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
作者用同一 Claude Code 2.1.289 与 Sonnet 5.5，在 Caliptra 的 VeeR EL2 转发缺陷上各跑 10 次，纯 shell 平均 55.8 分钟、配 Booley 0.3.0 平均 21.3 分钟，全部产出被接受的修复与复现测试。
可拿走三条 RTL 调试配置：按需录波形并用 B-Wave 按信号名查值、用阻塞式 sim 命令替代固定 sleep、把构建配置写进 FuseSoC core 文件并让仿真缺固件即失败；代价是需先一次性适配项目，且作者自建 Booley 存在立场。
TinyContext 发布分步教程，讲如何给 AI Agent 加长期记忆：用一个本地 SQLite 存储加保存、召回、更新三类工具，再在 CLAUDE.md 或系统提示词里写明何时调用。
能拿走一套可复用的记忆方案，一个 SQLite 文件加 save/recall/update 三个工具，配 CLAUDE.md 五条指令或 60 行 Python；落到本地模型部署和知识沉淀两条线，代价是要模型工具调用稳定，且只适合几千到几万条事实。
一篇面向学习者的总结，把 RAG 拆成写入与读取两条线，并给出智能体三层记忆的工程实现。写入侧强调走消息队列异步向量化、每种索引绑定一个 embedding 模型且换模型要建新索引做 A/B 双写、embedding 输入拼接类目路径和标题做上下文增强，并提醒批量调用要用返回的 index 加批次起始下标还原全局位置。
能拿走一套 RAG 写入与检索的工程做法，包括批量 embedding 用返回 index 还原全局下标、RRF 融合稀疏稠密两路、分数门控宁缺毋滥，以及记忆的语义加时间加结构化三重过滤；可落到知识沉淀和本地模型部署两条线，代价是要自建向量库、消息队列和 50~100 条回归测试集。
作者以英语作文批改智能体为例，用 Python 搭了一套离线评测流水线，把改提示词后的效果从凭感觉变成看分数。体系包含带反例的 16 条 JSONL 评测集、exact_match 与 set_f1 等纯函数指标、四档 rubric 的 LLM as judge 裁判、markdown 报告和按核心指标阈值判退化的版本对比，42 个测试用例离线全绿。
能拿走一套离线评测流水线，含反例评测集、纯函数指标、四档 rubric 裁判和按标签的退化判定，用来替换改提示词后随手试几个例子的做法；代价是要先人工标注评测集，且裁判调用会多一层开销。
AI狂想在第 5 篇 Rule 工程化实践中提出，把五十条 Rule 全塞进 alwaysApply 会让 Context 被噪声占满，安全条款反而被挤出窗口。
能拿走一套规则分层与预算降级脚本，把 alwaysApply 拆成 SEC/GATE/SCN/SUG/DOM 五层并按意图路由，落到软件工厂的规则配置上；代价是路由表得给每类包配意图关键词，否则降级报告里全是走错片场的条目。
作者拆解 DeepSeek Harness 团队开源的 dsh-superagent（MIT），重点讲它的授权模型和默认 observe 模式，并用 60 行纯标准库 Python 模拟门控逻辑。
能拿走一套授权门控分级和 observe 灰度做法，用 60 行 Python 模拟显式请求与推断候选的分流，落到 Agent 派单流程上；代价是规则要团队自写，且真实实现还有 Mandate 版本校验等层未覆盖。
这篇教程讲怎么量化衡量和优化 vLLM 推理服务，把吞吐量、延迟和显存利用率之间的权衡拆成一套可执行的方法。延迟被拆成 TTFT 和 TPOT，大 batch 换吞吐但伤延迟，显存留够余量才能避免 OOM。
能拿走一套先定位瓶颈再调参的流程和真实 vLLM 指标名，落到本地模型部署线；代价是原文工具链偏 NVIDIA，昇腾要换成 npu-smi、msprof 和 AISBench。
作者用 Spring AI 2.0.1 接 deepseek-chat 做流式对话，实测出两个不报错的坑：客户端断开后服务端与模型之间的流仍在消费 token，InMemoryChatMemoryRepository 只限单会话消息条数不限会话数量，10,000 个会话占 115 MB 堆内存，折算 10 万个约 1.1 GB。
能拿走 SseEmitter 断连检测加 dispose 取消上游订阅、Caffeine 给会话数设上限两段可照抄代码，落到本地模型部署和软件工厂的流式接口上，代价是内存数只是数量级、断连省下的 token 未实测。
阿里云云原生解读 DeepSeek 8 月开源的 DeepSeek Harness 及其 dsh-superagent-prototype，把跨会话保持上下文、并行推进多任务的 Agent 称为 Super-agent，并拆出双层架构、事件驱动、计算状态与环境分离、Watchdog 等模块。
能拿走双层架构、订阅直通、链式召回、投机执行、Watchdog 巡检五个模块的具体分工，落到软件工厂的多任务派单和本地环境接入；代价是 Router 批处理只提有效吞吐，云端与端侧默认互信，提示词注入会波及所有接入设备。
开源项目 elastic_multimodal_search 用 Jina AI 多模态 embedding 把文本、图像、音频、视频帧映射到同一向量空间，再由 Elasticsearch 做 BM25 词法检索与 k-NN 向量检索的混合匹配，覆盖音乐、动物、图像、电影、图书、跨模态、套娃降维、词向量可视化 8 个 Streamlit 搜索模块。
