用 MOSS 开放平台的生图与 TTS 接口加 ffmpeg，把法拉第与爱迪生的历史故事做成 1080×1920 竖屏视频，全程不开剪辑软件。
借鉴点能拿走分镜 JSON 加三个脚本的纯命令行流水线，按实测音频时长反推时间线、ASS 烧字幕、ffmpeg zoompan 运镜，落到视频产线；代价是生图水印需 OpenCV inpaint 本地处理，concat 清单必须写绝对路径。
掘金精选AI 评分8080 用 Python 装饰器给 MCP Server 加调用链日志和大输出落盘，附 3 个实测踩坑
作者用一个 Python 装饰器给 MCP 工具加了两层保护，每次调用写一行 JSONL 记录 trace_id、工具名、参数、耗时和输出长度，返回文本超过 2000 字符就落盘，只回摘要、前 10 行和分页读取方式。
借鉴点可直接抄的 Python 装饰器给 MCP 工具加 JSONL 调用链日志和超长输出落盘，落到本地模型部署与知识沉淀线；代价是要处理装饰器顺序、functools.wraps 和 stdio 工作目录三个坑。
掘金精选AI 评分8080 GUI Agent 架构设计笔记对比 mobile-use、browser-use、Playwright MCP 与 agent-browser
作者按通信协议、感知压缩、上下文管理、决策执行四层拆解 GUI Agent 架构，对比 mobile-use、browser-use、Playwright MCP 和 vercel-labs/agent-browser 四个框架。
借鉴点能拿走 A11y 压缩四步裁剪加 @eN 短引用映射，把单步观测从万级 Token 压到 200 左右；落到本地模型部署和软件工厂的浏览器自动化线，代价是要自己维护引用表并处理动态状态不能进 SystemMessage 的缓存坑。
掘金精选AI 评分7878 Agent 2.0 的四层上下文管理策略：压缩、卸载、溢出兜底与参数截断
栈知见在系列第 14 篇中拆解了 Agent 2.0 的四层上下文工程策略，包括结构化压缩、大工具结果卸载、溢出兜底和参数截断，四者相互独立、可自由组合且默认关闭。
借鉴点四层上下文策略可直接照搬，压缩保留意图/摘要/产物/下一步四节，大结果超80K字符卸载留首尾预览，代价是压缩需另配小模型且卸载后要提示词引导回读。
掘金精选AI 评分7575 Ray Serve 与 LLM 服务教程：从核心对象、扩缩容到 Ray Serve LLM 部署
这篇 Ray 教程把 Ray Serve 从 HTTP 框架讲到 LLM 推理编排层，梳理了 deployment、bind、serve.run、DeploymentHandle 四个核心对象与 Controller 加 HTTP/gRPC Proxy 加 replica 的架构。
借鉴点能拿走 Serve 的四个核心对象、@serve.batch 攒批参数与 max_ongoing_requests 必须大于 target_ongoing_requests 的配置法则，落到本地模型部署这条线；代价是 ray.serve.llm 全系列仍是 beta，需锁版本并把导入面收窄到一个模块。
掘金精选AI 评分7272 DeepSeek 稀疏注意力 DSA 拆解：索引器、Top-k 选择与两阶段训练
DeepSeek 在 V3.2-Exp 中引入的 DSA 用一个轻量索引器给每个 query 的历史 token 打分，只把分数最高的 2048 个 KV 条目送进精确注意力，主注意力复杂度从 O(L²) 降到 O(Lk)。
借鉴点能拿走 DSA 的索引器配置（64 头 128 维、topk 2048、FP8）和两阶段训练配方，落到本地模型部署与长上下文推理线；代价是动态 Top-k 依赖 SGLang、vLLM 专用内核，短文本几乎无收益。
掘金精选AI 评分7171 基于 LangGraph 实现 Agentic RAG 自主决策闭环
作者用 LangGraph 把线性 RAG 改造成 Agentic RAG 闭环，通过路由、Query 改写、混合检索加 Rerank、文档评估和重试分支让 LLM 自主决定是否检索。
借鉴点能拿走一套 LangGraph 状态机骨架，含路由、Query 改写、混合检索加 Rerank、Grade 评估和 max_retry 重试上限，可替换现有线性 RAG 流水线；代价是复杂问题多次调用 LLM，延迟和 Token 消耗上升，需限流。
掘金精选AI 评分7171 生产 Agent 系列第5篇：SSE 流式推送与 HITL 暂停恢复的协议设计
