工具返回成功，后台也有结果，模型为什么还是没有用上？ 要查清这个问题，需要接通两段链路：一段记录工具怎样执行，另一段记录结果怎样进入后续模型请求。只有调用日志，排查会停在“工具没问题”；

RAG检索总被“复读机式”结果拖累？Top-K只找相似，不管重复，导致上下文冗余、回答片面。MMR算法通过平衡相关性与多样性，剔除同质内容，让上下文信息价值最大化。一个λ参数即可落地，低成本高收益。

我把自己的投资流程交给一套自己写的系统，跑了 85 天，账户浮盈最高到过 3733 元。但这钱不是它赚的。这篇文章讲的是：一套不选股、不预测、不自动下单的系统，到底帮我做了什么。

线上出问题怎么查？一套可复现的排障 SOP（O04） 一、先看问题：工具是散的，人是慌的 前三篇备齐了观测工具（日志/trace/指标），但还差最后一块拼图： 工具是散的——出问题时手忙脚乱：先看哪个

前言 如果你刚开始用 AI Agent 编程 ，大概经历过这样的场景： 让大模型改个 Bug，它把半个项目"顺手"重构了；让它写个函数，它信誓旦旦地调了一个根本不存在的 API；聊了一下午，它把早上说

大家好，我是袋鼠帝 前两天我有点无聊，好奇搜了一下自己电脑里有多少个 md 文件。 结果是14217 个。 html 也有 1082 个。反倒是 Word 文档只有 267 个，PPT 才 34 个。

DeepSeek Harness官方桌面端正式上线！免装环境，一键安装，数据与 Web 端互通；不开本地端口更安全，插件生态更便捷，进阶篇将揭秘完整架构，大家敬请期待！

事故：连续两天，日报上写着「零发布」 先交代背景。我的流水线是定时任务驱动：选题 → 生成正文 → 调「拟人化改写」打分 → 调「发布」推到平台 → 调「登记」写台账 → 汇总汇报。每一步对应一个真实

OpenViking 是一款面向 AI Agent 的开源上下文数据库，旨在统一管理智能体所需的记忆、资源和技能等上下文信息，并通过文件系统式的组织方式简化上下文检索与使用。本文将介绍如何通过

不知道你们有没有这种感觉。 不管是翻 Claude Code 的文档，还是用 Codex、WorkBuddy，总有一个词在你眼前晃，沙箱。

本文从安全隔离原理出发，对比直接 Function Calling 的风险，结合 Go 实战演示如何用 YAML 配置把 SQL 注入风险降到零。

近年来，人工智能技术的发展速度不断加快，从最初的聊天机器人，到能够理解代码、调用工具、执行任务的AI智能体，大模型正在逐渐进入软件开发领域。 过去，程序员使用搜索引擎查找解决方案，阅读技术文档，再通过

介绍长期/短期记忆、命名空间、写入读取注入、偏好记录与纠错，并对比 Memory、RAG、Checkpoint 及向量检索、TTL、共享记忆等进阶能力。

如果你做过 RAG 落地，一定经历过这种"至暗时刻"： Demo 演示时一切完美，上线第一周用户反馈："AI 说公司报销上限是 8000 元，但我查了员工手册明明是 5000 元。" 或者更糟："AI

这篇不写体验流水账。我把一台云端沙箱实例从上到下拆成三层，每层给出我量到的边界和踩到的坑：控制面管什么、运行时怎么接、计费口径怎么进预算说明。对象先钉死：阿里云百炼在 2026 年 8 月 26 日上

刷到付鹏聊 AI 周期的一期节目，这是我的学习笔记：梳理 2026 二季度真空期、token 非同质与经验护城河三个判断，并与曾鸣、吴泳铭的观点对照，最后落回我自己身上。

两台 A6000，LingBot 应该先验哪条路径？ 假设有一台单卡 RTX A6000 48 GB 工作站，以及一台 8×A6000 工作站。看到 LingBot 各项目的权重和脚本，很容易把“官方

一、开场：为什么你需要 DeepAgent 学会 LangChain 和 LangGraph 之后，很多人会经历一个"能力过剩但效率不足"的阶段： 单个 Agent 写起来很快，但一旦业务复杂起来（调

基于 deepagents，用 CompositeBackend 按路径前缀路由：/workspace 放沙箱临时代码，/artifacts 写入 OSS 持久产物，隔离 Agent 避免污染本地项目