跳到正文
10月20日周二
  1. 掘金73

    一次 429 打挂全站,我连夜重写了整个熔断器

    自建 LLM 网关因单个上游 key 返回 429 触发全局熔断导致全站静默,作者连夜将熔断器重写为按 key 粒度的三态状态机。重构按错误码语义分类,401/403 硬错误直接隔离,429/529 走带随机抖动的指数退避,并叠加最小请求间隔、在途请求上限和令牌桶三层节奏控制。上线一周后全站静默从日均 3 次降为 0,单 key 故障影响面从全体用户收窄到该 key 约 20% 的流量份额。

  2. 掘金76

    Remotion / GSAP+Three / HyperFrames / Skia 四栈实测:代码渲染知识视频的选栈方法(附开源技能)

    作者用同一套视觉元素在 Remotion、Remotion+GSAP+Three、HyperFrames、React Native Skia 四条技术栈各渲染一条 720×1280 / 30fps 样片,抽帧质检全部通过,并整理出 32 项 × 4 栈共 128 格能力矩阵。

    推荐理由:同一套视觉元素四栈并排实测并给出 32 项能力矩阵,选栈方法与抽帧质检脚本可直接迁移到自己的代码渲染视频项目。

  3. 掘金58

    Agent 控制项选型:成本模型与决策框架(第 14 章)

    本章提出 Agent 质量控制项的选型框架:按前馈/反馈与计算/推理交叉出四象限矩阵,用三连问决策树确定该用哪种控制,并给出 Token 经济学成本核算法。核心原则是先计算后推理、先前馈后反馈,高频场景优先付一次性搭建成本做成计算型控制项。控制项并非越多越好,过度约束会拖垮自主循环、诱发规避行为,应按长期零命中、高误报、被系统性绕过三个信号主动做减法。

  4. 掘金35

    状态机驱动长事务,还是 DAG 编排高并发?高可靠业务流程引擎的双核架构设计

    “宏观状态机治理长生命周期、微观 DAG 驱动高并发异步任务”的双核流程引擎架构,配套开源 Lab 14 实战工程,完整验证 Kahn 算法动态调度与 Saga 逆序补偿闭环。宏观 FSM 以乐观锁管理流程实例顶层状态,微观 DAG 基于 Kahn 算法实时维护节点入度,入度归零即并发发射至线程池。节点执行与状态跃迁均同步写入事务性事件账本,重启后 Watchdog 重放事件流即可断点续跑。

  5. 掘金35

    多智能体连续时间内路径规划:AA-SIPP(m) 的 Rust 实现与算法

    AA-SIPP(m) 的 Rust 实现拆解了多智能体连续时间路径规划的数据结构与算法主体。规划器基于 SIPP 安全区间构建搜索状态,采用按行分桶开放列表、arena 关闭列表与优先规划策略,解决 50 台 AGV 在 64×64 仓库的路径冲突。算法通过祖父重连实现 any-angle 移动,并以连续时间碰撞检测保证智能体身体不重叠。

  6. 掘金50

    万物|炼器:从零手搓工业级旋转目标检测网络·卷5 —— YAML 蓝图与 parse_model 动态引擎(一)

    本卷教程讲解如何用 YAML 配置文件描述旋转目标检测网络的拓扑结构,并交给 parse_model() 引擎自动组装,实现配置与代码分离。第4卷硬编码的 YOLOLikeDetector 被等价翻译为 yolo-obb-mini.yaml,涵盖基础参数(nc: 2、ch: 3)、缩放系数、backbone 与 head 四部分。

  7. 掘金78

    OpenAI 的 Agent 改完配置又改回去,两个月后才被回扫发现:给自家 Agent 补一套发现链路

    OpenAI 错位行为披露页显示,一起 Agent 越界事故事发近两个月后靠回扫才被发现,作者据此拆出范围基线缺失、只看结果不看动作等四个发现断点,并给出范围契约、动作级审计、检测规则、回扫与止损四层发现链路。

    推荐理由:作者把 OpenAI 披露页当事故档案拆出四个发现断点,并给出可在本机沙箱复现的四层发现链路与七条自查清单。

  8. 掘金59

    AI 工程师精讲 15:DPO 如何不训奖励模型、不做强化学习完成对齐

    本文讲解 DPO(Direct Preference Optimization)的数学原理、工程优势与适用边界。其核心是利用最优策略与奖励函数的一一对应关系把奖励模型从目标函数中消去,训练退化为类似监督微调的稳定流程,同时驻留的模型从四个降到两个。代价是失去在线探索能力且对偏好数据噪声和长度偏置更敏感,因此它适合语气、格式等局部偏好对齐,而推理等需要探索的能力训练仍依赖在线强化学习。

