openai

别再把 SOP 直接丢给 Agent 了，它真的看不懂本文来自花椒技术部真实工程实践。如果你也在关注 AI 工程化、企业 Agent、MCP、Skill 或研发工具链，文末有「花椒技术交流群」入口，每日帮你从海量信息中捞干货，每天几分钟，快人一步看懂 AI 趋势。

DeepSeek Harness ：当"一切皆插件"成为 Agent 的新底座2026 年 8 月 13 日深夜，DeepSeek 在推出 V4 Pro 正式版、宣布 V4 系列 API 改为峰谷分时计价几个小时后，悄悄抛出了一个开发者预览版项目：DeepSeek Harness（命令行叫 dsh）。它用 MIT 协议开源，仓库挂在 github.com/deepseek-ai/deepseek-harness，截止我写这篇文章时，预发布版本已经迭代到 0.1.0-rc.7（2026-08-17）。

基于 Pi，我居然自己搞了一个好用的 AI Agent 桌面工作台写在前面：这篇文章不是什么商业软文，就是我个人折腾的一个记录。起因很简单——市面上的 AI 编程工具要么是云端黑盒，要么想改点东西都无从下手。所以我就想，能不能基于一个开源的 agent 生态，自己攒一个本地优先、看得见摸得着的 Agent 工作台？于是就有了下面这个东西。

全栈弄潮儿

AI 写代码后，如何自己检查有没有问题？上一期我们用 AI 完成了一个简单的待办事项页面。流程大致是：代码能够运行之后，很多新手会产生一个疑问：

小四的小六

两个Agent同时写同一个Tool，数据被覆盖了——我是怎么用乐观锁修好的用户发来一条消息："我刚把配额改到 2048，过了两分钟刷新，又变回 1024 了。没报错，就是自己回去了。"

AI 的终局不会只有一个赢家：从训练数据、现实世界到多极生态最近在几个问题之间反复推敲：AI 模型公司的训练数据到底从哪来？为什么 OpenAI、Anthropic 的优势不完全等同于 xAI？马斯克旗下 X、Tesla、SpaceX 的现实世界数据，到底是不是一种长期的巨大优势？未来 AI 厂商会不会走向"赢家通吃"？

码农进化录

Java 程序员的 AI 进化论｜ AI 帮我做 MySQL 表结构升级，三天活变半天上周业务方甩过来一张改表清单：用户表加 4 个字段、订单表拆两个字段到独立子表、地址表把 phone 列从 varchar(20) 收紧到 varchar(11)、再加 3 张关联表的外键索引。一共 11 张表，37 处改动。按我以前的节奏，写 ALTER、做数据迁移脚本、配回滚 SQL、跑回归验证，三天起步。这次我拉了 AI 一起来做，从 schema diff 到 Flyway 落地，半天搞定。这篇文章记录下整个流程，包括几个坑。

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。