首页

baocut 开发工作流：先定技术方案与界面原型，再让 AI 智能体编码

dotey 以自己的开源项目 baocut 新增字幕样式为例，展示 AI 智能体参与开发的流程：先调研并写技术方案，经作者多轮审阅定稿，再确定界面与交互原型，之后才实现代码。作者认为，先用接近正式界面的原型收集反馈，比直接修改最终代码更省时间和模型 token。测试由智能体先做，作者再亲自检查新功能及边角问题；人的重点是定义问题和最终验收。

仅基于配文整理

codemode 为什么选用 quickjs：务实考量

Armin Ronacher 表示，团队为 codemode 选择 quickjs，是出于务实考量。短帖未展开具体技术理由、方案比较或实现方法。

Pine 云计算机服务：让应用通过 SDK 调用内置 AI 智能体

svpino 介绍的 Pine 服务让应用接入一台内置且已运行 AI 智能体的云计算机。应用通过 Pine 的 SDK 创建云计算机，再用普通英语给智能体分配任务；智能体可访问浏览器、文件和命令行环境。执行期间，应用会收到通知，任务完成后可取回输出，形成从分配任务到接收结果的调用流程。

仅基于配文整理

AWS 也有了新的开源沙箱

Simon Willison 提到，AWS 也有了新的开源沙箱。帖文没有给出项目名称、具体功能或使用条件，仅凭这条消息还无法判断它能用于哪些任务、如何运行。

levelsio 尝试用 Opus 5.5 将多人 DOOM 引擎 Odamex 移植到网页

levelsio 称，今天用 Opus 5.5 将开源 DOOM 引擎 Odamex 移植为可在网页运行、支持多人游戏的 WASM 版本，30 分钟内得到可运行的结果。Odamex 原本面向 Mac、Windows 和 Linux，作者选择它是因为其多人联网表现较好。他还让 Opus 5.5 从零创建游戏机器人，称这部分用了 10 分钟。

仅基于配文整理

Typesense：支持自然语言查询的高速开源搜索引擎

Typesense 是开源搜索引擎，能把自然语言要求转成筛选与排序条件，再查询用户的数据。例如，查找价格低于 $40,000、年份晚于 2020 的 BMW，并按里程从低到高排列。svpino 在与团队合作的推广帖中称，它搜索 32 million records 仅需 30 milliseconds，但正文未提供测试配置。

仅基于配文整理

有损推测解码：部分回答加速方案可能增加安全风险

这篇解读讨论有损推测解码：由小模型先写草稿，大模型再验证，以加快回答生成。文中称，部分方案只让任务准确率下降少量，却可能明显增加越狱与提示词注入攻击的成功率。研究提出 SecureSD，加强对开头生成内容的检查，在所测基准上改善安全表现，同时保持与现有方法相近的效率和效果。做推理优化时，可以把这类安全测试一并纳入验收。

仅基于配文整理

AI 智能体时代，前端怎么变？读懂 AG-UI、A2UI 与 MCP Apps 的分工与协同（上）

作者用订单退款确认案例区分三种 AI 智能体前端标准：AG-UI 负责传递回复、进度和状态，界面仍由前端设计。A2UI 让智能体描述所需控件和数据，再由前端动态绘制表单、卡片，前提是有匹配的组件目录与渲染器。MCP Apps 让外部工具附带可复用的 HTML 交互界面，但宿主必须支持该扩展。三者可单独采用或组合使用，具体协同方法留待下篇展开。

Spring Boot AI 实战第12讲：企业智能体平台实战

javascript.js 在「Spring Boot AI 实战」第12讲中汇总企业 AI 智能体平台的架构与研发路线：以 Spring Boot 3 为底座，让智能体循环思考、执行行动，并接入知识库检索、Java 业务工具、MCP 协议和带人工审批的工作流。配文给出从工程搭建、用户鉴权到权限沙箱、成本看板与 Docker 交付的15步概览，可用于梳理平台模块与开发顺序。

仅基于配文整理

SpringBoot AI 实战 11｜AI 智能体平台工程化

作者给出 Spring Boot AI 智能体从演示走向企业上线的工程化思路，重点是权限控制、外部工具接入、调用追踪与租户成本治理。核心做法是自定义 ChatClient Advisor 拦截器：调用前过滤敏感词、检查模型 token 余额，按用户权限筛选工具，调用后统计用量、异步扣减配额并上报链路。敏感工具需二次鉴权，租户日/月预算设硬熔断。

仅基于配文整理

Peter Steinberger：从 X 触发团队任务，再按代码经历找人

Peter Steinberger把团队智能体接入X，触发工作后将未分配会话留给成员认领；智能体还会查找相关代码最近由谁处理，并提醒对应的人。他称可热加载的插件让团队服务器扩展能力更方便。可参考任务入口、分派与上下文匹配的组合，帖子未提供部署步骤。

