当沉香之乡遇上 Seed-2.1-pro：我用 AI 给村子做了一个数字门面 前段实践我在抖音上发过一条视频，内容很简单：免费用 AI 帮 100 个人解决需求。实操记录！

最近在啃 55873 生态的系列文档，读到第 20 篇 "资产钱包" 的时候，我停下来认真看了很久。 为什么？因为市面上叫 "钱包" 的东西太多了 ——MetaMask、Coinbase、Ledger

[Agent Memory / 强化学习] MemPO源码学习笔记 ---(5)--- GRPO 0x00 概要 0x01 原理 1.1 现状 1.2 GRPO 1.3 PPO vs GRPO 1.4

流水线运行是否正随时间变得更加集中？ 数据与完整代码来源： 数据集简介 围绕“流水线运行是否正随时间变得更加集中”这一问题，这里使用了一份流水线运行记录数据。数据以逐条运行的形式组织，每条记录对应一次

2026 年 9 月 15 日，由前 OpenAI InstructGPT 核心作者 Diogo Almeida 创立的 TypeSafe AI 宣布获得 4,000 万美元种子轮融资，并推出了其首个

搜"af1"得给"空军一号"。得物搜索把召回从"做选择题"改成了"写答案"——不再"找"最像的，而是让模型自己"生成"你真正想要的。搜索是怎么从"检索"走向"生成"的？

做过复杂垂直领域（尤其是生命科学、材料、药理等）Agent 的同学，大多踩过一个极度痛苦的坑： 写通用代码或找 Bug，我们有 SWE-bench 和单元测试（Unit Test），跑一次就知道通没通

尼泊尔河流流量：天气驱动的预测与高流量风险 数据与完整代码来源 本笔记本使用一个日频数据集，涵盖 2023-01-01 至 2026-08-31 期间 尼泊尔的 10 个河流测站。每一行对应一个站点-

fal 公布的一组数据是：H3 Max 生成一段 5 秒、768p 视频，模型推理时间约为 2.46 秒；H3 Max Turbo 又把这个数字降到了约 1.54 秒。 这已经低于视频自身的播放时长，

vivo 蓝图实验室提出妆容迁移框架 ART，通过两阶段训练将监督信号从合成伪目标逐步锚定到真实参考图像。该方法有效解决了复杂妆容迁移中的细节丢失与身份漂移问题，在多个数据集上取得 SOTA 效果。

200行代码写一个能跑的 AI Agent：不依赖任何框架，只靠 tool-calling 原理。这句话是我一直放在桌面上的一句提醒。现在各种 agent 框架满天飞——LangChain、CrewA

[Agent Memory / 强化学习] MemPO源码学习笔记 ---（4）--- Rollout实现细节 0x00 概要 0x01 回顾 0x02 mem_sys_prompt_ids 2.1

阿里 open-code-review （AI代码审查工具）实战：安装、四层规则链、自定义规则格式与实测避坑 环境：Windows / Node v22.22.2 / Git 2.55.0（它要求 G

机器人 / 物理 Agent Harness 综合分析与对比：从「更强的模型」到「更好的系统」 0x00 概要 0x01 面对的难点与核心冲突 1.1 核心冲突的一句话版本 1.2 深挖：难点的四个层

TL;DR 把 2025～2026 这波 Agent harness 的演进摆在一起看，会发现一条清晰的迁移路径：上下文管理早已不是「窗口快满时裁剪一刀、摘要一发了事」，它变成了一个分层的工程学科。四

最近科技圈最躁动的名字，非 OpenClaw 莫属。 一方面，它在GitHub上狂揽19万星标，被无数极客奉为“自ChatGPT以来最让人兴奋的项目”，仿佛预示着AI权力的下放。另一方面，它接连遭到M

一、底层 KV Cache 实现机制（基于 main 分支源码） 1. vLLM：PagedAttention + 哈希链前缀缓存 分层结构：KVCacheManager (vllm/v1/core/

第1章　LLM基础原理 第1章第1节：Transformer架构与Self-Attention机制深度解析

一、一个反直觉的真相：大模型生成慢，卡的不是算力，是内存带宽 先讲一个很多人不知道、但理解后会觉得"原来如此"的事实：大模型在生成文本（也就是推理）的时候，瓶颈往往不在 GPU 的算力，而在内存带宽。