不调框架、不用 `EventSource`，只用原生 `fetch` + `ReadableStream`，把"AI 一个字一个字往外蹦"这件事从原理到代码亲手实现一遍

当古诗词遇上 AI：从 38 万句诗词中取一个好名字 缘起 给新生儿取名这件事，对很多新手父母来说堪比一场「信息战」——要查八字五行、翻诗词典故、算五格吉凶、排除谐音梗，最后还得在家族群里投票。

得物是全球领先的集正品潮流电商和潮流生活社区于一体的新一代潮流生活方式平台。复杂的业务场景和极致的用户体验追求，对数据库运维和选型提出了更高要求。

Harness 之后，下一步是进化搜索——在离散空间里自动优化提示词、Skill 乃至 harness 代码本身。梳理 2023-2026 年 10+ 篇论文，按进化深度分五层。核心判断：跑不跑得起来

Gliding Horse 整体架构拼图：当 AI Agent 有了自己的操作系统 去年我写了一系列文章，拆解 Gliding Horse 的每一个子系统——记忆、技能、工具、门禁、事件总线、知识图谱

给个人配AI能加速3到10倍,但组织整体的产出周期几乎不变——问题不在"人"这个节点上,在"人和人之间的协作依赖"这条边上。这篇文章用三条分布式系统的老定律讲清楚原因,再给一套不管你是leader还是

本文目标：读完你应该能建立三层认知，并有一份能演示的代码支撑： 机制层：讲清 Function Calling 的职责边界——模型只输出结构化调用意图（tool_calls），执行权始终在你的代码手里

一、什么是 AI Loop？先读懂核心思想 1. 行业现状：放弃手工调 Prompt，循环才是标准答案 海外一条 700w 浏览量的技术推文提出核心观点：低效的手动调试提示词已经过时，AI 工程的核心

一、总体生命周期概览 ACP 定义了智能体间协作的 5 个宏观阶段。 正常路径为注册发现 → 连接握手 → 能力协商 → 任务执行 → 终止。 为应对生产环境中的节点故障、能力降级与多候选节点选择，协

为什么你调的 LLM 接口不值钱？——从零理解 Agent 开发的正确姿势 一、开篇：一个让你重新思考的问题 来，先看一段代码： 三行代码，一个 AI 对话就跑起来了。你看着终端里流淌出来的文字，心里

只看公开 X/Twitter，AI 能读懂一个人多少？我做了个开源工具，答案比想象更有意思。AI 前沿 + 自己动手做项目 + 开源 + 技术思考！

一、引言 在并发编程中，锁与同步器是构建线程安全程序的基石。许多开发者能够熟练使用 ReentrantLock 或 CountDownLatch，但当被问到“如何自己实现一个锁”时，往往停留在 syn

在构建 LLM 应用时，开发者很快会面临一个共同挑战：单个 LLM 调用不够用。直接在业务代码中用 if-else 和循环来编排这些逻辑，很快就会变成难以维护的"意大利面条代码"。

🔥 从点积到 Transformer：我终于搞懂大模型是怎么"猜"出下一个词的了 📌 前言：一个让我困惑了很久的问题 我第一次读 Transformer 论文时，被满屏的公式劝退了。Q、K、V、Sof

GBrain的"混合检索"是Agent Memory的参考实现：如果你正在设计Agent的记忆系统，GBrain的"向量+关键词+图谱"三层架构值得借鉴。

前两周，我在小号「第二曲线增长」上发了一篇介绍文章，入池干到 2 万阅读，量不多，但直接带来 20 万销售额。 文章从选题调研、写稿、改稿评审、排版到发布，全程 Claude Code 执行。我只做了

Memory、Skills 与上下文工程 —— deepagents 第三阶段实战手记 目录 回顾：前两篇文章结束时 Agent 能做什么？ Memory：让 Agent 拥有"长期记忆" Skill

本文是得物技术专家在 AICon 上海演讲整理的技术实录。 「得物推荐 AI Harness 工程化实践系列」的开篇内容，本系列共三篇连载。将系统拆解得物推荐复杂业务场景下，AI代码从生成、防护校验到

AI Agent 组成：像人一样思考的智能体 全局架构图 在展开各层之前，先给出一张全局架构总览——以 MLLM 为中心，把感知、大脑、思考方式、记忆、动作、能力协作、Skill 全部画在一张图上，看