人工智能

AI 设计工作流全景拆解：Figma MCP / Claude Design / Codex / Google StitchKey Takeaways近年来，设计师群体里流传着一种简化的叙事：只要给 AI 一个 prompt，就能批量产出设计稿。但截至 2026-06-26 的实战情况看，这条捷径并不成立——真正可生产的链路至少需要 4-5 个工具在不同环节接力。试图把它们当「一个超级工具」来用，既浪费 token，又无法保证风格一致。

数据集划分不是随便切：手把手切分大众点评情感数据集昨天跑中文情感分类 baseline，一上来就栽在数据集上了。本来想着从魔搭拖个现成的大众点评数据集，加载完直接喂模型，结果 MsDataset.load 下来一看，整份数据全塞在 train 里，连个验证集测试集都没给分好。盯着控制台输出的单条样本愣了半分钟，得，自己动手切吧。

每日一个开源项目（第142篇）：android/skills - Google 官方 Android 开发 AI Skill 库"Android Skills 覆盖的是那些 LLM 表现薄弱的 Android 开发场景，不是它们已经擅长的。"

Skill 系列（06）：Skill 工程化与治理——路由准确率 38%、压缩节省 76%Skill 数量少时不需要治理。3 个 Skill 靠记忆就够了。当企业里有 30-50 个 Skill 时，三个问题会同时出现：

Vue这个坑我跳了两次，原来问题出在这作为现代前端开发的主流框架之一，Vue.js 以其简洁的语法、响应式数据绑定和灵活的组件化设计赢得了广大开发者的喜爱。然而，即使是经验丰富的开发者，在深入使用 Vue 时也难免会遇到一些“坑”。今天，我要分享的是一个让我两次栽跟头的问题——Vue 的响应式原理与异步更新队列。

新新技术迷

Node给AI接口做SSE代理与鉴权先把结论甩前面:别让浏览器直连大模型流式接口。中间架一层 Node 做 SSE 反向代理,顺手把鉴权和限流挡在这层,前端只管 fetch 自己后端,密钥不落地、谁能调你说了算。我上周刚因为没这层,被一个实习生用 devtools 把 key 抠出来,半天烧了三十多块 token,血的教训。

大模型是不是到顶了？瓶颈到底在哪这两年很多人有个共同的体感：每一代新模型发布，惊艳感都在变弱。从 GPT-3 到 GPT-4，那是一次让人坐直身子的跳跃；而再往后，参数更大、跑分更高，用起来却像是"又强了一点点"。于是一个问题越来越频繁地被问起：大模型是不是到顶了？

Tool Use 背后的技术逻辑不只是 API 调用。Agent = LLM + toolsAI 有自我意识吗？作为开发者，这是一个精心设计的错觉——用户看到的是 LLM"完成"了工作，其实是它调用了 tools。

姗姗来迟了

Vue3封装AI流式对话组件踩坑实录先把结论甩前面:Vue3 里封装一个能用的 AI 流式对话组件,核心就三件事——消息流要能一个字一个字往外冒、loading 状态别卡死、用户点"停"得真能掐断那条还在吐字的请求。下面是我自己撸的一版,代码为主,踩的坑也一并写了。

用Pinia管理AI多会话状态先说结论:做AI对话类应用,如果你要同时撑住"当前会话、历史会话、没发出去的草稿"这三种状态,别再用一堆零散的 ref 硬扛了,拿 Pinia 开一个 store,把会话当成一个 Map 来管,切起来是真的顺。

用户05432432970

Next.js接大模型流式SSE实操踩坑先把结论甩出来：Next.js App Router 里做大模型流式输出，服务端用 Route Handler 直接返回一个 ReadableStream，把模型 SSE 透传给浏览器；前端别急着上 EventSource（它只支持 GET，传不了 body），用 fetch + response.body.getReader() 自己读流就行。整套打通其实就两个文件的事，难点都在那些没人提的细节里。

从 Function Calling 到 MCP：理解 Agent 工具调用的底层通信机制本文从 Agent 的工具调用出发，向下追溯到操作系统的进程间通信原理，再向上回到 MCP 协议的设计哲学。目标是让你理解 MCP 的本地调用（stdio）和远程调用（HTTP/SSE）到底在做什么，以及为什么这样设计。

Claude Code 从入门到精通，一步到位作者身份：AI工具探索者（深度使用过Cursor、Copilot、Claude Code等主流AI编程工具）

后端小肥肠

Codex + Obsidian 做人生副本视频：输入主题文案，直通剪映草稿大家好我是小肥肠，努力经营一人公司的前程序员。今天的文章给大家拆解一下最近大热的人生副本视频如何用skill实现，文内附成品视频案例和实现技术路径拆解。

全链路研发智能体 ——从"体感能用"到"实际可用"的工程实践AI Coding 已改变研发方式，但单点代码生成只占研发工时 10-32%，整体提效有限。本文从我们团队在项目的真实交付复盘出发，提出 Harness 全链路研发智能体：把大模型放进一套可控的研发流程，将需求分析、接口设计、代码生成、自动 CR、单测、冒烟验证、环境部署、问题排查串成带反馈控制的闭环，让 AI 从"会写代码"升级为"能完成可验证交付"。本文系统阐述其需求可执行性检查、状态机与质量门禁设计、失败回流机制、复杂度感知编排、RD/QA 协同模式，并以行业研究（METR RCT、Google D

500块的豆包，能帮我搞定这个么？！听说豆包要收费了！价格大概是 68、200、500 三档！主打办公任务！付费上班的时代终于到了。现在的 AI 智能体可真的不便宜啊。

火山引擎开发者社区

当 Agent 自己做 SRE：详解 ArkClaw 自动化可观测体系的工程实践对于熟悉 Grafana 大盘的研发同学而言，以下场景应该并不陌生：这不是“不会用 Grafana”的问题，而是整个可观测体系缺少一条工程化主线。

两个例子，帮你快速理解什么是Token当我们在用AI工具解决某些问题或者开发某个需求的时候，除了会关心AI有没有完成这件事情，有没有出现什么错误之外，最受人关注的还是自己当前用了多少token,为什么呢？最直观的一点，因为这个关系到费用，特别是如果没了token,咱就有种什么事情都没法做了的感觉，就跟以前断网断电是一样的

用AI全自动剪辑，日更 100条爆款视频——HyperFrames、Remotion、Git使用入门我之前发过一条视频。其实，也不止这条，还有好几条都是一样风格的——出镜讲话，左侧跟着一块动画演示，卡片滑入、文字出现、节奏跟着内容走