Spring Boot AI 实战09：AI 智能体记忆与多轮会话

作者用 Spring AI 与 Redis 讲解如何保存 AI 智能体的对话上下文，让多轮问答延续前文。记忆分为当前会话的短期上下文与跨会话的长期用户偏好，后者通过向量库或键值存储检索召回。落地示例侧重会话记忆：用 RedisChatMemory 集中存储，再给 ChatClient 挂载记忆组件并绑定会话 ID；文中称这会自动读取历史、加入提示词，并在回答后回写 Redis。

仅基于配文整理

Diffusers 开发规范：仅支持已发布模型权重实际需要的功能

Hugging Face 的 Diffusers 在开发文档中新增约束：只实现已发布模型权重需要的配置选项、代码分支和类，每个配置参数都须出现在真实发布的配置中。未来模型需要的选项应随该模型的 PR 一起加入；运行时参数也只应添加官方流程、示例或操作方案实际传入的参数。文档还要求删除无法执行到的代码路径，让代码更容易审查。

diffusers 修复 Cosmos3 FP8 张量并行报错

diffusers 的这次补丁修复 Cosmos3 FP8 在张量并行时的属性报错；张量并行是将模型张量拆分到多个设备处理。改动让分区逻辑仅处理线性层，跳过 ModelOpt 量化器子模块，避免因 TensorQuantizer 缺少 weight 属性而报错。

Krea 2 文本编码器输出标注为去噪器输入字段

Hugging Face 的这次 Krea 2 代码提交，为提示词的文本特征及对应掩码添加标记，明确这些中间输出属于去噪器的输入字段。负向提示词的特征和掩码也添加相同标记，但这两项输出仅在启用 guidance（引导）时提供；改动集中在输出字段的元数据。

正式参考价值分；依据原始文字；未评价画面质量；未评价完整视频、运动、剪辑或声音

GPT-6 系列模型实践指南：选型、成本控制与生产评估

OpenAI 于10月2日发布 GPT-6 系列实践指南，建议按任务选择模型与推理级别。指南建议通过缓存和上下文压缩控制成本，并用任务成功率与延迟评估生产表现。

NVIDIA DGX Spark 64GB 为开发者提供更多构建和扩展本地 AI 的方式

NVIDIA 预告面向本地 AI 开发的 DGX Spark 64GB 统一内存配置。该配置本月将通过 Acer 等制造商伙伴提供，目前信息仅来自官方 RSS 摘要，完整售价、性能及现货状态尚未核实。

RAG 检索系统的三层拆解：怎么找、谁来做、怎么跑得快

维小灿将 RAG 的检索部分拆成检索策略、组件职责和运行性能三层。策略上，向量检索匹配语义、关键词检索匹配字面，两路分数不能直接相加，用 RRF 按排名融合结果，必要时再用重排模型细排。组件上，向量数据库负责保存向量、原文与来源，并建立索引、执行搜索；性能上，用 HNSW 和图结构减少向量比较，或用 PQ 压缩向量，节省内存和计算。

MemPO 源码学习笔记（5）：用 GRPO 训练智能体记忆

作者从源码解释 MemPO 如何训练长任务中的智能体记忆：除了最终答案奖励，还比较完整轨迹与记忆上下文对正确答案的预测能力，为每轮记忆增加质量信号。结果优势与记忆优势相加，后者仅作用于记忆片段，再通过统一的 PPO 更新训练模型。GRPO 用同题多条轨迹的组内统计替代价值评估网络，但记忆评分会额外增加一次前向计算。

拆解 JEV（下）：AI 智能体系统中的 8 类典型应用场景

作者建议把 AI 智能体中高频、答案有限的判断交给 JEV：输入当前状态和判断标准，返回选择、评分或判断结果及概率，用于下一步动作、工具路由、风险检查等。8 类场景沿用同一分工：大语言模型负责规划与生成，JEV 做快速判断，程序负责执行与验证。作者提醒，当前决策模型不支持视觉理解，也可能误判；是否更快、更准，仍需上线前评估。

归藏技能仓库新增 monorepo 产品 esbuild 配置透传与 README 影片展示

归藏技能仓库将 integration.config.mjs 的 `esbuild` 配置透传至构建，并在 README 增加完整产品影片展示。影片表包含 CodePilot、Zed 和 T3 Code，展示源自产品的设备，并补充 monorepo 集成说明。

