Spring4 / SpringBoot1.x 老项目想接入 AI?不用升级框架!3 套无痛落地方案
作者指出 Spring 4 / Spring Boot 1.x 项目用不了 Spring AI、LangChain4j 的根因是 javax 与 jakarta 包名不兼容,且只影响 Spring 集成层而非大模型调用本身。
作者指出 Spring 4 / Spring Boot 1.x 项目用不了 Spring AI、LangChain4j 的根因是 javax 与 jakarta 包名不兼容,且只影响 Spring 集成层而非大模型调用本身。
作者复盘了自研 IM 系统「飞鸽」的架构选型与上线过程:后端 Spring Boot 3 多模块、前端 Vue 3 + qiankun 微前端、媒体面自建 LiveKit SFU,呼叫信令复用悟空 IM 长连接而不新起信令服务器。
作者从一篇热传的携程员工 Agent 面试帖出发,指出背题答案半年就换一茬,真正稳定的是背后的三条主线:Prompt 组装、上下文管理、Tool/Skill/MCP 的能力边界划分。
作者一人协同多个 AI 在 3 个月内完成 27 万行代码、近 3000 次提交,全年 AI 工具成本约 1.7 万元人民币。
作者用 WorkBuddy 搭配 DeepSeek-V4.1-Flash 复刻 Claude 的 Vibe Video,直接复用其提示词生成 30 秒、1920x1080、30fps 的宣传动画,效果不错。
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。
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。
HiRoute 是运行在本机的开源路由引擎,用 Jev 判断当前任务需要多强的能力并评价上一阶段完成质量,据此在 Agent 工作流中动态选择模型。
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。
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。
Claude Code 的 Agent Teams 机制让多个独立的 Claude Code 实例组成团队,通过 Team Lead、Teammates、Task List 和 Mailbox 四个组件分工协作完成复杂任务。
本文面向有 Java 与 Spring 基础的开发者,先用 Spring Boot 3.5.x + Spring AI 1.1.x 跑通最小对话调用,再梳理 Spring AI 的概念体系与适用判断。
文章主张在 LangGraph 中按数据边界而非开发阶段选择 Schema:TypedDict 适合描述图内状态字段,Pydantic 适合在 API 输入和模型输出等边界做解析与校验。官方也支持 BaseModel 作为 State 实现递归校验,但提示性能低于 TypedDict 和 dataclass;需要状态默认值时可考虑 dataclass。
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。
本教程讲解如何用 eBPF uprobe 在 cudaLaunchKernel() 调用时捕获 CPU 堆栈,再通过 CUPTI 注入库记录 GPU 内核执行,并借助关联 ID 将两端追踪合并为统一火焰图。
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。
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。
GLM-5.3-Flash 在三款免费模型颁奖词同题实测中以 0.90 均分夺冠,Kimi-K2.6 以 0.89 紧随其后,Qwen3.5-Flash 0.80 垫底。
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。
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。
作者把 Electron 37 整个打包进鸿蒙 HAP,让 DeepSeek Harness 的官方 Web UI 逐字节复用、界面零重写。
RAG 解决 Agent 如何获取外部知识的问题,Memory 则解决 Agent 如何利用之前交互记录的问题。两者结合,才让最小知识问答 Demo 开始具备持续使用的可能。
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。
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。
作者用码道 Web 版做了一个本地单文件代码截图工具,双击即可离线导出带窗口边框的 PNG。默认 15 像素字号下导出宽度固定 3000 像素,一行超过 95 个半角字符会被窗口右边裁掉,导出高度上限 65535 像素,约 830 行代码封顶。
作者实测了鱼皮开源的 ai-promo-video-maker Skill,在 Cursor 里打开项目并说「给这个项目做一支宣传片」,经过两轮需求问答后即可在项目目录生成 4K 成片。
游戏数据团队用 Databend Cloud Agent 排查周年庆后的湖仓成本异常,锁定每周仍运行 672 次的监控任务 anniversary_campaign_monitor。
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。
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。
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。
本文讲解 AI 应用如何用 A/B 实验确定性地比较提示词版本优劣,核心是写假设、定指标、算样本、跑实验、下结论五步法。作者要求离线评测与线上指标双维度都显著才采纳新版本,并给出实测:各 100 样本下 85% 对 78% 的 z=1.27、p=0.20,差异不显著。
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。
作者开发了一个供 n8n 工作流和 AI Agent 使用的批量邮箱验证 API,并总结出 SMTP 验证中的多个反直觉要点:Gmail、Outlook 等免费邮箱在 RCPT TO 阶段对任何地址都回 250。
在职前端 Leader 转行 AI Agent 学习进入第 81 天,本日复盘 Transformer 架构并实战 Transformers pipeline 的五大任务。
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。
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。
作者用 NumPy 从零实现了一个 784→30→10 结构的 MNIST 手写数字分类网络,测试集准确率达到 95.90%。网络采用 Sigmoid 激活函数与二次损失,以 0.1 的学习率进行 10 轮单样本随机梯度下降训练。完整代码保存在 neural_network_numpy.py 中,普通 CPU 即可快速完成训练。
作者用 Python 3.11 + Flask + SQLAlchemy + PostgreSQL 搭建 LLMOps 聊天机器人后端,对接 OpenAI 实现对话补全与消息持久化。
WorkBuddy 内置"腾讯轻量云专家",可直接自动连接腾讯云轻量应用服务器(Lighthouse),无需手动设置腾讯云 secret id/key。用户在"专家·技能·连接器"中搜索并点击"召唤",首次授权登录腾讯云后即可对话、执行任务。
作者让 Gemini 4 当高管、DeepSeek 当员工开发开源软件 OpenCompare,DeepSeek 独自跑了 9,993 次请求、吞吐 5.9 亿 Token,账面 12.64 美金、按 Token 套餐实际成本约 1 美金,就完成了整套开源软件和自动维护闭环。