后端

【AI开发之Rust】第 19 课：UniFFI 导出核心能力第 16 课手动搭桥教会我们 FFI 的三条协议（布局、所有权、安全）。但手写绑定有致命问题：**UniFFI（Mozilla 出品）**把这事自动化：你给 Rust 代码贴几个属性宏，它生成两层东西：

基于Jev的浏览器Agent插件狂揽 21k star，3分钟教你解放双手最近应该没有人没听说过 Jev 吧？在开发者社区获得了广泛关注。Jev 作为专注于离散动作概率评估的判断模型，它改变了以往浏览器代理高延迟的运行模式。而 Browser-Use 团队基于 Jev 推出的开源项目 jev-ultrafast，上线后迅速在 GitHub 获得了2.1万颗星的关注。

家居装修 AI 智能咨询助手：让装修咨询从“大海捞针“变成“一问即答“装修是典型的低频高决策成本场景。业主面对风格选择、材料选型、施工工艺、预算评估等问题时，往往要在论坛、短视频、装修公司之间反复横跳，信息碎片化、口径不一致、咨询门槛高。家居装修 AI 智能咨询助手用一个大模型智能体把这件事收敛成一次对话：用户提问，智能体给出专业解答，且只答装修，不跑题。

Apifox 9 月更新｜CLI 能力升级、GitLab 私有化部署接入与产品体验优化Apifox 新版本上线啦！看看本次版本更新主要涵盖的重点内容，有没有你所关注的功能特性：Apifox CLI 现已支持管理项目模块，可以直接通过命令行查看模块列表，以及创建、更新和删除模块。对于需要批量维护模块或频繁调整项目结构的团队，可以将模块管理纳入脚本和 CI/CD 流程，自动完成重复的项目结构维护工作。

Agent智能体 vs 传统运维：职业天花板的3倍差距？2026年招聘市场出现一个鲜明对比：传统运维岗位（Shell/Ansible/Terraform）薪资天花板约25K·16薪，而AI运维/AIOps智能体工程师普遍30–50K·16薪，部分资深岗位达60K+。同样是运维，差距为什么拉开3倍？答案不在技术代差，而在杠杆效应——传统运维一人维护百台服务器，Agent运维一人维护百个Agent实例，后者解决的问题复杂度高一个量级。但3倍差距对应的是3倍门槛：不是会调LLM API就行，而是能把Agent嵌进K8s/Prometheus/RBAC体系里稳定运行

暗夜行者之光

LangGraph 实战：用 LangSmith 可视化追踪 AI 智能体执行轨迹前文我们聊了 LangGraph 的单智能体和多智能体实战，这次聚焦生产环境中最关键的“可观测性”问题——用 LangSmith 可视化追踪 AI 智能体的执行轨迹，让你能清晰看到每一步的输入输出、耗时、Token 消耗，快速定位问题。全程附带可运行的代码片段，新手也能跟着做。

Agent 的工具选择策略：从硬编码到动态决策早期 Agent 的工具选择是 if intent=="weather": call_get_weather()：人写路由，模型只填参数。这种做法可预测、好测试，但工具一多就崩——加一个“汇率查询”就要改分支，加 50 个工具就变成意大利面。

Lost of 程序猿

建造者模式实战：告别“十参数构造函数“的数据导出任务一句话定位：将一个复杂对象的构建与它的表示分离，使同样的构建过程可以创建不同的表示——把"参数怎么组装"从"对象怎么使用"中解放出来。

ClickHouse 埋点事件表：先验证时间与重复，再谈漏斗看板埋点请求返回 200，并不等于事件已经以正确语义进入 ClickHouse。一个可复核的接收链路，至少要把事件时间、接收时间、身份和重复定义分开。下面用一张最小示例表和几条 SQL 演示验收方法；它是独立的测试表，不是任何产品的生产建表模板。

