Cursor 能自动写代码、创建项目、执行命令，背后靠的是 Agent + Tool 的组合。本文从零搭建一个 mini-cursor，实现文件读写、目录列表、命令执行等核心 Tool，并用 Lang

TL;DR 场景：高并发、长上下文、RAG 与 Agent 场景下的 LLM Serving 显存压力排查与容量规划 结论：模型权重只是入场券，KV Cache 才是动态显存账本；并发、上下文、输出三

好的 Code Review 需要深厚的知识储备和极大的耐心，而人恰好在这两样上都有限度。 AI 不会倦怠，不会漏看一个空指针，也不会对连续十次同样的缩进错误感到厌烦。

理解 vLLM PagedAttention：把 KV Cache 从连续显存变成可分页的系统资源 TL;DR 场景：在线 LLM 推理服务受 KV Cache 动态增长和碎片化限制，无法高并发承载请

读完这篇，你将完整理解从"用户说了一句话"到"Skill 返回结果"之间发生的每一件事，包括匹配、加载、安全校验、执行和监控。

摘要 1. MLOps链路断裂：训练评测部署监控各管一摊 痛点现场 某城商行风控模型团队训完模型丢给工程部部署，工程部按通用流程上线没接效果监控。上线两周坏账率从0.8%升到1.5%才发现模型衰退——

核心结论（金字塔塔尖） Agent 的本质是给 LLM 补上它天生缺失的五种能力——Memory、Tool、RAG、MCP、Skills——从而把一个"只能聊天的大脑"变成一个"能记住上下文、能动手执

别再傻傻调 API 了！手把手教你搓一个能干活的 AI Agent 如果你也有过类似的体验，那这篇文章就是为你写的。 先搞清楚一个问题：Agent 到底是个啥？ 很多人以为 Agent 是什么高深莫测

深度解析 AI Agent 的记忆系统 如果说大语言模型（LLM）是 AI Agent 的逻辑大脑，那么**记忆系统（Memory System）**就是它的知识库与情感纽带。 一个没有记忆的 AI

直到我随手在项目里加了个 CLAUDE.md 文件，再让它写，突然就稳了。输出的代码和我预期的几乎一模一样，连注释风格都对上了。我就好奇，这不就是把 prompt 写文件里了吗，怎么效果差这么多？顺着

2026年大模型API调用平台性价比深度分析 💰 本文档基于 2026 年最新市场数据,从价格、模型能力、平台稳定性、合规性等多个维度,深度分析国内外主流大模型 API 调用平台的性价比表现,为个人开

深度解析 AI Agent 的 ReAct 模式 在人工智能领域，我们曾经历过两个极端：一种是只会“纸上谈兵”的 LLM（逻辑强但无法干预现实），另一种是只会“按部就班”的自动化脚本（执行力强但缺乏逻

在传统软件工程中，我们推崇“代码复用”；但在 Agent 参与的工程中，能产生复利的东西从“代码复用”变成了“知识复用”。 日常开发中我们会常遇到一个问题：某个复杂的 Agent 框架踩了像是路由失效

📝 AI Agent 四大核心模块 1. 规划 (Planning) 这是 Agent 的“大脑”逻辑中心，负责将复杂目标拆解为可执行的步骤。 任务分解 (Task Decomposition)： A

Batching 才是 GPU Serving 的第一性原理 TL;DR 场景：自研 LLM Serving 框架，或在 vLLM / SGLang / TGI / TensorRT-LLM 之间选型

大模型的训练过程通常被形象地比作“一个孩子的成长过程”。目前业界公认的主流路径主要分为四个核心阶段。 以下是按照先后顺序排列的详细阶段： 1. 预训练阶段 (Pre-training, PT) ——

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！

本文拆解 LLM 长上下文 5 大陷阱：Lost-in-Middle、KV Cache爆炸、TTFT劣化、截断幻觉、上下文污染，给出 5 种截断压缩策略，附具体代码。

文章详细讲解了如何编写高质量的SKILL.md文档，从设计决策到具体实现要点。主要内容包括： 封装差的SKILL.md会遇到的三大问题：描述模糊导致召回失败、执行步骤不清晰、缺乏安全约束。