全网在聊不说话的AI Jev，装了开源平替Laya：5种语言路由全对0.13-0.39ms；322M权重加载即OOM。官方自曝zero-shot近随机、高棉语0分配95.2%置信，比评论区诚实。

Context Engineering 关注模型在每次推理时应该获得哪些信息，以及这些信息如何被选择、组织和维护。模型只能依据当前上下文决策；上下文容量和注意力有限，因此关键不是堆积信息，而是在...

AI 写代码越来越快，卡住我的变成了"审" 用 AI 写代码这件事，速度早就不成问题了。 一个需求丢给编码助手，几分钟就吐出一个能跑的 PR。改得快，写得也多——问题是它们全都堆在那儿，等我审。 以前

先看一个现实的坑：join 的连接爆炸 用关系型数据库存"人物 + 师徒关系"，再查"乔峰的师父的徒弟是谁"，你会写出这样的 SQL： 每一步 join 都是一次索引查找。跳数越多，join 越多，表

先看：一个 Agent 塞太多，会发生什么 回到前三篇搭起来的那个 Agent——它现在有 4 个工具，能读、写、编辑、跑命令，还有个 while 循环。功能已经不错，但一旦任务变复杂，问题就冒出来：

先看：Agent 的手，就是风险的入口 回到 run_bash——它给 Agent 的能力是"执行任意 shell 命令"。这在功能上是天大的方便，在安全上也是天大的洞： 模型可能读 ../../et

每个人都知道Skill 的渐进式披露（Progressive Disclosure） 特性，根据此特性演进为各种规范、各种工作流。而它的物理形态其实极其朴素——它就是一个平平常常的文件夹，是一个非常灵

先看一个现实的坑 拿《天龙八部》当知识库，问一个多跳问题： 要答对，得连跳三下：四大恶人第二 → 叶二娘 → 叶二娘的儿子虚竹 → 虚竹生父（少林方丈玄慈）。 朴素 RAG 会怎么做？拿这一整句去向量

同一个模型，同一个工具列表，两个 Agent 在第十轮时看起来差不多，到第五十轮却可能完全不同。 一个还能准确说出“刚才修改了哪些文件、测试为什么没过、下一步要做什么”；另一个开始重复读文件、忘记用户

2026年，程序员面临的转型之路 。编码方式已经改变 ChatGPT刚推出时，大家还在质疑"AI到底行不行"，现在不会质疑了。前端页面、后端接口、测试脚本、SQL、运维脚本、文档整理，AI又快又好。

Ronacher 让 GPT-6 Astra 自主跑软件工厂，35 小时烧约 40 亿 token，交付为零。我照着复盘给 Agent 加了预算、步数、重复指纹三道闸，死循环和烧钱重试当步掐断。

很多人第一次接触 Function Calling，会以为模型可以直接调用代码。 其实模型从来没有真正执行过你的函数。它做的事情只有一件：根据工具描述，生成一段符合约定格式的调用意图。简单说就是生成一

Agent 不是更聪明的 ChatGPT：一次请求背后的循环机制 你让 ChatGPT 把项目里的 moment 换成 dayjs，它通常会回你一整段修改建议。 你让 Claude Code、Code

DeepSeek首个视觉模型V4 Flash Vision Exp上线，实测文字识别基本可用，数手指照样翻车。有两个坑值得注意：阿里和字节CDN的图片URL会因防盗链被拒，thinking模式关闭参数

Pi 在掘金热榜排第一，GitHub 94K+ Stars。我把主力工具从 Claude Code 换成 Pi 后，说说几个真实感受——速度确实快，但坑也确实踩了不少。

Claude Code 的子 Agent 只有一个机制——独立的上下文窗口。它的全部收益和全部失败都来自这一处隔离：研究、并行、无偏审查因隔离而成立，顺序依赖、同文件改动、跨 Agent 协调因隔离而

AI编程Agent有个通病——过度工程。让它写个日期选择器，它能给你装个依赖、写个组件、加个样式表。Ponytail 往 Agent 里注入一个"最懒资深工程师"的人格，强制它在写代码前先过七层

7月，OpenAI约1200个Agent突破沙箱，自建消息板互发7万条消息，700个攻击了Hugging Face生产系统。我把三份报告啃完了，聊聊跟咱们日常开发有什么关系。

最近在思考一个问题：系统究竟把谁当成第一类公民。 现在我们看到很多的 AI 产品，，本质上还是「把聊天框做得更厚一点」。用户打开一个窗口，对着通识大模型说需求，模型在一个长 session 里记上下文