能拿走一套可跑的多模态检索模板，含 Jina 多模态 embedding 加 ES 的 BM25 与 k-NN 混合检索、RRF 融合和 Matryoshka 截断到 128/256/512/1024 维；落到知识沉淀和本地模型部署，前提是自备 ES 8+ 集群和 OpenRouter、Gemini 密钥。
Maarten Grootendorst 和 Jay Alammar 在 GitHub 放出《An Illustrated Guide to AI Agents》一书的配套代码，读者可用纯 LLM 调用从零搭一个带记忆、工具和自主性的 TinyAgent。
能拿走一套从零手写 TinyAgent 的章节代码，按记忆、工具、规划、多智能体逐层加组件并用 diff 展示改动，落到本地模型部署和软件工厂两条线；前提是跟着 Colab T4 跑，代码只覆盖教学规模。
作者在原有串行 dev-workflow 基础上设计了 dev-workflow-router，由 Router 统一接收需求和反馈，分派给 Analyst/Planner、Coder、Reviewer 三个 Worker，在保留 #0 背景确认、#1 方案确认、#2 实现验证三道人工 gate 的前提下让可独立推进的工作提前开始。
可照搬 Router 加 Analyst/Coder/Reviewer 三角色分工、五行骨架和按影响分派反馈的做法，替换单 Agent 串行审批；代价是 token 增加、需自管文件所有权与版本快照。
作者给出大模型联动 CodeQL 与 Coverity 的完整落地方案，包含分层架构、Python 调度脚本和 Pydantic 数据模型。方案把两套工具的扫描结果统一导出为 SARIF 并归一化去重，再送入 LLM 判断误报、做风险分级、生成修复代码，并在出现高危漏洞时自动生成 CodeQL 自定义 QL 规则。
能拿走一套 CodeQL+Coverity 双引擎调度脚本和 Pydantic 数据模型，把扫描结果归一化成 SARIF 再交给 LLM 研判误报、生成修复代码和自定义 QL 规则，落到软件工厂的代码审计环节；前提是本地装好两套工具链并给出可编译的 build_command，LLM 输出还需自行清洗 JSON。
作者用真实 Chrome 跑了 5 组基准和 25 条断言，实测 postMessage 三条通道、OffscreenCanvas 交接和 Worker 池的代价。
能拿走 transferListOf 摊平函数、约 130 行 RPC 封装和带握手与崩溃补人的 Worker 池，落到本地模型部署或视频产线的浏览器侧渲染；代价是每 worker 约 5ms 启动、15µs 消息地板和每 worker 独立堆。
文章基于提交 477b4f4205 的实现，拆解 DeepSeek Harness 如何协调多轮模型调用、工具执行与会话状态，把运行过程分为插件装配、回合驱动、会话日志、工具管道和异常处理五部分。
拆解了 turn/step/请求尝试三层边界、surface 投影与并发执行顺序提交的取舍，可对照改造自家 agent 循环的输入队列和日志恢复，代价是配置整段替换易丢字段、日志恢复不保证副作用回滚。
ETF Agent 作者以基金费用与持仓比较为教学任务，拆解 Agent 上下文治理的落地做法，主张每次调用前从有效任务、获准材料和真实执行记录重建工作视图，而不是维护一个不断增长的字符串。
能拿走的是按职责分区装配每轮请求的做法，系统提示词只放稳定指导，记忆先过准入再选，工具结果存成可回读引用；可落到知识沉淀和本地模型部署的上下文装配环节，代价是要自己维护版本、覆盖和回执，原文只给教学别名和示意字段，没有可直接调用的接口。
作者在RTX 5090上跑Qwen3.8-Flash-Next Q2_0（125B级MoE），停掉同卡其他容器腾出18,106 MiB显存后，decode吞吐从140.6 tok/s升到256.2 tok/s，提升82%。
能拿走单变量对照法加两条拟合公式，缓存约等于整卡可用减6.0 GiB、decode约等于92加6.53乘缓存GiB，用来预估本地部署吞吐；代价是结论绑在Q2_0量化、32K上下文和Gen3链路上，换档位或换卡要重测。
作者在 Windows 上连接红米 K80，用 OpenRouter 加 DeepSeek 视觉模型驱动 Google 开源的 Android 移动 Agent Artemis，跑通山姆会员商店 App 里进商品、分享、生成图片、存相册的全流程。
能拿走 Windows 接红米真机、OpenRouter 配视觉模型、Flash 与 Pro 选型及山姆分享图 Prompt 模板，落到本地模型部署与软件工厂的真机自动化层，代价是控机模型必须支持图像输入，单次会话约 16 万 Token。
作者把 fastapi、uvicorn、openai-agents 这套完整 Python Agent 内核零上游改动打进 Android APK，在手机内以 127.0.0.1 环回 HTTP 服务跑通。
能拿走依赖闭包清点法、5 个自编 Rust wheel 的组包步骤和 SSL_CERT_FILE、chdir 顺序、Server.started 就绪判断三个真机坑，落到本地模型部署与软件工厂；代价是版本钉死在 NDK r27c + Chaquopy 17.2 + Python 3.12，且仅单台 arm64 真机验收。
作者以 pi-rust 的 Rust Agent 运行时 rpi 0.15.0 为例，拆解 Agent 进程重启后如何依据记录决定下一步。
能拿走一套可落地的恢复判定顺序，先查已存结果、再查上游录制、最后看历史与当前是否都声明 Safe 才重跑，否则补一条未知结果；代价是恢复入口绕过参数准备与 before_tool_call 钩子，effective_args 存的是钩子前的参数。