openai

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？

用 LobeChat 接入 Ace Data Cloud：一个 Token 解锁 GPT、Claude、Gemini 等 60+ 模型如果你正在使用 LobeChat、ChatBox、LibreChat、Cursor 或 Claude Code 这类 AI 客户端/开发工具，一个很常见的痛点是：模型越来越多，供应商越来越分散，Key、额度、接口格式和团队配置都不好管理。

小四的小六

端侧模型量化踩坑之后：我重新想清楚了“快、准、小“只能选两个摘要：当模型量化导致准确率下降15个百分点时，上线还是不上线？本文基于真实踩坑经历，提出了一个分场景决策框架：核心功能谨慎量化、辅助功能可适度量化，但关键在于厘清"用户对不同功能的质量容忍度差异"。文末附可直接复用的量化上线决策清单，助你避开我踩过的坑。

AI 只解决眼前那个坑【下篇】：写进skills了，重建还是踩坑上篇把「来源、图片、鲁棒性」一处一处补齐，可聊天照样半小时出一个寂寞。这次不修功能了，改做两件事：把一路上被坑出来的教训，一条一条写进 skills；再用一个全新的项目做一次实地验收——看它到底记住了没有。

SKILL 四大铁律准则：从「AI 选择性执行 SKILL」到「铁律强制闭环」让 AI 严格执行 SKILL，靠的是四大铁律：必须满足技能的全部要求、AI 与技能冲突时一律以技能为准、使用技能后必须验证并报告、违背技能要求即生成失败必须自动重生成。本文记录 AI 选择性执行、自作主张的翻车现场，以及这四条铁律是如何被逼出来、最终提取成跨工具通用最高约束 iron-law 的。

码农进化录

Java 程序员的 AI 进化论｜用 AI 生成 Spring Boot 脚手架，省下两小时重复劳动上周新项目启动， Tech Lead 说「先把脚手架搭起来，下周一能跑就行」。以前这种活我至少得花半天——建包结构、写配置类、搞异常处理、加 Swagger 文档、配日志格式，一套下来脑子都木了。这次我换了个思路，直接让 AI 帮我生成。

番外篇四：《一个图搞定智能客服：用 StateGraph 把"条件路由"和"状态合并"玩明白》这是专栏的番外篇。番外三咱们扒开 ReactAgent，把 Graph 三件套（节点 / 边 / 状态）刻进了肌肉记忆，还用工程的 GraphDemoConfig 跑通了一个"数字拆分并行求和"的图。但那篇藏了个没说破的真相：GraphDemoConfig 的 branch 节点，分支是假的——不管奇偶，两条路都跑了，它只是演示"并行分叉"，不是真条件路由。

全栈弄潮儿

第一次让 AI 帮你写代码：用 JavaScript 完成一个待办事项清单前面的文章中，我们了解了什么是 AI 编程，也认识了常见的 AI 编程工具。这一篇不再停留在概念层面，而是通过一个完整的小案例，体验一次真实的 AI 编程流程：

番外篇三：《ReactAgent 为什么能"想一步做一步"？扒开它的 Graph 内核》这是专栏的番外篇。番外二里我们用 ReactAgent.builder() 十行代码搭了个会自己调工具的 Agent，reactAgent.call("北京和上海哪个温度高") 一调，它就自动"想一步、做一步、再想一步"直到出答案。当时我留了个扣子没解：call() 凭什么会自己多轮循环？