Figma Dev Mode MCP：大人，时代变了 | 掘金一周7.10

本文字数2000+ ，阅读时间大约需要 6分钟。

【掘金一周】本期亮点：

「上榜规则」：文章发布时间在本期「掘金一周」发布时间的前一周内；且符合各个栏目的内容定位和要求。如发现文章有抄袭、洗稿等违反社区规则的行为，将取消当期及后续上榜资格。

一周"金"选

内容评审们会在过去的一周内对社区深度技术好文进行挖掘和筛选，优质的技术文章有机会出现在下方榜单中，排名不分先后。

前端

这篇文章通过作者两天"摸鱼"时间，基于购来的 UI 图做了一个旅游主题大屏。主要实践了四个常用组件：省级地图的 geojson 可视化图层叠加、底部电子翻牌数字字体 + vue3‑odometer 动画、ECharts 各类型图表，以及响应式适配技术（autofit.js + Sass）。文章附源码和在线预览，适合作为大屏开发的参考。

Figma Dev Mode MCP：大人，时代变了 @古茗前端团队

本文介绍了 Figma 最新推出的 Dev Mode MCP（Multi-Channel Platform），是设计与开发之间的"跨界翻译官"。它能自动提取设计稿中的间距、颜色、组件属性等信息，直接同步到代码编辑器，帮助开发者减少手动搬运的操作，从而提升协作效率。

企业级tree组件封装实现，即拿即用（附git地址）@豆苗学前端

作者封装了一个基于 Vue3 的企业级 Tree 组件，支持懒加载、多选、拖拽、右键菜单等常用功能，具备较强的可定制性和丰富文档说明。组件结构清晰、易集成，适合在中后台项目中快速落地使用。文中附源码和使用教程。

Cursor + MCP：双剑合璧，解锁极致编程效率 @转转技术团队

本文介绍 Cursor 编辑器对 MCP 协议的支持。MCP 可让 AI 模型直接调用本地工具（如文件系统、测试框架等），相比 Function Calling 更高效、更灵活。通过实际案例展示其在自动生成测试、调用命令等方面的优势，显著提升开发效率。

后端

缓存之美：Guava Cache 相比于 Caffeine 差在哪里？@京东云开发者

本文结合 Guava Cache 源码，深入剖析其相较于 Caffeine 的性能瓶颈：Guava 使用分段锁和阻塞式清理，导致高并发下吞吐下降；而 Caffeine 则采用 Java 8 高效并发结构、异步驱逐机制和先进的 W‑TinyLFU 算法，从读写效率、命中率、并发表现全面优化，造成明显性能差距。

请求折叠的魔术：数据库总耗时降低了25%？@食亨技术团队

文章聚焦在一个 WebSocket 服务中，一条平均执行耗时仅 2ms 的 SQL 却占据了数据库总耗时的 27%，每秒执行约 721 次。通过深入排查，发现是 Netty 入站处理器中频繁更新设备状态引发的高频 SQL 调用。作者最终采用将状态变更改为异步处理、合并批量更新等策略，将整体数据库总耗时大幅降低约25%，显著提升系统性能与响应效率。

Android

简单聊聊 Flutter 在鸿蒙上为什么可以 hotload ？ @恋猫de小郭

文章分析了 Flutter 在鸿蒙系统上支持热重载（hot reload）的原因：Flutter 的 Debug 模式下使用 JIT 即时编译，Dart 代码并非预编译执行，而是实时编译为原生指令；这是热重载得以实现的核心。鸿蒙系统兼容支持 JIT 环境，所以 Flutter 的 hot reload 能在鸿蒙设备上同样发挥作用。文章通过对比说明 JIT 与 AOT（Ahead‑Of‑Time）编译差异，解释为何热重载只在 Debug 模式下可用。

Flutter 里的 Asset Transformer 和 Hooks ，这个实验性功能有什么用 @恋猫de小郭

文章介绍了 Flutter 中的 Asset Transformer 和 Hooks 功能。Asset Transformer 允许开发者在构建时对项目中的资源（如图像、字体等）进行转换和优化，以提高应用性能和减小包体积。Hooks 是一种实验性功能，旨在提供更灵活的生命周期管理和状态管理机制，提升开发效率。作者通过示例展示了如何使用这两个功能，并讨论了它们在实际项目中的应用场景和潜在价值。

人工智能

🛠️MCP实战宝典：让AI获得超级能力的开发指南 @幺风

文章介绍了 MCP 协议，它是一种让 AI 模型安全调用外部工具和资源的标准化协议。通过 MCP，AI 能访问数据库、文件系统、API 等，提升处理复杂任务的能力。文章详细讲解了 MCP 的原理、应用场景及实现方法，并提供了代码示例和实践经验，帮助开发者更好地理解和使用 MCP，提升 AI 模型的扩展性和实用性。

大模型Embedding到底是什么 @IAM四十二

文章介绍了大模型中的嵌入（Embedding）技术，解释了其在自然语言处理（NLP）中的应用。嵌入技术将文本、图像、音频等数据转换为计算机可理解的数值向量，捕捉其中的语义信息。通过这种方式，大模型能够更好地理解和处理复杂的数据，提高任务的准确性和效率。文章还探讨了嵌入技术的原理、发展历程以及在实际应用中的挑战和前景。

准确率飙升！Graph RAG如何利用知识图谱提升RAG答案质量（四）------微软GraphRAG代码实战 @大模型真好玩

文章介绍了 Graph RAG 的安装与使用流程，包括环境配置、命令行调用和 Python API 调用。Graph RAG 是一种结合知识图谱的 Retrieval-Augmented Generation（RAG）方法，旨在提升生成模型的答案质量。通过集成知识图谱，Graph RAG 能在检索阶段引入结构化知识，增强生成模型的准确性和可靠性。文章详细讲解了如何将 Graph RAG 集成到项目中，提供了实用的代码示例和配置指南，帮助开发者在实际应用中提升模型性能。

AI 基础知识从 0.5 到 0.6------ 深度学习全能架构 Transformer @谦行

文章介绍了 Transformer 模型，重点讲解其自注意力机制、多头注意力和位置编码等核心组件。与传统 CNN 和 RNN 不同，Transformer 能有效捕捉序列中的长距离依赖，显著提升自然语言处理任务性能。文中还提及其在机器翻译和文本生成中的广泛应用，帮助读者理解 Transformer 在深度学习领域的革命性影响。

社区活动日历

📖 投稿专区

大家可以在评论区推荐认为不错的文章，并附上链接和推荐理由，有机会呈现在下一期。文章创建日期必须在下期掘金一周发布前一周以内；可以推荐自己的文章、也可以推荐他人的文章。