后端

Litefuse 开源并推出单进程轻量模式，25 秒就能跑起来的 Agent 可观测与评估平台在前一篇文章 Litefuse 正式发布：Agent 可观测与效果评估，比 Langfuse 成本低 88% 中，我们介绍了为什么 Agent 时代需要新的方法论 EDD（Evaluation Driven Development），通过 “观测-评估-优化” 闭环来应对大模型幻觉、路径规划走偏、工具调用失败、上下文腐化等 Agent 特有的不确定性问题，Litefuse 如何把 Trace 采集、可视化分析、数据集管理、实验运行与评估这一整套实践 EDD 方法论的能力产品化。

秒级弹性、最高降本 70%：SelectDB Serverless 如何重塑云数仓资源效率过去十年，数仓从"上云"走向"云原生"。然而在资源管理层面，一个根本性矛盾依然存在：业务负载具有波动性，而资源规格通常只能依据峰值提前锁定。

Spring AI ChatMemory踩坑实录：重启丢数据、Agent丢记忆、对话溢出你有没有这种感觉——AI应用聊着聊着，突然问你"咱们刚才聊到哪了"。恭喜，你遇到了金鱼脑AI。作为一个被Spring AI折腾了半年的Javaer，今天聊聊ChatMemory这个让人又爱又恨的组件。从内存版到Redis持久化，再到分层记忆架构，踩过的坑比想象的多。

我用Go语言开发了一个跨平台的HTTPS抓包和调试工具在用Swift开发原生iOS HTTPS抓包调试工具后，虽然在很多地方加入AI能提升效率，但小屏幕操作效率始终不高。

神秘面具男

HarmonyOS 6.0跨端远程控制各位掘友们好，前面发表过自己在学习鸿蒙时总结的一些小笔记，而这篇则是我学习的实现！我就卖关子了，直接开门开门见山！我利用AI的帮助实现了跨端远程控制。可以在win/mac系统电脑上控制鸿蒙的2in1/pc设备。具体如何实现的呢？请听我一一道来。

苏三说技术

全网爆火的Loop到底是什么？这两天AI圈有个词特别火，叫做Loop。起因是OpenClaw创始人Peter Steinberger发了条推，说“你不应该再给编程Agent写提示词了。你应该设计循环来提示你的Agent。”

神奇小汤圆

Loop Runtime 架构拆解：别再手动催 Agent，先把工程闭环跑起来过去一段时间，很多人使用 Coding Agent 的方式其实还停留在"远程结对"：把需求写清楚，补一段上下文，等它返回结果，再继续追问。这个办法有用，但杠杆不高。人始终站在循环中心，Agent 只是被动响应。

幽默，一个 Github 名字叫“马尾辫”，但是他给你省了 80% 的 token这两天我注意到一个 Github，刚看到的时候，还是有点搞笑的。看到这个 readme ，你第一反应是不是会想到又是哪个大聪明在恶搞。

程序员晓琪

约定大于配置：基于 Java 包名自动生成 API 版本路由的最佳实践你有没有遇到过这种情况：项目里有几十个 Controller，每个头上都顶着一行：某天需求来了——要上线 v2 接口，于是你开始一个一个改注解……

RAG Embedding 模型选型承接上一篇文本分层分块模块，文档解析产出的标准化 Markdown 经过标题树分层、Token 感知分片、重叠语义补齐后，形成了语义完整、长度可控的结构化 Chunk 队列。Embedding 嵌入层作为 RAG 离线流水线最后一道预处理关卡、同时也是在线检索链路的第一道计算入口，承担着「自然语言文本 → 高维语义向量」的统一转换职责。

用户55982248122

Claude Code + DeepSeek V4 Pro 说"不行"时，别信Claude Code 连续三次判定"数据无法恢复"，我坚持让它上网搜索后，最终解决了问题。本文关注的是 AI 说不行时，你怎么让它行的过程——具体细节不重要，重要的是方法。

Manus Agent：一个全能 AI，和一支研究团队系列「企业级 AI Agent 实现拆解」E16 篇。上一篇 E15 讲了 Multi-Agent 基础模式——Host-Worker 和 Plan-Execute-Replan。这篇看一个更完整的实战案例：Manus Agent。先从单个全能 AI 出发，再拆解 deer-go 研究团队，搞清楚"什么时候用一个 AI，什么时候用一支团队"。

破局全栈：前端开发的Java入门实战记录—JPA（2）这篇是前端转全栈从 0 上手 JPA 的全过程，全是踩过的坑 + 真实跑通的代码。JPA = Java 世界的 ORM（对象关系映射）。和你写 Node 后端时用的 TypeORM / Sequelize 是同类东西：操作对象就操作数据库，不用手写单表 SQL。

RAG 系统如何实现全链路追踪：AOP 埋点与流式调用追踪实践在 RAG 问答系统中，一次用户提问通常不会只调用一次大模型。完整链路可能包含：会话记忆加载、问题改写、意图识别、歧义判断、知识库检索、Prompt 组装、模型路由、流式输出等多个阶段。

C# 工控上位机必备：数据转换工具类与十个核心模块搞工业上位机软件，数据转换是绕不开的活儿。串口收上来一堆字节，得转成有符号整数、浮点数、工程量；要给PLC发指令，又得把工程值打包成字节数组。每个设备厂家的大小端还不一样——西门子是大端，Modbus是大端，有些国产设备又是小端，稍不留神数值就完全不对了。

神奇小汤圆

一文读懂 OpenAI Codex 源码的原理、架构与未来如果你第一次打开 codex-main 这个源码目录，很容易被它的规模吓住：顶层有 npm 包、Rust workspace、SDK、app-server、MCP、插件、技能、沙箱、TUI、云任务、线程存储、模型提供商、登录认证等大量模块。它不像一个传统命令行工具，也不像一个简单的 ChatGPT 包装器。更准确地说，Codex CLI 是一个“本地运行的智能软件工程代理”：它能理解用户目标，读取项目上下文，调用模型推理，决定是否执行命令或修改文件，把工具结果回传给模型，再持续推进任务直到给出最终结果。

AI 是最好的混乱放大器：代码熵管理实战技术债是高息贷款——每天小额偿还，别让它滚雪球。OpenAI 的驭缰工程团队在实验初期遇到了一个意想不到的问题：

掘金者阿豪

写了很多内容后，我还是决定给自己搭一个Typecho博客不知道你有没有过这样的经历。辛辛苦苦写完一篇文章，发到某个平台上。过了一段时间再回头去找，发现文章被折叠了；或者平台改版之后，过去积累的内容越来越难被看到；有时候甚至因为规则调整，原本正常发布的内容也变得无法展示。

打了3年羽毛球球才发现：我对自己的装备和胜率一无所知我是个打了快3年的羽毛球业余玩家，前段时间突然有了很多想法，能不能记录一下我到底打过多少场球；一根线能打多少场；不同的球拍、球线胜率真的会不一样吗？和哪个球搭子胜率最高？