产品宣传片 Skill 更新：先确定视觉方向，再制作动画

guizang-product-video-skill 把视觉方向设计放到了写代码之前：先根据产品特点选择表现手法、安排逐秒镜头，再开始制作。更新还支持批量检查静帧、分段渲染草稿，并从实际画面导出多种比例的封面。它适合需要反复审阅和调整产品宣传片的场景；提交记录也修复了音轨导出可能超出影片时长的问题。

来源冻结，保留历史评分；当前未重新评审

SREAgent v3.0 发布：毕玄谈 AI 运维不止于提效

贝联珠贯在云栖大会发布 SREAgent v3.0，面向企业运维，升级系统理解、根因诊断、对话和持续优化能力。厂商称，它可梳理系统依赖、串联多源故障证据，将诊断结果送入现有聊天和工单流程，再结合处置结果与人工反馈迭代。毕玄强调，AI 运维的价值应从个人提效延伸到组织协作与核心业务稳定性；原文提供 v3 云上版本体验入口。

MemPO 源码学习笔记（4）：Rollout 多轮轨迹与记忆奖励的实现细节

作者拆解 MemPO 的多轮对话轨迹生成与记忆奖励计算：先生成完整轨迹，再构造“系统提示＋原始问题＋当前摘要”的上下文，与完整历史对比预测正确答案的概率，用来衡量摘要保留了多少有效信息。计算只关注核心答案的模型 token，并分别过滤两种上下文中概率不超过 50% 的部分。作者指出，两路可能因此使用不同的答案片段，导致摘要的得分虚高；这些过滤只影响记忆奖励，不影响最终答案的对错判定。

作者称 DeepSeek V4.1 Flash 以“30万”成本跑起来

作者称，DeepSeek V4.1 Flash 已以“30万”成本运行起来，内容指向本地部署与 DIY 主机方案。现有文字未说明硬件配置、部署步骤、运行效果或“30万”的具体单位，因此只能确认这一成本表述，无法据此判断方案细节。

JEV：一个不会写代码的模型，为什么拿下4000万美元？

作者认为，TypeSafe AI 的 JEV 将判断与生成分开：输入文本和预设问题，返回分类、分值与概率，可用于客服分流。关键价值是校准概率可作业务阈值，但不保证单次判断正确；替代转人工判断前，仍需与现有模型并行验证。JEV 是早期访问的闭源商业 API，输入 $0.042 / 百万 token、输出免费；官方称中文准确率目前偏低。

baoyu-design 新增水彩动画模板，并改进布局与导出

baoyu-design 新增了水彩动画起步模板，可以用代码绘制并回放水彩效果，也提供绘制过程和渐显动画组件。这次更新还调整了文字对比度、随屏幕尺寸变化的布局，以及 PDF 导出规则；无法使用托管绘画工具时，保留可移植的替代实现。做网页或交互演示时，可以用它尝试水彩风格的动态呈现。

baoyu-design 修复 design-canvas 滚轮缩放过度并按滚动突发锁定判断

baoyu-design 修复 design-canvas 滚轮缩放过度问题：将每次滚轮缩放调整为每次点击 10%，并在 200ms 静默窗口内按一次滚动突发决定缩放或平移。锁定状态只能从缩放降级为平移，Pinch 与 Safari 手势路径不变；同时补充 design-canvas-patch.md 和测试标记，防止上游同步静默覆盖补丁。

正式参考价值分；依据原始文字；未评价画面质量；未评价完整视频、运动、剪辑或声音

机器人／物理 AI 智能体 Harness 综合分析与对比：从「更强的模型」到「更好的系统」

作者比较五个机器人、手机与通用 AI 智能体项目，认为可靠性提升还要靠 Harness，即模型外围的控制与编排层。共通方法是分开决策与执行、把动作封装成可组合技能、将经验外置复用；例如 RPent 让大语言模型规划，冻结的视觉-语言-动作模型只负责接触操作。对比同时提醒：评估基准不等于可部署工具，优化收益需匹配预算验证，模拟器结果也不能直接代表真机表现。

Harness 如何解决登录系统迁移的验证难题

贾曼鑫团队在登录系统迁移中，用标准化构建和个人隔离环境解决公共环境不便模拟故障的问题。AI 通过受约束的技能调用 Makefile 构建、推送镜像，小 TKE 界面负责部署到个人 DevCloud，开发者再模拟 Redis、数据库不可用，检查降级行为。这套方法以已有 Dockerfile、Helm 等部署资产为前提；小 TKE 不对外分享，可复用的是工作流设计。

SREAgent 团队反思：Harness 不再是垂类 AI 智能体的核心竞争力

SREAgent 团队认为，管理上下文、工具调用和长任务运行的 Harness 支撑层，正被模型厂商承接，不再是垂类 AI 智能体的核心竞争力。作者称，新版 SREAgent 结合 DeepSeek Harness 后，自有评测表现变差；删除重复且冲突的部分后，效果恢复甚至更好，但未提供量化成绩。文章提出应重新审视这类工程投入，对新的核心竞争力是什么仍保留悬念。

