跳到正文
10月20日周二
  1. 掘金38

    每天认识一个组件:Elasticsearch

    Elasticsearch 是基于 Apache Lucene 的分布式搜索与分析引擎,以 JSON 文档为核心数据模型,支持近实时全文检索、聚合与向量检索。它通过分片与副本实现水平扩展,采用 primary-backup 写入模型与 Query/Fetch 两阶段读取模型。该组件适用于站内搜索、日志分析和向量语义检索场景,但不适合强事务处理与大规模离线分析。

  2. 掘金64

    2026 Web 技术选型指南,AI 时代如何选择适合项目的技术栈

    本文给出2026年Web技术选型的判断框架,核心是先区分用AI辅助开发与把AI做成产品功能两类需求,再按项目形态给出候选方案。作者在React、Vue、Node.js、Python等常见比较之外,补充了代码可理解、可验证、可约束三个条件,并强调AI功能交付前要补上效果评估、工具权限与成本控制,Agent框架仅在需要模型动态决定步骤时引入。

  3. 掘金66

    RAG 路由全景:一个问题走到岔路口,谁来指路

    本文把业界 RAG 查询路由方式整理为三大流派、两个旁支、十一种指路方式,并给出选型框架。规则派做确定性快筛,相似度派扛毫秒级流量底盘,大模型派处理最难的理解,RRF 并联融合与级联降级分别消灭选择与风险。作者建议按数据源数量、延迟预算、错误代价三问选型,生产系统多为语义路由打底、逻辑路由特判、源内 RRF 融合的三层混搭。

  4. 掘金54

    登录成功就能读取任意任务 ID 吗?给 SaaS 读写加上租户范围

    本文用两组本地租户数据演示:只按任务 ID 查询的基线能读到另一租户的记录,而读取和更新语句加上 tenant 条件后,跨租户读写均被拒绝。tenant 应来自服务端已验证的登录上下文而非客户端请求;更新还需核对受影响行数,并在拒绝后回读存储确认对方记录未变。作者建议沿同一业务对象继续检查列表、导出、缓存和后台任务等入口,本文未实现 HTTP 与认证层。

  5. 掘金42

    docker-gitops:把服务器当代码管

    作者公开 docker-gitops 仓库,把三台服务器当程序管理:运行内容以 Git 为准,改动走 commit 和 push,不再 SSH 手动修改。四个实际生效的做法包括防火墙脚本、agent skill、每日两次巡检和 README 地雷图。作者的结论是只拿来跑的软件放 Compose,自己写的软件放 Kubernetes。

  6. 掘金34

    偏差-方差权衡(Bias-Variance Tradeoff):跨经典 ML、RL 与 LLM 的统一框架

    该笔记把 bias(准不准)与 variance(稳不稳)定义为“用数据估计未知量”的两个属性,指出它们属于整个估计流程而非模型本身。模型大小、回归目标(MC/TD)、损失函数、数据量与正则化都是可调旋钮,MC/TD 之于 RL、OLS/Ridge 之于回归、小/大模型之于 LLM 在数学上完全平行。

  7. 掘金54

    RAG 系统中向量化、召回与重排序服务的实现

    本文围绕企业知识库问答场景,给出 RAG 检索链路中向量化、召回与重排序服务的完整设计与代码实现。核心做法包括用 Embedding Profile 和索引代次管理向量空间,向量与关键词混合召回并用 RRF 合并候选,再由 Reranker 重排序并压缩上下文,同时将租户、权限和文档状态过滤前置。文章还给出 Recall@K、MRR、NDCG 评估指标以及超时、缓存、重试和降级等工程策略。

  8. 掘金27

    玩转 征程6 算法工具链:PTQ 工具 hb_verifier 使用指南

    hb_verifier 是地平线征程6算法工具链提供的模型一致性验证工具,用于比较模型在 PTQ 转换各阶段的计算结果,精准定位误差引入环节。它支持对 ONNX 与 HBIR(BC)模型进行逐节点余弦相似度比较,以及对 BC 与 HBM 模型进行最终输出一致性验证。用户可指定开发板 IP 让 HBM 在真实板端推理,从而排查结果异常来自模型本身还是执行环境。

  9. 掘金50

    CubeStudio 分布式训练调度与加速架构解析

    CubeStudio 解析了云原生分布式训练的调度与加速设计,核心是用 CRD+Operator 按需自动建集群,配合亲和反亲和、修正 kube-scheduler 打分策略和 kube-batch/volcano 的 gang 调度避免资源死锁。GPU 利用率低多因 CPU 操作阻塞,平台给出数据加载优化、DALI 预处理、共享 GPU 与资源动态调整等手段,目标是让多机算力线性转化为训练速度。

