在两台 Mac Studio 上跑 800B 模型:MLX + RDMA over Thunderbolt 实测与四道门选型法
2026 年 10 月 15 日,Meta 发布开放权重模型 Muse Spark Open(总参数 816B、每 token 激活 42B、1M token 上下文。
推荐理由:原文把厂商演示与可验证数据分开列出,并给出四道门选型框架,读者可据此判断自建 800B 本地底座是否成立。
2026 年 10 月 15 日,Meta 发布开放权重模型 Muse Spark Open(总参数 816B、每 token 激活 42B、1M token 上下文。
推荐理由:原文把厂商演示与可验证数据分开列出,并给出四道门选型框架,读者可据此判断自建 800B 本地底座是否成立。
作者提出一张开发状态交接卡,把需求来源(S)与检查证据(E)分开记录,解决换对话后新助手误读“已完成”总结的问题。卡片保留任务、当前版本、延期项、材料入口、检查结果、未验证项与下一步,并规定只有证据版本与当前版本一致才采用 pass 或 fail,否则显示 unverified。文章附一个 Python 3.12 标准库示例程序演示状态映射,并给出分两轮交接的提示词要求和适用场景。
楠风在 MySQL 8.4 LTS 实验环境中演示慢查询排查流程,把“接口慢”反馈整理成可复查、可交接的诊断材料。流程涵盖设计 JSON 证据记录、会话级短时采集慢日志并恢复原值、mysqldumpslow 分组,以及用 EXPLAIN ANALYZE 与 data_lock_waits 验证扫描、事务锁等待与库外等待三类假设。
作者借助 Qoder / 通义灵码 等 AI 工具,将 Excel 报表生成需求拆成小步 Prompt 逐步完成 Python 脚本,最终 pytest 跑出 34 passed、总销售额 18,500.00。
Google 在 Antigravity 桌面端、CLI 及 IDE 扩展中向非试用的付费 Pro、Ultra 和 Enterprise 用户放开 Gemini 4 Argon,免费、试用及优惠 Pro 只能在菜单看到名字而无法调用。
阿里云 Agent 观测与优化平台 AgentLoop 以无侵入方式接入 Dify 应用的模型与工具交互,提供运行观测与审计能力。其审计能力包括风险审计、意图审计、实体调查、审计事实与自定义审计,帮助团队从已有运行记录中发现敏感信息暴露与风险意图,并把问题定位到 HTTP、Code、LLM 等具体节点。审计助手 Loopie 还支持用自然语言描述检查要求,辅助生成自定义检测规则并经人工审核后启用。
AI 海报素材站管理端以结构化 Prompt 模板配合异步任务队列实现出图全自动,运营无需设计师介入,几分钟内即可批量重刷整个栏目数十张封面。系统采用本地 ComfyUI 与阿里云 DashScope 双引擎,经 AiImageClient 统一出图入口按配置动态切换,上层业务代码完全无感知。
TinyRobot Kit 0.5.1 将 AI 对话数据层拆分为 useMessage、useConversation、responseProvider、存储策略与插件五个可独立组合的边界。
本文讲解了如何用 Codex 智能体维护 Obsidian 本地 Markdown 知识库,让 AI 承担内容整理、模板生成、标签规范化和索引维护工作。核心做法是先在 CONVENTIONS.md 中定义目录与标签规范,再用统一模板让 Codex 补全技术方案初稿,并通过每周巡检检查无标签笔记、孤立文档和过期内容。
某 MSP 引入轻帆云 AI 数字员工,将 NOC 告警接收、分析、报告生成与通知交由其自动完成,初步分析报告可在分钟级形成并按客户 SOP 定级送达。一线确认后 AI 员工可继续深入排查,为二线专家整理现场信息与排查线索,排查过程受沙箱隔离、TLS 加密与受限只读等安全约束。新客户接入可复用已有岗位职责与工具配置,缩短新增服务能力的形成周期。
TermSim Engine 是基于 Spring Boot 3.3.5 + Thymeleaf 的终端风格模拟经营游戏引擎,引擎与 JSON 游戏文件分离,换一个 JSON 就换一个游戏,自带「街角小卖部」和「街角饭馆」两套完整游戏。
LangGraph4j 用条件边 addConditionalEdges 实现动态路由:源节点执行后由 action 读取运行时 state 返回键,再经 mapping 查表得到目标节点名。