Thoughtworks：AI 交付要围绕业务成果、责任与分步验证

Thoughtworks作者把AI项目交付拆为目标、人员、治理、执行和价值五部分：先明确业务成果与责任，再分阶段试点，并用验收、缺陷和业务变化评估效果。文中迁移案例将18项AI技能、12个共享提示词与结对、同行评审结合，强调成效来自工程协作，不能直接推广为所有项目的提效承诺。

jina-ocr-v1：在低成本 GPU 上更快解析文档

Jina AI 发布 jina-ocr-v1，将扫描页、照片或 PDF 转成 Markdown，保留表格和公式。它通过先预测、再验证后续文本加速；厂商单卡 L4 测试中，Eager 与 CUDA Graph 模式的最佳加速比分别为 1.95x 和 1.17x，收益随运行方式变化。可通过 API 调用或本地部署；本地推测加速需 vLLM 0.21 以上，权重采用 CC BY-NC 4.0，限非商业使用。

从零构建 AI 智能体（二）：用 Responses API 与大模型交互

这篇教程用 OpenAI Responses API 演示 AI 智能体与模型交互的基础：管理会话历史，区分流式回答与工具事件，再由客户端执行工具并回传结果。配套 ZeroAgent 示例还覆盖请求取消和订单信息的结构化提取。运行需配置 API 密钥、模型及兼容 Responses API 的服务地址；各服务对存储、推理和工具调用的支持不同，须查文档并实测。

从零构建 AI 智能体（一）：技术选型

作者从零构建 AI 智能体，采用前后端分离架构，以终端交互界面（TUI）作为首个前端，并在尝试 Go 和 Python Textual 后选择全栈 TypeScript。他称切换到 OpenTUI／Ink 生态后，界面卡死与渲染异常得到解决，并以统一技术栈为由选用 TypeScript 后端。工程上，他建议从项目初期建立日志与测试能力；较复杂、脆弱的界面端到端测试则用于低频按需校验，而非高频 CI 阻断。

Qoder Mobile Use 在 AI IDE 中构建鸿蒙、安卓与 iOS 的智能体验证闭环

Qoder 推出 Mobile Use 插件（Beta），支持安卓、鸿蒙与 iOS 从代码修改到设备交互、结果确认的验证闭环。开发者通过 Canvas 圈选问题区域，智能体通过 CLI 在同一设备会话中运行应用、执行交互并收集验证证据，结果不符时可返回代码修改后再次验证。插件已在 Qoder 桌面端与 Qoder IDE 中上新，通过各平台适配器接入现有开发环境，并以统一的技能与 CLI 提供观察、操作和验证流程。

Better Harness：把 Agent 调用记录连接到交付结果

Better Harness可读取多种Coding Agent的本地记录，跨项目查看模型、工具、Skill和token活动。文章进一步提出，将这些活动关联到需求、代码变更和验收结果，才能判断方法是否有效、是否值得复用。当前看板已能观察执行活动，完整任务证据关联仍在探索，不能把调用次数当成交付成效。

AI 用 GPT-Vis 生成图表时，默认值为什么比配置项更重要？

AntV 认为，AI 选对图表类型还不够，默认样式与交互应让首次渲染的结果就能阅读、核对。GPT-Vis 1.0.1 已调整默认值：单系列用单色，密集标签自动旋转并隐藏多余标签，悬浮提示集中显示同一时刻的多系列数值；用户仍可覆盖配置。它已接入 Sive，由 Sive 查询和计算，GPT-Vis 只展示确定结果，不重新聚合数据或推断业务原因。

深入 DeepSeek Harness 系列（五）：Cordis 源码解读

作者用 cordis-demo 拆解 Cordis 的插件生命周期：依赖服务尚未注册时，插件先等待；服务注册后重新检查依赖并启动。定时器、事件监听等操作会保存撤销函数，卸载时按注册的逆序清理。服务扩展则分两层：声明合并让 TypeScript 识别新增属性，运行时注册让属性真正指向服务实例。这是源码机制讲解与可运行演示，生产级 Cordis 还有额外的作用域和异步重载等机制。

ROS 2 常用指令速查表：环境开发与通信调试

作者将 ROS 2 高频命令整理成两张速查表，供写代码和调试机器人时查用。一张覆盖工作空间构建、包管理、节点、计算图、话题查看与消息发布；另一张覆盖服务、参数、动作、rosbag2、启动、生命周期和系统诊断。作者推荐按 source 加载环境 → list 找对象 → info 看详情 → echo/call 验证数据的顺序排查。