  10. 掘金60

    麦当劳中国开放 MCP 接口,我做了个群里请客抽奖工具「麦从天降」

    作者基于麦当劳中国本月开放的 MCP 接口(35 个工具)做了群内请客抽奖工具「麦从天降」,一个人请客、全群抽一人免单,页面没有任何付款入口。开奖采用 commit-reveal:发起时公布种子哈希,名单锁定时服务端生成 nonce,开奖用 sha256(seed:nonce:名单哈希) 计算中奖者,页面上可用 WebCrypto 验算,发起方和服务端都无法单方面改结果。

  11. 掘金18

    游戏设计:原型与开发 05:读懂动态层,理解玩家如何活在游戏世界

    动态层是玩家与机制、美学、叙事、技术持续互动产生的全部结果,静态资源须经玩家行动才成为独一无二的游玩体验。涌现是其核心:简单规则经玩家博弈可衍生出设计师未预想的复杂玩法,设计者只能靠尽早原型测试、高频试玩与系统共处。动态机制拆解为步骤、有意义的玩法、策略、玩家意图与行为结果,配合 Bartle 玩家四象限,解释玩家如何活在游戏世界。

  12. 掘金77

    Agent harness 架构六层拆解:上下文、编排、工具、模型、状态、观测

    作者把 Agent harness(模型之外的运行时)拆成上下文、编排、工具、模型、状态、观测六层,每层给出职责和一个可落地的工程判断,其中五层配 gofmt 和 go vet 通过的 Go 代码。核心主张是同一模型下 harness 粗细决定线上表现,副作用必须收口、权限不能交给模型,规划归模型、执行归代码。文末给出按六层的故障排查顺序和常见症状对照表。

    推荐理由:原文把 Agent harness 拆成六层并给出可编译的 Go 代码与每层工程判断,读者可直接对照自己的项目落地。

  13. 掘金31

    从单点探索到规模化运营:滔搏体育的企业级多智能体实践

    滔搏体育基于 AgentCore 与 AgentLoop 搭建企业级多智能体运营底座,将零售经验沉淀为可复用 Skill 与专业 Agent,覆盖一线练货、线索挖掘和门店经营场景。单月练货涉及商品超 5700 件、练货次数超 39 万次,店长单次经营分析耗时从 2 小时缩短至约 20 分钟。借助 AgentLoop 评估反馈与业务、IT、AI 团队共同运营机制,已验证能力可跨门店、跨岗位持续复用。

  14. 掘金28

    模型能力波动怎么办?网关侧做模型质量监控与自动切换

    应对大模型能力波动,可将质量监控与自动切换下沉到网关侧:网关统一采集响应时间、成功率、超时率等指标,结合业务结果评估输出质量,异常时自动将请求路由到备用模型。多模型兜底是切换的前提,通过 XApex 这类统一 API 平台一次接入可覆盖 OpenAI、Claude、Gemini、DeepSeek、Qwen、GLM 等主流模型,沉淀的表现数据还能反哺后续选型与调度。

  15. 掘金33

    程序员用 AI 接人生第一个私活:不到 2 小时到手 350 元

    作者经同事介绍接下人生第一个私活,借助 AI 编程工具 Trae 不到 2 小时完成一个微信小程序蓝牙对接页面,赚到 350 元。他先向 AI 搞清开发所需的服务 UUID 和特征值,随后让 AI 直接生成代码并完成真机调试。他总结这单能成源于朋友介绍、需求小且客户不懂技术,并建议接单者先谈好付款方式,别嫌起点低。

  16. 掘金74

    用 Ragas 量化评估 RAG 系统效果

    Ragas 是一个以 LLM 作为评判者的开源评估框架,把 RAG 系统的表现拆成检索质量、生成质量、事实正确性三条主线,每条给出可比的 0~1 分数。接入时只需让 RAG 流程额外输出 retrieved_contexts 等中间产物,不改检索和生成逻辑;无参考指标可零标注起步,有参考指标才能回答答得对不对。

  17. 掘金44

    AI 对话导出工具自制指南(1):需求与 Tampermonkey 选型

    作者为把 AI 对话导出为干净的 Markdown,放弃因 DOC 文本框导致代码块丢失的 Pandoc 转换方案,选定 Tampermonkey 用户脚本路线。该方案在页面最早阶段注入代码拦截 XHR 和 Fetch,直接捕获结构化的原始 JSON 再组装成 Markdown。专栏将交付可直接运行的脚本,目前适配腾讯元宝平台。

  18. 掘金45

    前端怎么跟进生态新技术

    前端跟进生态新技术应从"追新"转向"为我所用",核心是建立"输入→评估→试错→内化"的系统化流程,让技术真正服务于项目与成长。评估时用"风险-杠杆-可逆性"模型与生态引力判断是否投入,试错时在 CodeSandbox、StackBlitz 等在线沙盒中以玩具项目验证并控制退出成本。初级开发者优先加固 JS 与浏览器原理基础,资深开发者则侧重技术选型与架构决策。