作者用一个可本地重做的最小演示定位 HTTP 200 但页面仍显示草稿的问题,根源是确认接口返回 status 而前端读取 state,取值为 undefined 导致界面不更新。文章沿入口、请求、响应、消费、展示一条链给出六位置检查表,并说明应先依据前后端实际约定决定改哪一边,另附空白检查卡与 demo.py 复现步骤。
本文是「前端转 AI 100 天」系列第 24 天,作者用 httpx + pytest 给 FastAPI 项目补齐 API 层测试。核心是 TestClient、dependency_overrides 与临时数据库三件套,配合 MockLLMClient 和跳过认证的依赖覆盖,23 个 API 测试 2.41 秒跑完、覆盖率达 90%。
AI、机器学习、深度学习与大模型是层层包含而非并列的关系:大模型属于深度学习,深度学习属于机器学习,机器学习则是实现 AI 的方法。文章用 Python 代码演示,1 层神经网络解 XOR 异或问题准确率仅 50%,加深到 2 层即达 100%,直观说明"深度"带来能力跃升。实际开发中,表格数据宜先用经典机器学习,图像、语音、语言等任务才更适合深度学习或大模型。
作者将 Agent 身份与授权层实战周五篇内容压缩为 12 条上线 checklist,并附约 120 行仅依赖 Python 标准库的授权中间件 agent_guard.py。
作者基于 FastAPI 搭建了一个 AI 聊天后端,支持会话管理、历史消息查询、多轮上下文、SSE 流式推送与消息持久化。核心实践包括用 AsyncOpenAI 配合 async for 实现完整异步链路,在流式生成器内独立创建 Session 保存 AI 回复,以及用 parent_id 加 version 保留重新生成的多个回复版本。
本篇把自建字符级 GPT 的注意力重组为融合 QKV 投影,改用 PyTorch 的 scaled_dot_product_attention,并加入 Token Embedding 与输出层权重共享、统一参数初始化和残差投影缩放。改造不改变 Transformer 的数学结构,但参数组织方式变化导致旧检查点无法直接加载,需在新目录重新训练,并用因果性测试验证模型仍不读取未来位置信息。
作者实测复盘指出,并发 Agent 数量不等于有效工程吞吐量,盲目把单 CLI 任务切成多 Agent 协同会踩进 Prompt 缓存击穿与 Token 账单暴增的陷阱。
10月跨平台框架集体进入RC冲刺与短板补齐:Flutter稳定版升至3.47.7,React Native 0.88连发五个RC并合入React 19.3.0。
作者为开源逆向工具 REA 做了 Windows 免安装 GUI「REA-UI」,153 个命令的表单全部由 CLI 自带的 JSON Schema 自动生成,不硬编码任何命令名,REA 升级后只需重新刷新目录。绿色包 62 MB 解压即用,源码以 MIT 许可开源;作者还绕过 REA 直接调 Ghidra headless,把 1038 个函数的批量反编译压进约 11 分钟。
作者公开了一套全流程由 AI 完成的 3D 游戏制作方法,PRD、场景图、3D 资产、代码与调试都交给 AI。
作者把一份已评审的小程序建设方案 PPT,借助 AI 做成可点击、可演示、可拿去评审的交互原型。核心方法是在 PPT 与原型之间增加产品说明 Markdown 层来明确边界,用多 HTML 页面加公共 JS/CSS 先跑通主路径,再通过 A/B 业务差异说明、小步迭代和问题清单逐步收敛,最终沉淀为一套可交付的产品材料。
如一 Agent 架构解读系列第二十一篇,分析单 Agent 在上下文质量、执行成本、串行时间线和注意力总量上的四类结构性约束,并给出如一的受管 SubAgent 体系设计。
在 dsh 上装了 4 个插件,真正能用的只有 2 个:宿主从 0.2.1-alpha.2 升到 0.2.1-alpha.4 后,停在 alpha.2 的子代理插件被守卫静默跳过,"派子代理"能力悄悄消失。
作者认为 Agent 产出不确定,单次跑通可能只是运气,必须改用统计方式——跑多次、看通过率与分布;测试量因此上升一个数量级,必须自动化,而自动化先要用例集与金标准。由此提出“测试驱动升级版”:先把“什么算对”定义清楚,再让它驱动架构决策与代码优化,并给出可回环的五步流程与三条纪律,其中引用无伪证等硬线零违反、不能用平均分盖过。
大一新生在开发开源微内核项目 Vaelin(留白)时引入十几个 AI 工具,为此设计了一套“状态树(State Tree)”多 Agent 治理架构,把项目状态从 AI 对话历史中剥离,固化成由 python tools/state_tree.py 自动生成的 Markdown 状态树。
