架构

江畔柳前堤

AgentScope 设计与原理全解：从消息原语到分布式智能体工程底座最后更新：2026年8月17日 | 基于 AgentScope 2.0（Python/TS）及 AgentScope Java 2.0 GA 版本撰写

两万五千个小时

DeepSeek Harness 上下文压缩：长对话管理「深入理解 DeepSeek Harness」系列第 6 篇。全系列地图见第 0 篇《5 分钟看懂 DeepSeek Harness》。

一拳不是超人

一个 AI 改出的 bug，另一个 AI 五天就打穿了 Snowflake：Copilot Autofix 事件给 coding agent 的警醒我每天的活儿基本都交给 AI coding agent 干了：写业务、修 bug、连 CI 的活也敢让它碰。所以 8 月 17 号 Wiz 披露的那起 Snowflake 事件，是我最近读到的、最让我后背发凉的一个真实案例——一个 AI 写的"修复"埋下了命令注入漏洞，五天之后，另一个完全自主的 AI 把它找出来、打穿、还把 Jira 凭证偷走了。作为那个会把自己的 CI 交给 agent 的人，这事儿直接戳在我痛点上。我把时间线和我的判断拆一下，给同样在用 coding agent 的人提个醒。

Pi ：上下文工程——Context Assembly、Compaction 与 Memor这是本系列最重要的"横向能力"篇。前面所有篇都在讲"Agent 怎么运行"，这一篇讲Agent 每轮调用 LLM 时，最终进入模型窗口的那堆 token 到底是怎么来的。

ChatGPT、Claude Code、Codex 能直接控制泵阀吗？AI Agent 液路监测的正确架构AI Agent 正在从“回答问题”走向“调用工具”。很多工程团队已经在使用 Claude、Claude Code、ChatGPT、Codex、Gemini、Kimi、GLM、DeepSeek、豆包或 WorkBuddy 辅助写代码、查资料和生成测试计划。

越华碳能：V3.0 多模态物联网碳核算微服务平台架构设计与落地实践越华碳能开源交付 V3.0 能碳管控微服务平台，依靠物联网 + 联盟链双层架构，解决政企园区碳数据割裂、多标准核算低效的底层技术瓶颈。

拿本唠嗑AI研究

现代前端架构爬虫指南：从静态页面到 React/Vue 单页应用如果你还在用 requests + BeautifulSoup 去爬一个 React / Vue 构建的网站，有时会拿到一个只有 <div id="root"></div> 的空壳 HTML。但这未必是代码问题，也未必适用于所有现代站点——关键在于它属于哪种渲染模式。

ZJU_统一阿萨姆

【推理优化进阶】Hopper_Blackwell 微架构：从指令、流水线到真实性能上限注：建议在开始学习本专栏前先完成对推理优化工程师快速入门指南专栏中所有内容的学习。把 GPU 看作一群并行执行的 SM，是最常见的抽象；但要解释"为什么 Tensor Core 没吃满"，必须进入单个 SM 的内部，理解 warp scheduler、寄存器文件与 shared memory 如何在每个时钟周期内争夺资源并最终决定占用率（occupancy）。

独孤九剑打醒他

【原创开源】双层Master‑Worker软硬协同调度架构：从根源解决分布式数据一致性难题【版权与存证声明】本文采用 **CC BY‑NC‑SA 4.0** 国际知识共享协议。协议原文：https://creativecommons.org/licenses/by-nc-sa/4.0/ ✅ 允许分享、修改、二次衍生；转载必须保留原作者署名+本文原文链接； ❌ 禁止商业用途；衍生作品必须使用相同协议开源。本文已完成TSA网页时间授时固化，固定原创时间。 > ⚠️重要提示：本文属于民间工程推演构想，行为级仿真验证逻辑，尚未经过SPICE器件仿真、硬件原型实物测试，不作为直接工程落地方案，仅供

架构评估：ATAM 与 trade-off 分析实战原文发布于 quant67.com，转载请保留出处。上线前的架构评审会上，技术负责人画了一张系统拓扑图，讲了二十分钟，最后问"大家觉得怎么样"。沉默十秒后，有人说"挺好的"，有人说"性能应该没问题吧"，然后散会。三个月后系统上线，高峰期数据库连接池打满，缓存击穿导致雪崩，所有人都在问"当初评审的时候为什么没发现"。

