不知道大家清不清楚之前DeepSeek融资的事儿，简单的说一下背景： 之前DeepSeek一直秉持着不融资、不上市、不商业化的原则。 但是后来可能是因为种种原因的推动，DeepSeek最终还是决定正式

一、一个词，改变编程的定义 2025 年 2 月 2 日，OpenAI 联合创始人、前 Tesla AI 负责人 Andrej Karpathy 在 X（Twitter）上写道： 他描述了自己的工作流

Workflow是预设好的高速公路每步固定，Agent是自主决策的司机动态改道。本文用简历筛选和旅行规划讲透本质区别，再给出两者结合的双层架构。

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。

别把 Semgrep 当高级 grep：用污点规则抓住命令注入，并把结果送进 CI 代码里出现 subprocess.run()，不等于存在命令注入；用户输入经过了三次变量赋值，也不等于已经安全。真正

如果现在对于AI Agent 的知识引擎或者知识库的认知还停留在在「向量库 + embedding + topK 检索」的人，项目大概率正在踩坑。 传统 RAG 解决的是「能不能把资料塞给模型」的问题

手写内联工具的两个致命缺陷—项目锁定和语言锁定，MCP 协议如何通过 stdio/HTTP 跨进程通信彻底解决，包含 MCP Server 注册工具与资源、MCP Client 获取与调用的完整实战。

字节跳动 STE 固件团队带来了三场技术分享，覆盖了 XPU 模组标准化接口设计、OpenBMC 平台移植的 Agent 框架、以及 RAS API 标准化三大方向。

问题：Agent 的"知识盲区" 每个 AI 编码 Agent 都会遇到同样的问题：模型很聪明，但对你的项目一无所知。 前几轮对话全花在"了解项目"上。更麻烦的是，有些知识文件里根本没有——比如团队的

哈喽，我是子牙老师。前面花了五年时间通关了计算机：手写操作系统、手写CPU虚拟机、手写Linux系统、手写GDB调试器、手写编程语言…，后面准备通关AI，研发出所有大家想学却没人教或者学不到的AI领域

一、先看效果 同样一个任务"创建 React 项目"，没做可视化之前： 做了可视化之后： 同样的功能，后者让你看清楚 Agent 的每一步决策。 这篇文章讲的就是怎么做到这一点。 二、Chalk 是什

一、AI Agent 需要一个"USB 协议" 2024 年以来，AI Agent 的形态逐渐清晰：一个 LLM 大脑，通过调用工具与外部世界交互。 但有一个尴尬的问题：每个框架、每个平台、每个 Ag

模型输出本身就是随机的，同一个需求跑两遍，spec 和代码的细节难免有出入；但如果流程能稳住（先澄清、再写 spec、再拆任务、再实现，顺序和交接点每次都对得上），产出的随机就不会失控——每一步...

一、4 个工具的极限 上篇文章里，我搭好了一个能自主编程的 AI Agent。它有一个 ReAct 循环的大脑，还有 4 个工具作为四肢： 一开始觉得很够用。创建项目？exec_command 跑 p

先找到你的「忍无可忍」 在动笔之前，先问自己一个问题： 如果有，那就是一个 Skill 的种子。 它可能是： 每周合并报表 PDF，每次都要告诉 AI 用哪个库、怎么处理页码 每次写完代码让 AI r

一个你肯定经历过的场景 你打开 Claude Code，想做一件已经做过很多次的事——比如，把两个 PDF 合并成一个： 你很熟练，一气呵成。但你有没有发现一个问题：这件事你每次都要重新说一遍。就像每

为什么开始学 Agent？ 我每天用 Claude Code 写代码，它帮我读文件、写代码、跑命令——一个对话窗口完成整套开发流程。这让我很好奇：它背后的原理到底是什么？ 拆开来看其实不复杂：Clau

harness是什么？ 看到上篇文章已经是三年之前，顿感光阴似箭，不知不觉我归纳总结的习惯居然已荒废如此，趁着最近没什么事，对harness的概念做一下简单的归纳。

你有没有想过，Cursor 是怎么工作的？你给它一句话，它就能自动创建项目、写代码、装依赖、启动服务——整个过程你只需看着。 好奇心驱使下，我决定把这个过程"拆开看看"。不调用任何现成的 Agent