文章主张模型调用失败先按阶段分类,只有网络中断、429、5xx 等暂时性故障才做有边界的自动重试,参数错误和认证失败直接终止。有边界重试由最大次数、指数退避(delay = min(8, 0.5 × 2^attempt) + uniform(0, 0.2))、jitter 和降级出口组成;拒答、截断、格式错要按根因处理并把失败写入 Trace。
AI 无限画布开发者选型的核心是底层渲染引擎、多模态节点编排、API 开放能力、算力调度、数据安全、运维容错六大工程化指标,而非单纯的生图效果。星宇智算无限画布开放瓦片尺寸、重叠率等分片渲染参数,配套星桥 API、组织/项目/画布/节点四级权限与星元按量计费,同时支持 SaaS 与私有化部署。技术团队应先明确业务场景、并发规模与合规约束,再以基准、压力、并发等 POC 用例的实测数据完成选型决策。
排查自动化工作器"步骤过多(6>5)"报错发现根因:规划器 decompose 默认 max_steps=6,执行器守卫 MAX_STEPS=5,常数不同源导致系统自己生成的 6 步计划被自己的守卫静默拒绝。这类 bug 不崩不抛异常,拒绝信息混在普通失败里,容易被误读为"能力不足"并系统性低估成功率。修复建议优先把超过 5 步的目标拆成两个子任务,而非直接放宽守卫上限。
实测多款主流无限画布发现,团队协作、画布内 AI 生成、大文件加载三大核心维度差距显著,星宇智算无限画布三项能力同时覆盖、表现突出。测试固定 5 人并发编辑 15 分钟、800+ 节点超大画布等统一基准,覆盖通用白板、普通节点式 AI 画布与专业画布三类产品。
作者拿到两套配置相近的八卡整机(8×RTX 5090 对 8×RTX 4090D),连续 7 天循环跑 vLLM 推理、ComfyUI Flux 绘图和 LoRA 微调,实测显存、吞吐、功耗与多卡稳定性。
这篇教程带你在终端安装并启动 Claude Code,用 todo-cli 示例走完读代码、小改动、跑测试、Git 回退的最小闭环。文中还整理了 8 个常用命令、权限确认清单,以及 CLAUDE.md 的写法原则。
企业 AI 治理需落在预算、权限、会话、效能四个维度,建立长期运转的体系。预算按部门项目设额度预警,权限将调用收口到统一入口托管密钥,会话串联多轮对话做追踪与敏感内容检测,效能区分流量并以智能路由匹配模型。落地前提是所有调用走统一入口,XApex 等平台一次接入 OpenAI、Claude、Gemini、DeepSeek、Qwen、GLM 等模型,在网关层统一配置。
Claude Code 是 Anthropic 推出的终端型 AI 编程 agent,本文记录从零开始的安装、登录与常用命令,并对比它与 Cursor、GitHub Copilot 的区别。
LangGraph 中 ReAct 循环节点支持静态与动态两种实现方式。静态实现通过条件边判断状态 current,小于 5 时不断累加 1 并回到循环节点;动态实现利用 Command 的 update 与 goto 参数指向节点自身形成自循环,达到条件后跳转到 END。两种方式均基于 StateGraph 与 MessagesState 构建状态图。
该专栏以 Redis 8.6.x 为主线,按“业务痛点→对话→代码实战→总结”结构,覆盖单机入门、数据结构实战、缓存架构、源码剖析与 SRE 落地全路径。基础篇(第 1-16 章)借电商系统实战数据结构与缓存模式,高级篇(第 32-40 章)深入事件循环、持久化、复制与 Cluster 源码及模块开发。每章以可运行命令、代码或故障演练完成闭环。
作者分享 ai-engineering-agent,把软件工程全流程(需求、PRD、原型、契约、前后端实现、测试、变更日志、一致性核验)沉淀为文件资产,核心主张是上下文不该活在对话里,而应活在文件里。
千万三角面工业模型可在网页端完成轻量化:先定位高面数零件,再手动逐零件「减面」或用 AI 一句话智能减面,闭环内导出标准 GLB。AI 助手可按"减到 50 万面"等指令自动反推各零件保留比例,危险建议会被拦截且全程可撤销。另有「移除小物体」「移除不可见模型」等全局清理及孔洞、法线修复工具;减面不承诺零损失,交付前需人工复查。
作者团队对研究型 Agent 的答案发布做了两轮治理。第一轮统一了 AnswerBlock 结构契约,却让运行时、发布层和恢复层各自保留裁决权,导致部分正文仍被隐藏;第二轮把候选正文提取、附件降级和发布处置统一收归 Publication 模块,其他模块只提供事实而不再二次裁决正文。