基于SpringBoot实现的抽奖系统(一)抽奖系统类似于直播中的抽奖活动,在日常生活中也是比较常见,于是基于SpringBoot提供一个安全,可靠,易于维护的抽奖平台,本次项目采用了以下的策略:

rollbackFor 不设置，Checked 异常不回滚：Spring 默认规则与两行修复的取舍本文摘要：Spring不回滚受检异常，提交后数据已变，对账才暴露。最小示例还原根因，rollbackFor扩展回滚，拆类避自调用陷阱。异常可控时才加rollbackFor，自调用先拆类，吞异常须重抛。

【AI开发之Rust】第 17 课：项目总览与核心架构 —— AI 助手 Rust 核心从 0 到 1一个 AI 助手 App（跨 iOS/Android/桌面）的共享 Rust 核心，它负责三件事：为什么这个分工合理？回顾第 1 课的定位：把"会变慢、要跨端共享、容易出 bug"的业务核心收进 Rust——LLM 调用、SSE 解析、历史存储、权限边界全是这类；而"长什么样"交给壳。

JunoYi 框架实践：Spring Boot 项目为什么拆成 framework、module、server 三层？很多 Spring Boot 项目都有过类似的成长轨迹：最初是一个几十个类的单工程，Controller、Service、Mapper、工具类混在一起也能跑得很快；半年后业务翻倍，包结构开始模糊，工具类里混进了业务判断，公共模块被各处随意依赖；一年后，任何一次"小改动"都要先花半天时间确认影响范围，构建变慢、测试变脆，团队甚至对升级基础依赖产生了恐惧。

汉堡大王9527

一张图三句需求，我用 Trae Work 做了一块能看日出日落和月相的天文机械表拿一张手表的图给 AI 看，说"做出这个天文机械表"。三个字的需求，三天断断续续的对话，最终产出了一个纯原生、零依赖、单文件的交互式天文腕表。这篇文章记录了整个过程中的技术选型、核心算法实现和踩过的坑。

在.NET现有系统中快速集成飞书任务分配能力想象一下这样的场景：客户焦急地等待问题解决，而你的团队却在一堆邮件、Excel表格和零散的IM消息中手忙脚乱。这是不是很多企业每天都在上演的真实写照？

ThreadLocal + 异步线程导致用户数据串号：一次跨请求数据泄漏的完整复盘老炮踩坑录 · F05 · 翻车现场系列基于「企业融合评估平台」真实源码，复盘一个静态 ThreadLocal 引发的跨请求数据泄漏

前端冒菜师

我为什么做了 Iris，又为什么停下了它几天前，我还在认真设计 Iris。我给它设计数据库，定义 Project、Milestone、Task、Resource 和 Capability；给它接 Cloudflare Worker、D1 和 Git；考虑怎么让 Agent 读取我的状态，怎么主动通知我，甚至开始考虑让 Iris 管理 Iris 自己的开发。

集成Spring家族的Spring论坛实战==一阶段x笔记简介：本文系统化梳理Java后端开发必备的软件工程前置核心知识，摒弃碎片化概念，从软件全生命周期、主流系统架构、需求工程、面向对象分析、UML建模五大核心模块展开深度解析。内容贴合企业真实开发标准，覆盖从项目立项建模到开发落地的底层逻辑，无冗余课程话术，纯干货整理，可作为后端入门、项目实战、技术复盘的专属博客笔记。

你的 Agent 聊到第 20 轮就"失忆"？你管理的是历史，高手管理的是上下文📦 本文属于「AI Agent 全栈实战」系列支线 A 辑。所有工程细节均来自我的真实开源项目： Ticnix/weather-travel-recommend-system —— 基于气象大数据的出行推荐系统，AI Agent 全栈项目。FastAPI + PostgreSQL(TimescaleDB/pgvector/PostGIS) + Redis；LangGraph + MCP + Skill + RAG，对接 DeepSeek API。

不合格的程序员

Agent Memory架构设计与实现关键词：Agent Memory · 记忆系统 · 可解释召回 · 双存储 · MCP · 架构设计复盘