写代码时遇到报错很正常。 真正容易让人卡住的，通常不是“出现了错误”，而是下面这种情况： 看不懂报错信息。 把一句报错丢给 AI，得到一大堆不相关的建议。 按 AI 的方法改完，错误还在，甚至出现了新

桥接层最底下的 libs/acl/langfuse 是不含 Eino 概念的 HTTP 客户端库。出门前回答：①批量走什么协议？（batch ingestion）②base64 图片如何不撑爆管道？（

第一次正经派活，很多人会把 Prompt 写成小作文：背景三百字、注意事项五十条、格式要求从字体说到行距。发出去，等五分钟，回来的东西还是不对——漏了合计行、待

采购评审最费时间的，并不是阅读某一份文件，而是在招标要求、技术响应和报价表之间反复核对。供应商写了“满足”未必真的满足，报价更低也未必能够推荐。 我用 WorkBuddy 从零搭了一套投标审查流程。

Deepseek harness 安装配置保姆教程，带来完成新手村的速通， 包含 5 个模型供应商的案例和一个第三方插件案例。

2026 年 8 月 13 日，DeepSeek 开源了自家的 Agent 运行时框架 DeepSeek Harness（简称 dsh）。与目前主流的 coding agent 相比，dsh 的设计思

Claude Code 引入了 Task System（任务系统）。它不再是单个 Agent 内存中的临时记事本，而是一个跨进程、跨会话、多 Agent 共享的持久化任务看板。

过去几年，我们经常听到 AI、机器学习、深度学习、大模型和 Agent 等名词。它们看起来很相似，有时甚至会被混用，但实际上并不处于同一个层级。 这篇文章不讨论复杂的数学公式，而是从最基本的问题开始

我看着老板的脸色由白转红，又有点儿紫，最后有点儿黑，没说一句话。沉默良久以后老板开口说：小X啊，这个事儿公司需要开会讨论一下，你把材料留下先回去吧。走出办公室的一刻，我看着老板拿起那份账单...

把这些问题串起来后，我越来越倾向于一个判断： 而真正决定这些平台长期竞争力的，不会只是今天的模型排行榜，而是数据、Agent、算力、现实世界反馈与用户生态共同构成的闭环。 一、训练数据从哪里来？一个经

开篇 "AI 都是 Python 的事"——这种说法在 2023 年也许成立，在 2026 年已经不准了。

最近采购同事聊到一个很具体的任务：为桥梁隧道结构健康监测项目比较几家传感器供应商。采购方关心的不只是总价，还要核对光纤应变、裂缝位移、倾角、振动传感器的参数和数量，以及数据采集仪

你的 Coding Agent 不是「不够聪明」，经常是 git status、测试日志、find 结果把上下文窗口灌满了。

上一期我们用 AI 完成了一个简单的待办事项页面。 流程大致是： 代码能够运行之后，很多新手会产生一个疑问： 答案是：不一定。 代码没有报错，只能说明它暂时没有触发明显错误。 它仍然可能存在： 没有满

上一篇把 Eino 的切面机制拆完了：一个 16 行的高阶函数包装，加一个挂在 ctx 里的注册表。 机制有了，这篇把它用起来——接 Langfuse，给 Agent 装一台"行车记录仪"：每次 LL

模型圈一直都很热闹，每月都有各种新的模型出来。 最近一个月，国产大模型不断推出新模型，Step 3.7 Flash、MiniMax M3、GLM-5.2、Kimi K2.7 Code几乎都是前后脚发布

最近，GLM 5.2 接连刷屏，国产模型又热闹起来了。 加上 DeepSeek V4、MiniMax M3，还有阶跃星辰的 Step-3.7-Flash，国产大模型这一波可以说是你追我赶，热度一下子又

事情是这样的。 昨晚摸鱼刷推，看到吴恩达发了一条长得离谱的推文，一千多个英文单词，配了一张图，叫The AI Engineering Skills Map，AI工程技能图谱。 我读了两遍，把图存了下来

DeepSeek 便宜好用，偏偏"看不见" 用 DeepSeek 的人是越来越多了。理由也简单，便宜，还越来越强。现在装上这个skill,像DeepSeek这样纯文本模型也能识图了