aiops

Claude Code 创始人 Boris 揭秘：团队 10 倍效率技巧当 AI 成为程序员的标配，真正拉开差距的不是工具本身，而是使用方式。Boris（Claude Code 创始人）首次公开团队内部使用手册，这些技巧来自 Claude Code 核心团队的真实工作场景，可以让工作效率比以前高出 5–10 倍。他的原话颇具代表性：

结合OpenSpec 与 Everything-Claude-Code (ECC) 的构建团队工作流程这两个项目解决的是 AI 辅助开发流程中完全不同层面的问题，理解这一点是最关键的。OpenSpec 解决的是 "做什么"（What）的问题 —— 它是一个规格驱动开发（Spec-Driven Development）框架。核心理念是：在 AI 写代码之前，先让人和 AI 就需求规格达成共识。它通过 proposal → specs → design → tasks 的制品（artifact）依赖图来管理每一个变更的完整生命周期。

工作笔记-CodeBuddy应用探索最近由于工作需要的关系，使用了腾讯的CodeBuddy(CB)，感觉还不错，也觉得有很多值得分享的内容，遂有本文。

Everything Claude Code 完全长篇指南在上一篇Everything Claude Code 速查指南中，我涵盖了基础配置：技能（skills）和命令（commands）、钩子（hooks）、子代理（subagents）、MCPs、插件（plugins），以及构成高效 Claude Code 工作流骨干的配置模式。那是一份配置指南和基础设施。

Everything Claude Code 速查指南这是黑客松冠军日常使用 10 个月后的完整配置：技能（skills）、钩子（hooks）、子代理（subagents）、MCP、插件（plugins），以及真正好用的部分。

Claude Code 构建完全指南：十大核心功能深度解析子代理是运行在独立上下文窗口中的专用 AI 助手。每个子代理拥有自己的系统提示、工具访问权限和权限设置。当 Claude 遇到与某个子代理描述匹配的任务时，会自动将任务委派给该子代理，子代理独立工作并返回结果。Claude Code 内置了 Explore（只读代码搜索，使用 Haiku 模型）、Plan（计划模式研究代理）和 general-purpose（全工具通用代理）等子代理，用户也可以创建自定义子代理。

Skill Seekers 全面指南：让 AI 真正"读懂"你的技术文档从零基础入门到架构原理深度剖析——一份写给所有 AI 从业者的渐进式技术博客这篇文章按照由浅入深的结构组织，不同读者可以选择适合自己的起始章节。

让 AI 学会"组队打怪"——聊聊微软的 AutoGen 框架你有没有想过，一个 AI 助手再聪明，终究也是一个人在战斗。它写完代码没人 review，它做完分析没人挑刺，它回答问题也没人帮忙查漏补缺。

Speckit、OpenSpec、Superpowers 和 everything-claude-code AI辅助编程工具对比分析随着AI编码能力（如 Claude Code、Cursor 等）的普及，软件开发领域正从“Vibe Coding”（随心灵感编码）向更工程化的方向演进。为了应对AI生成代码的不确定性、上下文丢失以及协作一致性等问题，社区涌现了多种规范驱动开发（Spec-Driven Development, SDD）框架和工作流方法论

数据智能老司机

打造 ML/AI 系统的内部开发者平台（IDP）——生产级 LLM 系统设计本章涵盖：把 LLM 应用从原型推进到生产，会引入传统 ML 工程无法充分覆盖的挑战。尽管稳健系统设计的基本功仍然必要，生成式 AI 系统因为其非确定性，需要新的测试、监控与安全方法。

0. nano-vllm：大模型推理原理和流程LLM：就是大语言模型，指参数量较大且具有较强生成能力的语言模型。vLLM：功能完备的生产级大语言模型推理引擎。

数据智能老司机

打造 ML/AI 系统的内部开发者平台（IDP）——设计可靠的机器学习（ML）系统本章将涵盖：随着我们更深入 ML 工程，现在要解决一个关键挑战：如何可靠地跟踪、复现并部署 ML 实验。本章将介绍一些关键工具，它们能把临时、随意的实验变成生产就绪的 ML 工作流。我们将搭建一个实用的 ML 平台，在保持足够灵活以适配真实场景的同时，显著提升可靠性。

基于 LLM + Jaccard 算法的故障历史案例智能检索与匹配每次故障发生，你是否有这样的感觉："这个问题好像之前遇到过..." "上次是怎么解决的来着？" "要是能自动找到类似的历史案例就好了"

Sandrachao_lucky

跨越行业边界：企业如何精准挑选可观测性平台在数字化转型进入攻坚阶段的当下，企业的技术架构正经历一场深刻变革。曾经的单体式应用正被分布式、云原生及国产化混合的复杂架构所取代。如今，一次看似简单的接口交互，其背后可能串联起数十个服务节点，这让传统的监控工具显得力不从心。

数据库运维的下一步：Bethune X以AI实现从可观测到可处置数据库监控正在发生一场范式迁移——从“指标是否异常”，走向“系统是否理解问题、判断问题，并给出可执行的解决路径”。

Trae 中LLM 运维场景深度评测：容器化 JVM 内存问题分析能力横向对比除了MiniMax-M2.1使用Claude Code外，其它的均使用Trae海外版IDE进行评测。容器内不显式设置 MALLOC_ARENA_MAX，容器内的进程（包括 JVM 和 native 代码）可能会消耗远超预期的内存，导致容器被宿主机内核的 OOM Killer 终止。

AI架构师易筋

AIOps 告警归因中的提示工程：从能用到可上生产（4 阶梯）适用对象：做生产运维 / SRE / 平台工程 / ITSM 流程治理的团队，想把 LLM 用在告警归因（Root Cause Analysis, RCA）上，并且做到“可控、可复用、可评测”。

源宇宙十三站

N8N从零开始到精通-(2)N8N部署(多种方式)你是不是也遇到过这样的困惑？看完上一篇文章，对N8N心动了，想要马上试试。结果打开官网，看到一堆安装方式：npm、Docker、Docker Compose、n8n Cloud...瞬间就懵了："我该选哪个？它们有什么区别？哪个最简单？哪个最适合我？"

基于SpringAI企业级智能教学考试平台考试模块全业务闭环方案在企业级智能教学考试平台的全业务链路中，考试模块是承接“标准化资源输出”与“教学效果评估”的核心执行载体，其业务闭环的完整性与规范性直接决定教学评估的公信力、运维效率及数据价值转化效果。本方案聚焦考试模块，以试卷管理模块的标准化试卷为核心输入，系统梳理考试从创建配置、实施监控、考后评估到数据归档反馈的全链路业务，明确各环节的企业级管控标准与跨模块联动规则，完整呈现考试模块“资源输入-过程管控-结果输出-优化反馈”的全业务闭环，为平台规模化、规范化教学评估提供可落地的执行支撑。

基于SpringAI的智能AIOps项目：部署相关容器化部署管理技术图解版传统部署方式手动管理服务器负载均衡配置复杂维护困难Kubernetes部署方式智能容器编排自动负载均衡