openai

第3篇：《AI的JSON强迫症：我让大模型只回答能解析的格式》承上：上一篇我们把提示词管得服服帖帖，但AI的回答还是一段自由文本。前端同事说“你返回的文案我直接展示还行，但要做二次处理就得靠正则硬匹配，太不靠谱了”。确实，一个正经的后端接口，返回值怎么能没有Schema？

第2篇：《Prompt不是玄学：我把提示词放到了配置文件里》承上：上一篇我们跑通了第一段AI对话，但看着代码里硬编码的那句“请用Java程序员的风格写一首五言绝句”，我浑身难受——一个写了十年Spring Boot的人，怎么能忍受魔法字符串到处乱飞？

第1篇：《Java老鸟的第一行AI代码：我让Spring AI帮我写了首诗》起：作为一个写了十年CRUD的Java老鸟，我从来没想过，让机器写诗会比写一个查询接口还简单。开始写代码之前，先解决一个让我纠结了好久的问题。

小四的小六

WebView 在 AI 时代的三个被低估的价值——从自己的 AI 产品里找到的答案前阵子跟一个做 AI 产品的朋友聊天，他看了一眼我的技术栈，很直接地问我："LLM 和 WebView 八竿子打不着的关系，你是不是技术惯性太大了？"

Ai拆代码的曹操

opencode 源码：工作单元的生命周期管理场景：Agent 打开一个目录就开始工作了——但 opencode 怎么知道这是个什么项目、是不是 git 仓库、之前有没有 session？路径：packages/opencode/src/project/ → instance-context.ts / project.ts / instance-store.ts

Ai拆代码的曹操

源码拆解：opencode 如何封装 Git 实现自动 diff 和 review场景：Agent 修改完文件后，怎么知道它改了什么、怎么 review 变更、怎么回退？opencode 用两层抽象把 git 封装成类型安全的 Service。路径：packages/opencode/src/git/index.ts → packages/opencode/src/project/vcs.ts

OpenAI模型，自主入侵顶级AI公司系统！后背发凉！7月16号的时候，Hugging Face发布了一则公告，公告里面说他们的系统被AI Agent入侵了。

瑞幸也AI上了？我用AI命令行帮我点了一杯咖啡，但是我花了不止一杯咖啡钱前一阵子瑞幸搞了一个 Skill，简单说就是通过AI帮你点咖啡。其实整个原理说起来并不复杂，都是一个AI掉接口的过程，有兴趣的朋友可以解一下官方的 Zip 包看一下。

opencodex 解锁 Codex 任意模型，一个本地代理打通 Claude/Kimi/GLM/DeepSeek大家好，我是若风。你大概有过这种憋屈，打开 OpenAI 的 Codex CLI 或者 Claude Code，界面很顺手，Agent 跑任务也很流畅，但你就是想换个脑子试试。手里明明有 Claude 的 Max 订阅、有 Gemini 的 API、本地还跑着一个 DeepSeek，可 Codex 就是认死了它自己的后端，你 codex -m deepseek-chat 它理都不理你。

WAIC现场，这家公司让一群不同的机器人共用一个大脑热热热热热！今年 WAIC 现场，大家对 AI 的热情，像上海的气温一样持续攀升。去年逛 WAIC，机器人就已经很忙了。它们在展馆里写书法、舞龙、击鼓、打拳、踢球，也会调酒、按摩、拆快递、叠衣服，或是从货架上取下指定商品。

AI编程入门教程02-LLM发展历程，AI 御四家十年风云：OpenAI 分裂、Anthropic 出走、谷歌掉队、马斯克上桌大家好，我是卡卡罗特。这是我的AI编程入门教程的第2章。这篇文章主要想跟大家聊一下 AI 的发展历史。

GPT-Red：自动化红队如何形成 Agent 安全数据飞轮（4 个闭环 + 6 类评测指标 + 5 类风险误读）**一句话核心论点:**GPT-Red 的意义不在于"AI 会攻击 AI",而在于把威胁模型、攻击搜索、真实工具后果、失败语料和回归门禁连接成持续更新的安全数据流水线。

又一个顶级 AI 终端诞生了！Kaku 开源，实测安装配置+分屏对决大家好，我是二哥呀。有没有想过，一个终端窗口里，左边跑 Claude Code，右边跑 Codex，两个 Agent 同时给我们干活是什么体验？

# 第3章记忆系统：构建Agent的长短期记忆人类之所以能进行复杂的对话和决策，是因为我们有记忆。同样，一个实用的Agent也需要记忆能力——它需要记住之前的对话、积累的知识、以及用户偏好。本章将深入探讨如何为Agent构建完整的长短期记忆系统。

小四的小六

MCP Client实战翻车记：两个Server同时跑，AI调错了Tool前面写完 MCP Server 那篇文章之后，我又接了个需求：让一个 Agent 同时调两个 MCP Server。一个查 SQLite 数据库，一个查本地文件系统。Agent 跑了一轮，返回了一个答案。我看着答案觉得不太对，对了一下原始数据——AI 给出了文件系统里的"张三"，但用户问的是数据库里张三的订单记录。

Java 后端 → 实时语音 AI 转型复盘：4 个 FDE 技术底座 + 6 个差距 + 6 类职业资产路线我的职业起点是 Java 后端,近两年进入机器人创新中心,开始负责或深度参与实时语音 AI 模块。工作链路逐渐跨越端侧音频、WebRTC/WebSocket、STUN/TURN、Go/Python 网关、ASR、LLM、TTS、GPU 推理、机器人播放与动作,以及 P50/P95/P99 和首音等端到端指标。回头看,这种工作已经不再是单一后端开发:问题来自真实交互现场,故障跨越多个技术边界,最终标准是完整系统能否稳定工作。这与 Forward Deployed Engineer 的技术底座高度相似。但要成

FDE 到底是什么：为什么 AI 时代重新需要前线部署工程师（4 个标准 + 8 类风险 + 10 个问题）(原文原封不动放置于此,8 张图已替换为带 alt 的 Markdown)FDE(Forward Deployed Engineer)常被翻译为"前线部署工程师",但"部署"不是这个职位最重要的部分。FDE 的核心是把工程能力放到客户或业务问题发生的现场:从模糊问题、价值和工作流开始,亲自设计并构建生产系统,推动用户采用,再把现场形成的重复模式反馈给产品和研究。AI 时代重新放大 FDE,不是因为模型难以调用,而是因为模型能力与可持续业务结果之间存在数据、权限、评测、工具、可靠性、组织流程和采用等多层缺口

第2章大脑构建：提示词工程与思维链如果说Agent的架构是骨骼，那么提示词就是大脑中的神经元连接。一个好的提示词能让模型从"差不多"变成"精确可控"，而思维链（Chain of Thought）则让模型从"直觉反应"升级为"逻辑推理"。本章将系统性地讲解如何构建Agent的大脑。