一、55K Star 的项目，正在改变 AI 的使用方式 2026 年 7 月。GitHub Trending 上杀出一个名字。 OpenClaw。55K Star。增长速度快过同期所有 AI 项目。

用.NET10把 Claude Code 的Runtime重写了一遍，没有 Node.js，目标就是做一个现代化、高性能、可扩展的 AI Agent Runtime。

一、开篇：大模型落地进入深水区，深圳企业普遍遭遇落地断层 伴随人工智能技术全面迭代，大模型与生成式 AI 早已告别概念宣传、浅层试用阶段，全面切入实体经济数字化改造、全业务流程重构的实战阶段。深圳作为

说实话，那时候我觉得 AI 写代码也就这样 —— 看起来像模像样，一跑也能跑，真要维护起来比屎山还难下手。直到后来我翻到 Vibe Coding 的思路，才反应过来：不是 AI 不行，是我从根上就用错

最近我在开发一个AI日记本应用，发现传统的MySQL很难实现“语义搜索”——比如你想找“心情愉快的日子”，但日记里并没有这个词。这时，向量数据库就派上了用场。本文我将分享如何使用Milvus（以及全托

过去这一周，硅谷吵翻了一件事：中国的开源 AI 模型，到底该不该被封掉。 吵到什么程度？OpenAI 和 Anthropic 关起门来游说美国监管机构，说这些模型"太危险，不该公开"。结果话音刚落，自

《深入理解 AI Agent》开源书体验评测：10章+88实验，428页免费读完到底值不值（附PDF下载） 前言 AI Agent 这两年很火，但学习资源有个尴尬的问题：不够系统。 今天一篇 RAG

一份能被团队重复使用的 Agent Skill，至少要写清七项内容：目标、适用输入、执行步骤、可用工具、停止边界、验收样例、维护版本。只留一段提示词，换个人、换份资料或换个模型后，结果很容易漂移。 S

有了度量方法，就可以逐条算查询向量和所有存储向量的相似度，排序取 Top-K。这个问题的学名叫 KNN（K-Nearest Neighbors，K 最近邻） 。解法分两条路: 精确 KNN： 逐条遍历

人工智能技术的快速普及，让数据存储迎来全新变革。传统关系型数据库支撑了互联网数十年的业务发展，而面向AI语义检索、智能问答、记忆存储的向量数据库，已然成为大模型、AI Agent产品的核心基础设施。其

**一句话总结**：LangChain 让你**快速跑起来**，LangGraph 让你**跑得复杂、跑得可控、跑得持久**。两者是互补关系——你用 LangChain 的组件（模型、工具、检索器）作

RAG 不是魔法：用 200 行代码把 Milvus + LLM 串起来，回答"我最近开心吗 你想做一个 AI 日记助手。 它能读你过去所有的日记，然后回答「我最近为什么这么开心？」「上个月我学了什么

数据管道 · 训练数据集与版本化 L1 是什么 · 训练数据作为一等公民 1.1 一句话定义 训练数据集不是某次 Spark job 导出的 CSV，而是带 契约（Contract）、不可变快照（Sn

Ethan Mollick 以玩笑方式提示 Codex 构建并运行"BenchBench"基准测试，随后 AI 自主生成了更复杂的 BenchBenchBenchBenchBench（BBBBB），并

走进向量数据库：用 Milvus 构建 AI 日记助手的 RAG 实战 一、背景认知：什么是向量数据库？ 在传统的 Web 应用开发中，我们把结构化数据存进 MySQL、SQLite、PostgreS

公开 Benchmark 在三种情况下不够用：业务场景太特殊、数据不能出域、需要持续跟踪质量变化。本文讲完整的自定义 Benchmark 构建流程：场景定义→问题生成→ground_truth 标注

搞懂 Vibe Coding 的正确姿势：三阶段九步工作流，让 AI 写代码不再崩盘，如何更好的写出好项目

前言 接触大模型已经很长时间了，至少在去年，从我的使用经验来看，我都觉得大模型一直是一个大号的搜索引擎，除了查查资料，聊聊天以外，也干不了啥事。 但在去年春节随着 OpenClaw 的横空出世，我对大

利用 Zilliz Cloud、LangChain 和 OpenAI 兼容 API，四步构建一个懂你心情的智能日记检索与问答系统。

Harness Engineering 学习分享：给 AI 大模型套上"缰绳" 一、AI 工程化的演进之路 AI 应用开发经历了几年的历史，从三个阶段的范式跃迁： Prompt Engineering