  9. 掘金65

    Claude Skills 装了就等于能用吗?给 Claude Code Skills 建一套首跑验收流程

    作者指出 Claude Skills「已安装」不等于「已可用」,并给出一套首跑验收流程。技能按渐进式披露加载,description 常驻系统提示,装 50 个技能约占用三千到五千 token 的上下文预算;验收设触发可达性、上下文注入、环境跑通、产物合规、幂等复跑五道关卡,附 Python 验收脚本,并建议先验收再囤积、用触发回归做持续治理。

  10. 掘金75

    如何写 Skill 第6课:Skill 分诊五连问看病指南

    作者给出 skill 静默失败的五问分诊树,按装载、触发、正文、脚本、接口五层依次排查,每层只认自己的证据渠道。description 要过三道关,需量两次判两次,第一量单字段对 1024,第二量拼接 when_to_use 后对 1536。触发是概率判断,一次不算数,证据靠 6 到 10 条查询的批测加 on/off 基线,另附一条 30 秒跑完七查的 audit_skill.py 命令。

  11. 掘金46

    AI产品经理需要具备哪些能力?

    AI 产品经理能力可拆解为初级四项硬技能与高级四项软技能两级体系。硬技能覆盖模型评估、数据质量管理、Prompt 工程与技术工具应用,软技能转向商业洞察与 ROI 驱动、跨部门协作、伦理与合规治理、战略权衡。中国该岗位 2025 年同比增长 369%、薪资高出行业均值 35%,传统产品经理转型约需 3-6 个月,技术背景人才约需 4-8 个月。

  12. 掘金60

    企业 Agent 接不进现有系统?跨厂商协议网关选型与接入自查

    本文提出企业 Agent 接入现有系统的“接入三道坎”分析框架,对比 A2A、MCP、传统 API 网关与工具网关四类方案。文章指出 MCP 标准化的是连接而非治理,业务级鉴权、幂等与审计仍需在网关层集中处理,并给出一段可运行的 Python 接入自查脚本与六关清单,覆盖协议、身份、权限、幂等、审计与数据边界。

  13. 掘金76

    RAG 工程实战(五):正确知识已经进入 Prompt,为什么大模型还是会答错?

    文章分析 RAG 已把正确知识放入 Prompt 但大模型仍答错的原因,指出问题在于模型如何理解、选择和使用知识,并给出知识治理、证据组织与生成校验的分层方案。

    推荐理由:文章把检索正确但答错的根因拆成知识冲突、证据组织与生成校验三层,并给出可落地的元数据约束与分层校验方案,可直接迁移到企业 RAG 设计。

  14. 掘金65

    阿里云云通信团队研发端到端交付提效实践:数字分身加流水线作业模式

    阿里云云通信基础产品研发团队分享全链路 Agent 作业模式,以云端数字分身承接需求并路由,配合九大工序流水线实现端到端交付,简单需求端到端交付率为 66.7%。分身沿用人的权限作业,按需求风险等级 R 与能力等级 L 门禁渐进扩展边界,单个分身可并行处理三到四个需求,已推广至国内短信、智能语音、智能调度、国际短信四条业务线。

  15. 掘金61

    AI 数据库地图:从 PostgreSQL 到向量数据库,一次看懂 AI 时代的数据底座

    作者梳理了 AI 应用中九类数据库的定位与选型逻辑,指出不存在包办一切的 AI 数据库,传统数据库、向量数据库、搜索引擎、图数据库和分析引擎各解决不同问题。核心建议是从 PostgreSQL 等统一底座起步,先用全文检索,再按真实瓶颈逐步引入 pgvector、专用向量数据库或分析引擎,避免过早堆叠复杂技术栈。

  16. 掘金50

    AgentScope Java 进阶:2.如何精准定义问题类型与处理"不确定性"?

    AgentScope Java 的 JEV 模块通过 Noul、Choice、Score 三种问题类型,将模糊的大模型输出转化为结构化、可量化的 Agent 决策。它利用 JevJudge 与 JevExecution.Decision 等状态枚举,严格区分“评审结果”与“执行决策”。针对低置信度等不确定性,JEV 要求按工具选择、执行防护等具体场景分别进行回退、拒绝或保留弃权状态处理。

  17. 掘金45

    粗排:推荐系统如何在毫秒级筛出值得精排的内容?

    推荐系统的粗排位于召回与精排之间,需在10到20毫秒内从召回的1万个候选中筛选出1000条交给精排。粗排的核心目标不是直接预测点击率,而是借助LTR中的配对法RankNet预测精排模型的排序结果。其架构从统计打分、逻辑回归、双塔模型演进到阿里巴巴的COLD方案与知识蒸馏的教师-学生模式,在速度与精度间取得平衡。

  18. 掘金24

    精排:推荐系统如何给内容打分?从多目标预估到分数融合

    推荐系统的精排模块通过预估点击率、完播率等多目标分数并进行加权融合,生成统一的排序结果。权重参数可通过网格搜索确定,或将点赞、转发等行为折算为播放时长这一核心指标以降低系统复杂度。经典模型 Wide and Deep 结合了线性结构的记忆能力与深层神经网络的泛化能力,以兼顾用户对熟悉感与新鲜感的需求。