雾中航行志趣

背景与问题 在开发类似 ChatGPT、DeepSeek 等 AI 对话应用时，Markdown 渲染是核心功能之一。当用户或 AI 生成包含多列的宽表格时，会遇到一个常见问题： 内容区域通常有最大宽

前端的多解性掩盖了模型概率输出的不足；模型的上下文管理工程被前几年的 dx 运行做好了；前端从业人数多讨论量大；前端视觉传达效果好，和人多这个因素相互促进导致AI编程在前端开发表现力超强

AI在今年已经不是我的实习生了，而是我的代码搭子，我向它灌输需求，我给它装配能力，让它知道它负责的项目要求，让它知道现在要做的是什么，让它先搞一版出来，然后我再和它调调调，来回几次之后算是把任务完成了

我认为业界最先进的 context 工程实践就在 AI IDE 里。这也代表着一种通用场景的未来解法。 从上次 KA “重命名” prompt engineering 为 context engine

"哪些软件还没有被AI重写的，一定会被AI重写。"作为一名程序员，我在2024年亲身体验了这句话的分量。一年来，AI技术不断革新我的开发工具和工作方式，这种变化让我不得不重新思考技术发展的边界。 随着

需求 需要一个可编辑的框，其中存在高亮的文字块，所有文字块默认高亮，但我执行删除操作，支持一次删除一个文字块，无论文字块里的字数多少 想法 首先排除用 input，然后问问AI，很棒，给出了关键要素，

最近做一个类似chatDoc的文档定位功能，这里记录一下开发过程中如何对文件定位的。 用户在网页中上传pdf文件，保存后文件内容会被LLM（大语言模型）拆分解析，存入向量数据库中。用户在查看解析结果时

Tokens 但是我们也不能无限的进行中-英-中的转换，因为现有的 LLM 对单次会话的上下文长度的支持是有限度的。 上下文长度包含了我们的 prompt 和 LLM 的输出。不同语言的不同词汇占据的

链式思考提示（Chain-of-Thought Prompting） 简称CoT，通过中间推理步骤实现了复杂的推理能力。我们可以将其与少样本提示相结合，以获得更好的结果，以便在回答之前进行推理的更复杂