国产最贵、速度还慢，凭什么还是国产之光？Kimi K3 前端能力全球第一梯队，长任务处理稳，还是开源模型，这次是真敢跟顶尖闭源模型掰手腕了。

1. 为什么开始学这些 我是一名典型的学院派，一直以来秉承的思想是，如果要弄懂一个领域的知识，那么一定要从它最基础的概念开始学起。LLM、Agent大家都会用，但模型是如何理解文字，又是如何生成答案的

AI Harness，助你成为 AI 全栈开发！ git submodule + domain init，以及对 AI 的一些思考

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

OpenAI 的首款硬件不是"音箱"问题:无屏 AI 伴侣成立的十二个条件 TL;DR(三行:场景/结论/产出) 场景:Bloomberg 报道 OpenAI 首款硬件为可移动、无屏家庭 AI 伴侣,

最近这段时间，国内外模型更新得很快。 如果只看发布会和榜单，大家都会觉得每个模型都很强。参数更大、上下文更长、推理更强、价格更低，听起来都挺猛。 但真正用到工作流里，会发现另一件事：模型强不强，不只看

最近这段时间，国内外模型更新得很快。 如果只看发布会和榜单，大家都会觉得每个模型都很强。参数更大、上下文更长、推理更强、价格更低，听起来都挺猛。 但真正用到工作流里，会发现另一件事：模型强不强，不只看

现在，大家对基础模型能力诉求越来越高了，不再满足文本输入，而是混合输入。 比如一张界面截图、一份业务图表、一页扫描合同、一张发票等，模型不仅要能看懂文件中的内容，还要能把内容变成可执行的步骤、提取结构

🦩前言 在日常生活中，我们或多或少会遇到过这种情况： 跟 AI 聊了半小时，方案写得头头是道，然后你还是得自己打开飞书，一个字一个字把内容贴进去，手动建表格、手动发消息、手动约会议。 AI 说了很多，

前言 2024 年以来，大模型应用开发中最火的技术栈非 RAG 莫属。RAG（Retrieval Augmented Generation，检索增强生成）已经成为 LLM 落地的最佳实践之一——它让大

OpenAI 暂时取消 Plus、Business、Pro 套餐的 5 小时使用限制，Codex 随便用。同时梳理近期 AI 模型大乱斗：Fable 5 被迫第三次延长、Grok 4.5 翻身

如果你要设计一个 CLI 工具的启动流程——用户敲了 opencode run，到 AI Agent 真正开始处理问题之前——你觉得中间需要做多少准备工作？ 一个直观的想法是：读一下配置文件，加载必要

你好，我是 Guide。先算一笔账：**ChatGPT Plus 套餐 $20/月，现在可以直接用 GPT-5.5**。Claude Opus 4.6/4.7 呢？Pro 套餐同样是$20/月。 相同

AI 记住的信息越多，不一定越好用。 几百段对话、几千条用户反馈、多个项目里的历史决策都被保存下来以后，新的问题出现了：这次任务到底该拿哪几条出来？ 如果旧规则、过期事实和其他项目的信息一起进入上下文

龙虾漏洞太多...我准备换成企业级、更安全、自由度超高、含阿里生态的悟空,因为悟空有OpenClaw几乎所有的能力，自由度也非常高（可以自定义模型，自定义Skills、MCP）而且更安全，更易用。

本书从AI Agent基础原理、核心组件、场景实战、评测体系、性能调优、安全合规，完整落地了从0到1的工业级Agent工程体系。前十五章聚焦当下可用、落地可控、商用合规的实战技术，解决开发者「怎么开发

Tool描述要像给不懂业务的人写API文档一样详细，依赖版本一定锁死。前一个是设计问题，后一个是工程问题。做MCP Server这两件事都绕不开。

Codex简介 AI时代真的风水轮流转，前段时间最火的还是Claude Code,转眼间Codex就火得一塌糊涂。 Codex是由OpenAI 推出的AI智能体。 起初呢主要用于编程开发，后面慢慢进化

通俗来讲，Harness 是将工程学的思维，整理成范式束缚在Agent上，让Agent能够更规范、更稳定的工作。 立项决策 → 需求规划 → 评审规范 → 实施验证 →复盘改进