内容类型
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
唐青枫拆解企业知识库 RAG 的落地架构，把登录授权、文档审核、异步索引、BM25 与向量混合检索、引用核验和运行追溯串成一条链路。文中给出 .NET 业务层加 Python AI 私网服务的分工，MySQL 作为授权与发布指针的权威源，ES 和 Milvus 只当可重建的检索投影，新索引先写 staging 代际、校验通过后再切换发布指针。
能拿走一套可落地的企业 RAG 分层架构，含 staging 代际切换、RRF 融合代码和权限先于检索的顺序，落到知识沉淀线；代价是需同时维护 MySQL、ES、Milvus 三套存储并自建评测集。
作者用 Obsidian 做查看层、Claude Code 做处理引擎、GitHub 做版本同步，搭出一套由 LLM 增量维护 wiki 的个人知识库，并给出可直接复制的 CLAUDE.md 规范。
能拿走一份可直接复制的 CLAUDE.md，把摄入、查询、审计三类操作固化成规范，落到知识沉淀线；代价是规范写模糊 Claude 会乱建页面，冲突只标注不自动解决。
作者用 Claude Code 同时接入 MySQL、Loki、Grafana 三个 MCP server，把一次订单堆积排障从约 2 小时压缩到 4 分钟，定位到 settlement-svc 的 JVM Old Gen 涨到 95%。
能抄走一份三 server 的 mcpServers 配置和排障提示词，把 MySQL、Loki、Grafana 只读接进 Claude Code 做交叉定位；前提是自建只读账号、pin 版本、stdio 仅限本地，且会话别超 3 个 server。
作者发布 quantized.uk 索引，在 RTX 4090、3090、M3 Max、M2 Ultra 等真实硬件上实测 117 个模型的显存占用与 tok/s，并记录所用推理栈。
能按显卡型号和量化档位直接查 117 个模型的实测显存与 tok/s，用来定本地部署的量化等级和上下文长度；代价是数据靠手工维护，标 estimated 的行是架构推算而非实测。
AI Chat 作者 xlbbbcn 在 Rust 侧实现了一套工具调用风险评分，把模型返回的 tool call 按黑名单严重程度 0.40、白名单覆盖 0.25、语义异常 0.20、危险能力 0.15 加权后乘 100，映射到 L0 至 L6 七级，再按级决定放行、弹确认框或拒绝。
能拿走四维加权评分加七级阈值和分级处置表，把工具调用确认流程从命令白名单换成按风险分级；代价是纯启发式，挡不住故意绕过，真隔离还得靠容器。
作者以招标文件解析为例，讲生产级长链路 AI 工作流为何不能交给 Agent 自主规划，并给出自建架构方案。技术栈为 React、FastAPI、Redis、PostgreSQL、arq，工作流采用状态机主干加分析环节 DAG，LLM 底座自建模型切换、熔断、JSON schema 校验、全局 QPM 限流与并发控制。
能拿走自建 LLM 底座的分层做法（流式连接早发现超时、JSON schema 校验后立即重跑、全局 semaphore 加 QPM 前置快速失败）和状态机加 DAG 的断点续传设计，落到软件工厂的长任务产线；代价是要自己造轮子，作者称从零到稳要几个月。
文章用 LangGraph 的 langgraph-swarm 从零搭了一个旅行规划 Swarm，两个专家 Agent 通过 create_handoff_tool 生成的移交工具互相转接，无需中央主管调度。
能拿走 create_handoff_tool 自定义版只传 task_description 不传全量历史，换掉默认 handoff 的 token 膨胀；代价是要自己校验 agent_name 并设 recursion_limit 防互转死循环。
方呵呵发布桌面 AI Agent 工作区 Hikari，把对话、项目工具、任务状态、权限审批和改动审阅放在同一应用里，代码已开源于 fonghehe/hikari-agent。
可借鉴其验收条件设计，把文件存在性和测试命令设为完成门槛，并要求测试证据晚于最后一次改动；代价是验收范围有限，回写仅支持 20 个 UTF-8 文本文件。
作者在 Claude Code 2.1.304 上用同一个跨文件代码调查任务各跑 2 次，单 agent 平均 93 秒、0.87 美元，拆成 3 个 Explore 子 agent 并行后平均 143 秒、1.92 美元，慢 54%、花费 2.2 倍，四次答案都找到了两处关键问题。
能拿走一套判断标准，主上下文装得下就别拆子 agent，工具定义控制在 30 到 50 个以内；代价是作者本地只跑了 2 次一组、只覆盖只读调查任务，计时还得用墙钟时间而非 duration_ms。
作者用 OpenAI SDK 加 MCP 官方 SDK，在 TypeScript 里不依赖任何 Agent 框架手搓出一个能联网抓取、能读写文件的 Agent，核心代码不到 200 行。
能拿走一套不依赖框架的 ReAct 循环写法，含流式 tool_calls 按 index 分桶拼接和 MCP stdio 拉起工具进程，可替换现有单 agent 串行派单流程；代价是要自己处理 id 拼接、同步 getTools 等坑。
