openai

DeepSeek Harness 源码实战第3章：Profile / Bundle / Patch——dsh 的装配系统系列：DeepSeek Harness 源码实战原文仓库：github.com/deepseek-ai…

【AI】一文读懂大模型生态：分类/参数/结构/训练/GPU/评测/排行/社区大模型指参数规模巨大、基于深度神经网络构建的人工智能模型。主要有语言模型，图像视频模型，语音模型，多模态模型（可以同时处理文本图像语音等）。本文主要描述大语言模型，即LLM(Large Language Model)。LLM大语言模型主要使用Transformer架构，在海量文本数据上进行训练，可以理解和生成自然语言。

你只是跟AI聊聊天，它已经准备好刷你的卡了如果你在做 AI Agent 或者支付相关的开发，这条新闻值得看一眼：对话式支付正在从概念走向产品层。

四大准则也还是不靠谱啊：定好了铁律，AI 照样偷懒给你看你有没有遇到过这种情况：明明给 AI 定好了详细的 SKILL 规则，AI 嘴上说"已按 SKILL 执行"，实际产出却处处偷懒——该改的不改、该选的不选、该验证的不验证。

一文读懂大模型生态：分类/参数/结构/训练/GPU/评测/排行/社区大模型指参数规模巨大、基于深度神经网络构建的人工智能模型。主要有语言模型，图像视频模型，语音模型，多模态模型（可以同时处理文本图像语音等）。本文主要描述大语言模型，即LLM(Large Language Model)。LLM大语言模型主要使用Transformer架构，在海量文本数据上进行训练，可以理解和生成自然语言。

全栈弄潮儿

让 AI 解释一段看不懂的代码：学习和接手项目都适用阅读代码，很多时候比写代码更困难。尤其是下面这些场景：这时，很多人会把代码复制给 AI，然后问：AI 可能会回答，但结果不一定适合你的学习目标。

DeepSeek Harness 源码实战第2章：Cordis——驱动 dsh 的插件引擎系列：DeepSeek Harness 源码实战原文仓库：github.com/deepseek-ai…

做前端的娜娜子

文本切片与召回（Chunk、Overlap 到混合检索）学习笔记摘要：文本切片（Chunking）把长文档切成大小合适的片段，让每段能被独立向量化与检索；Overlap 让相邻片段重叠一部分，避免语义在边界被切断。单靠向量检索（稠密）容易漏掉精确关键词，混合检索把向量通道与关键词通道（稀疏，如 BM25）的结果合并重排，显著提升召回率。核心要点：1）chunkSize 决定单片段长度，chunkOverlap 取 10%~20%；2）LangChain 用 RecursiveCharacterTextSplitter 按分隔符递归切；3）切片后每段 embedDocu

码农进化录

Java 程序员的 AI 进化论｜ Spring Boot 搭企业智能客服，从设计到上线上个月运营那边找我，说人工客服快顶不住了。8 个人的组，每天收 600 多条工单，七成是「订单怎么查」「发票能不能开」「退货流程是什么」这类翻来覆去的问题。领导拍板要搭一套智能客服，先顶住常见问题，复杂的再转人工。

全栈弄潮儿

4 个新手就能直接套用的 AI 编程提示词模板很多刚开始使用 AI 编程的同学，会遇到一个问题：于是，经常会出现下面这些提问：AI 当然可以回答。但问题太宽泛时，得到的内容往往也是泛泛而谈：

全栈弄潮儿

如何向 AI 清楚描述一个编程需求前面几篇文章中，我们反复提到一个观点：AI 输出得好不好，和我们描述问题的方式有很大关系。很多人第一次向 AI 提问时，通常只会说：

AI 运维该不该自动执行命令？"AI 在服务器上执行命令，要不要每次都确认？"这个问题很容易吵成两派：一派说，不确认迟早出事；另一派说，步步确认的 Agent 不过是个更啰嗦的命令生成器。

AI总乱改代码？一个规则文件帮你搞定！99%的人都没设置！附万能模板！大家好，我是卡卡罗特。如果你的 Agent 总是不听话，经常忘了你定的规则，胡编乱造，bug 越改越多，那多半是你少了这个规则文件。

把 AI Coding 工作流做成插件：资产、契约与运行时的三层拆分DeepSeek Harness 开源后很快突破十万 star。热度之外，更值得研究的是它的设计原则：Everything is a Plugin。

全栈弄潮儿

一周总结：AI 编程入门最重要的 3 个原则这是《AI 编程提效实战》的第 7 篇文章。过去一周，我们从最基础的问题开始，逐步认识了 AI 编程：

全栈弄潮儿

新手最常见的 5 个 AI 编程误区：避免“复制粘贴就上线”前一篇我们聊过：AI 写出的代码有时不能直接用。很多问题并不是 AI “不会写”，而是我们在使用 AI 时，很容易把它当成一个可以直接交付结果的工具。

别再只做会聊天的 Agent：我用 1 天把工具调用做成了可验证、可评测的工程系统很多 Agent Demo 到“模型成功调用函数”就结束了。但在生产环境里，真正重要的问题是：它调用了吗？调用对了吗？结果有没有被模型编造或漏掉？

使用飞书机器人让 Codex 24 小时在线：随时随地给你的 AI 工程师派活很多人已经习惯在电脑前使用 Codex：打开终端、进入仓库、描述需求，然后等待它读代码、改文件、跑测试。

全栈弄潮儿

为什么 AI 生成的代码不能直接使用？如何对 AI 代码进行检查和验证？第一次让 AI 帮忙写代码时，很多人都会有一个惊喜的瞬间：接着，一个很自然的想法就出现了：这段代码看起来没问题，是不是可以直接复制进项目？