作者以虚构案例 OpsPilot 复盘生产 Agent 的流式推送与人在回路，给出会话、消息、Run 三张表以及 SSE 业务事件、中断记录、断点、恢复接口的 TypeScript 骨架。
借鉴点能拿走 Run/中断/断点三张表加 SSE 业务事件协议和 resume 接口骨架，落到软件工厂的 Agent 后端；代价是恢复前要重读资源、重新鉴权并做幂等防双击。
掘金精选AI 评分7474 ego-lite 浏览器实测：让 AI Agent 在隔离 Space 里复用 Chrome 登录态跑 Web 自动化
作者实测了 Citro Labs 的 ego-lite，一款人和 AI Agent 共用的 Chromium 浏览器，Agent 在独立 Space 里跑网页自动化，直接继承 Chrome 的登录态、Cookie 和扩展，不抢占用户标签页。
借鉴点能拿走的是 Space 隔离加继承 Chrome 登录态这套做法，把 Agent 网页任务从空白无头实例挪到真实会话里跑，代价是得装桌面端、开 bypass permissions，且仅支持 macOS 和 Windows。
掘金精选AI 评分7272 345 行 Sub-Agent 代码拆解：上下文隔离的取舍与生产前七处护栏
作者静态阅读一份 345 行的 Sub-Agent 实现，指出子 Agent 的价值是上下文隔离而非智力提升，它不共享对话历史、只把最终结论交回父 Agent。
借鉴点能拿走子 Agent 只回传结论、父子工具表用列表相加复用、路径用 resolve 加 is_relative_to 校验这几处写法，落到软件工厂的 Agent 编排上；代价是父层丢过程可见性，父循环无轮数上限、工具参数无 try 兜底，上生产前得自己补护栏。
AWS Machine Learning Blog精选AI 评分5858 Exowatt 用 SageMaker 无服务器微调让 Qwen3 小模型在准确率上超过前沿模型
Exowatt 用 Amazon SageMaker AI 无服务器模型定制微调 Qwen3-1.7B 和 Qwen3-14B，在告警分诊和能源市场分析两个任务上分别达到 0.911 和 0.975 macro-F1，均超过 Claude Sonnet 4.6、Claude Opus 4.7 等前沿模型。
借鉴点可复用其数据配方：少量人工核验样本加三倍改写扩增，改写后逐条校验标签与数字不变；代价是改写与校验环节要额外投入，且需自建证据引用校验。
AWS Machine Learning Blog精选AI 评分5858 Property Finder 如何修正 Amazon Bedrock 上的评测偏差并选出更优模型
Property Finder 发现其评测标签有 96.8% 直接沿用现有 VLM 的预测而非人工核验，导致任何替代模型在比较中天然吃亏。
借鉴点可拿走一套做法，先人工重标几百张图做无偏基准，再用 Micro F1 加错误分析迭代提示词，最后用 MIPROv2 自动优化；能落到本地模型部署的选型评测线，代价是要有领域专家标注，356 张只够测中等差异。
Databricks精选AI 评分5858 Databricks 用 ai_extract 与 MLflow Prompt Registry 建立文档抽取评测闭环
Databricks 介绍一套文档抽取的可重复改进流程，用 ai_extract 的 schema 描述承载字段规则、全局指令承载文档级逻辑、precision mode 处理复杂表格，并用 MLflow Prompt Registry 对 prompt 和 schema 一起做版本与别名管理。
借鉴点把字段规则写进 schema、文档级逻辑放全局指令、结构难题开 precision mode，再用 MLflow Prompt Registry 的别名做灰度与回滚，前提是先攒出几百份人工审核过的固定评测集，否则改动好坏分不清。
Hacker News · 首页精选AI 评分7272 作者用 Claude Code 把 15 秒宣传视频写成代码并配上单元测试
作者用 Claude Code 为燃料价格应用 Petroly 写了一个 JavaScript 渲染器，把 15 秒宣传视频做成返回 SVG 的 frame(t) 函数，再经 sharp 转像素、FFmpeg 编码成视频，全程没打开视频编辑器。
借鉴点把视频做成 frame(t) 返回 SVG 的纯函数，再用 sharp 转像素、FFmpeg 编码，可复用现有测试和 diff 流程；代价是动画逻辑要全部写成代码，审美仍需人眼把关。