开源测试工具 TWD 维护者 Kevin 介绍用测试录屏核实 Agent 提交的 Pull Request，Agent 改了 11 个文件、新增 3 个测试全部通过，加一个标签后每个新增测试各生成一段视频。
用 twd-cli 的 --record 让测试执行时按 300ms 节奏录屏，只录分支新增或改动的测试并挂到 PR 评论，代价是 CI 多一分钟、需 ffmpeg 8 以上。
这篇教程以从简历文本抽取结构化信息为例，演示不加校验时 LLM 输出会遇到的四类问题，并给出一套可直接复用的 Pydantic 校验写法。做法分两道关，先用正则去掉 markdown 围栏抠出 JSON，再用 Pydantic 模型定义字段类型、Field 范围约束和自定义校验器，把“15k左右”规整成 15000、把带横线手机号规整成 11 位。
能拿走一套 Pydantic 校验链，抠 JSON、Field 范围约束、跨字段核对、错误回喂重试，直接换掉裸 json.loads 进库的做法；代价是要处理校验器字段顺序和容差，且框架的结构化输出仍挡不住业务口径错误。
作者以运维助手 OpsPilot 为例，给出 Agent 意图识别的完整实现路径，把意图层拆成 intent、mode、slots、missingSlots 四块，用 Zod 定义输出契约、Prompt 只给边界和上下文、代码二次校验后再按 mode 分发到答、问、做、拒。
能拿走一套意图层四段式实现，Zod 契约加 Prompt 加二次校验加按 mode 分发，替换掉 includes 关键词猜意图的写法；代价是要维护意图定义的正反例和评测集，意图一多还得拆两层。
Qdrant 实测 Cohere Embed 5 Pro 用单个稠密向量表示整页 PDF 图像，在 5 个公开英文 ViDoRe V3 语料上平均 nDCG@10 超过多个 late-interaction 模型。
能拿走一套 PDF 页面图像检索配方，MRL 512 维加 1-bit 页面向量、8-bit 查询向量，全量向量冷存磁盘做 top20 重排，代价是重排要读盘且 99.2% 质量只在 5 个英文语料上测过。
微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 1/0 可执行校验直接当作 RL 奖励。
可复用离线策略相对难度筛选，用 Beta 后验把任务分五档，只留 0.08 到 0.90 区间做 GRPO，代价是每个候选任务要先跑 n 次探测，且训练与评测的解析器必须对齐。
AWS 机器学习博客给出在 Amazon SageMaker AI 实时端点上部署 Kokoro-82M 并实测推导自动扩缩容参数的方法，用 Q_max（单实例在 SLO 内能承受的最高并发）和 T_total（一次扩容端到端耗时）两个测量值算出扩容阈值、缩容阈值和两个冷却时间。
能拿走一套五命令链 drift/qmax/ttotal/plan/validate，用实测并发上限和扩容耗时反推扩缩容阈值与冷却时间，落到本地模型部署线；代价是要跑约 36 分钟压测并占用 GPU 配额，样本容器还钉着有已知漏洞的旧 PyTorch。
AWS 介绍在 Amazon SageMaker AI 上托管 Kokoro-82M 语音合成模型，把智能体产出的每个句子即时送入合成，而不是等整段回复生成完再开始。
能拿走逐句切分流式合成、双向 WebSocket 会话复用和二进制与 JSON 控制帧混传三段代码，落到语音产线和本地模型部署；代价是要自建带 bidirectional-streaming 标签的容器，且示例镜像锁了旧版 PyTorch。
作者用约 340 行 bash 脚本、两个提示词、一个权限文件和四个 systemd 单元，在常开的 Linux 笔记本上跑无头 Claude Code（claude -p），把打了 ready 标签的 GitHub issue 逐个变成 ralph/* 分支上的 PR，13 天在六个仓库开了 82 个 PR，自己合并 74 个，循环本身一个都没合。
能拿走一套无人值守编码循环的配置：GitHub issue 打 ready 标签当队列、每个 issue 一个 worktree 加一次性 claude -p、权限层禁掉 merge/push main/publish、用 usage.py 读订阅用量做闸门。落到软件工厂这条线，代价是要一台常开机器和一份 Claude 订阅额度，且共享文件冲突得靠 After #N 串行规避。
Matt Pocock Skills v1.3 把主流程补齐为 grill → spec → tickets → implement → review → PR → retro，新增 implement-spec 并行实现、pr 和 retro 三个转正 skill。
能拿走 grill 一轮问完前沿、to-tickets 垂直切片、retro 把违规分成机械性与判断性再落到 lint 或规范文件的做法，用于软件工厂的 spec 到实现链路，代价是要先跑 setup 并维护 GLOSSARY.md。
作者分享了自己给 AI 编码智能体用的 spec 优先工作流，先写需求与设计文档再让智能体实现，称交付时间约为原先一半且人工 QA 发现的 bug 和上线后修复次数都有下降。
能拿走一套 spec 文件模板和两段查漏提示词，把需求与设计先落成文档再让 agent 编码，代价是每轮都要人工核对 AI 的改动，否则错误假设会变成返工。