"applicant" 契约：退回发起人的闭环设计系列定位：jeeflow 系列第 6 篇（第二季「核心设计」第 3 篇）平台：掘金（代码密度高，原理讲透）素材版本：引擎 v1.8.15，源码取自 jeeflow-java 前置阅读：第 3 篇 · 状态机与 submitType · 第 5 篇 · DDD 聚合根与充血模型

这个DBA有点耶

数据库迁移怎么做到“零翻车“：金仓 KDMS/KDTS/KFS 工具链实测大家好，我是小耶，写功课只是为了我踩过的坑，你们别再踩了！数据库迁移这件事，说起来不就是"把数据从 A 搬到 B"，但真正干过的人都知道：从评估到割接，一步走错就是生产事故。

基于天远人企关联构建自动化B2B供应商准入架构在现代大型B2B采购与供应链管理中，确保供应商资质的真实性和关联关系的透明度是防控履约风险的核心环节。传统模式下，采购方往往需要供应商提交繁琐的纸质营业执照、法人身份证件以及授权委托书，随后由法务或合规专员进行人工比对。这种方式不仅流程冗长、效率低下，且难以实时防范信息不匹配资质或非存续异常主体带来的合约隐患，极易在后续履约中引发信用合规问题。

第5篇 · S1·下：前沿架构：MoE、Reasoning 模型、长上下文、多模态、SSM/Mamba 与模型谱系2024-2025 让大模型能力跑出陡峭曲线的前沿架构与范式，这一篇一次讲透：MoE 稀疏激活、Reasoning 模型（test-time compute）、上下文窗口与长上下文技术、多模态融合、SSM/Mamba 新路线，最后用一张主流模型谱系表收束整个 S1。它承接第 3 篇的 Transformer 架构（MoE 是它的架构演进）与第 4 篇的自回归推理（Reasoning 是它的范式演进）。学完之后，任何新模型发布，你都能按"稠密/MoE、是否 Reasoning、上下文长度、是否多模态"四个

第3篇 · S1·上：什么是大语言模型 + Transformer 架构深讲这一篇剥掉大模型的神秘外衣：LLM 的概率本质、能力与边界，以及 Decoder-only Transformer 的完整架构与注意力推导。它是整个学习篇（S1-S10）的地基，后续训练（第 6-7 篇）、微调（第 8-9 篇）、推理优化（第 10-11 篇）都踩在这块地基上。学完你应该能看懂任何主流 LLM 的架构图，把注意力计算对应到自己熟悉的分布式/数据概念上，面试能默写注意力公式并讲清 √d_k。每节按原理 -> 关键推导 -> 前端/后端/大数据映射 -> 实操要点 -> 误区走。遇到公

这个DBA有点耶

迁移中的数据一致性挑战：如何确保百万行数据“搬得对”大家好，我是小耶，写功课只是为了我踩过的坑，你们别再踩了！数据迁移做完了，最怕业务方问一句话：“数据都过来了吗？跟原来一样吗？”

zlinear数据采集卡

数据采集卡从入门到精通（10）：采样率与分辨率的核心关系——反比律、架构分布与过采样采样率和分辨率是采集卡规格表的头两行，它们不是两个独立旋钮，而是一对此消彼长的"跷跷板"。本文讲清三件事：为什么二者天生反比、六大架构在"速度-精度平面"上如何分布、以及过采样技术如何用采样率买分辨率。全文约4500字。

软硬件一体化公司企业标准体系架构适用：同时做硬件设备（水处理 / 撬装罐体、硬件整机）+ 软件（Web 系统、嵌入式、上位机、碳排放管理软件）的企业，依据 GB/T 15496‑2017、GB/T 1.1‑2020。整体依旧三大块：产品实现标准体系 + 基础保障管理标准体系 + 岗位工作标准体系，区别在于增加大量软件、嵌入式、软硬件集成专属标准。

我用 LLM 把后台 CRUD 效率提升 10 倍：AI 代码生成器的架构与落地实践每个后端都写过无数遍的 CRUD：建表、写 Entity、Mapper、Service、Controller，再到前端页面和表单。这套样板代码占掉了我们多少真正做业务的时间？

全栈技术负责人

解密 MCP（Model Context Protocol）：大模型时代的“Type-C”总线与三驾马车架构深度解析在过去两年中，大语言模型（LLM）的应用落地经历了一场爆发式增长。从代码编辑器（Cursor、Windsurf）到通用桌面助手（Claude Desktop），再到各类垂直领域的 AI Agent，开发者与用户都在探索如何让大模型与现实世界产生连接。