#教程/实践

DeepSeek Harness 插件生态解析：4,349 个仓库与插件机制

DeepSeek Harness（dsh）是 DeepSeek 开源的 agent harness，其插件生态共 4,349 个仓库、23 个类目，57% 的仓库近 30 天有提交，Top 25 占全站 79.8% 的 star。

ARTS 1011：双堆动态求中位数、IPC 注入与空密码接管账户

安全研究员 beaksec 披露某社交软件 Windows 桌面端完整漏洞利用链：攻击者诱导点击重定向恶意链接，即可在无确认弹窗下静默读取本地会话凭据并回传，一键接管账户。

大模型到底是什么：从 ollama 部署 qwen 模型到 MoE 架构的入门解析

大语言模型本质是一个不断"预测下一个词"的循环程序，由约 140GB 的参数文件和约 500 行的运行程序两个文件构成，ollama 拉取的 qwen2.5:7b（4.7GB）即经 Q4 量化压缩后的参数文件。

给 Agent 加了 Redis 还是跨会话失忆，我排查后发现少了一层

作者在 Spring AI 项目中给 ChatClient 挂上 MessageWindowChatMemory 并用 Redis 存对话历史，但用户反馈跨会话后偏好丢失，排查发现 Spring AI 的记忆分两层，自己只接了短期记忆。

李福春：AI应用越多，人均产出为何不涨？问题出在考核口径

企业级架构师李福春指出，AI接入场景数与调用量上涨，但人均有效产出和单工单综合成本半年未动，根源是考核口径只奖励接入、不记录审核返工等隐性成本。他提出以“单位有效任务成本”替代接入清单，按模型、审核、返工、集成运维、失败恢复五类归集成本，并用置信度分层路由区分自动执行、人工确认与人工兜底，配套 Python 3.11 标准库最小实现。

理解帆软报表 SSO 的集成：AI 问数系统如何用 RSA 加密用户名免密登录

AI 问数系统集成帆软报表 SSO 时，需在帆软后台启用用户名加密插件生成 RSA 公钥，对接方用该公钥加密当前登录用户名并拼接为 ssoToken 参数传入报表地址，帆软用私钥解密后校验同名用户并放行。该方案要求 AI 问数系统与帆软两侧存在同名用户，且并非开箱即用，参数名与加密方式取决于帆软实际启用的插件配置。

Koog Agent 的编程模型：环境要求、核心概念与 Basic agents 实战

Koog 的 Agent 编程模型要求 JDK 17+、Kotlin 2.2.0+、Gradle 8.0+ 或 Maven 3.8+，稳定模块依赖为 ai.koog:koog-agents:1.3.0。

LiteModelProcess·AI：用网页端替代 CAD 做工业三维模型展示

LiteModelProcess·AI 是一个网页端工业三维模型处理与展示平台，可将 STEP/STP、STL、OBJ、GLB、IFC 等格式转为标准 GLB，并在浏览器内完成减面、修孔、改轴心、遮挡剔除等轻量化编辑。

基于 uni-app + Vue3 接入 DeepSeek 的跨端智能对话应用

一个基于 uni-app + Vue3 的跨端 AI 对话应用接入 DeepSeek 大模型，支持编译到 H5、小程序和 App 端。核心功能包括 SSE 流式输出打字机效果、代码高亮、多轮对话、会话本地存储和亮色/暗黑主题，小程序端通过 uni.request 的 enableChunked 实现流式，H5 和 App 端用 renderjs 的 fetch 实现。

Java 26 深度解析：性能兑现与契约收紧，10 项 JEP 全解读

JDK 26 于 2026 年 3 月 17 日 GA，作为非 LTS 版本支持窗口仅 6 个月。官方 10 项 JEP 中 5 项正式转正，全部集中在库、运行时与平台清理层面，没有新语言语法。

Windows 搭建 ComfyUI 环境教程：用 WorkBuddy 辅助配置与运行

这篇教程介绍在 Windows 上通过 B站UP主秋葉aaaki 的 ComfyUI 整合包搭建环境，解压后双击即可一键启动，浏览器自动打开界面。作者用 WorkBuddy 导入整合包文件夹，让 Agent 下载并配置 qwen-image-2.1-turbo 工作流，搭建文生图、图生图、图生视频等流程，也可通过 API 自动完成搭建与执行。

以轻量 LoopAgent 替代 RAG 实现文档检索 - WindRunnerMax

基于 PI 的 @earendil-works/pi-agent-core 与 pi-ai 适配器，可搭建轻量级文档检索 Agent，用 Loop 机制替代 RAG，把文档站从被动检索对象变为模型主动探索的知识库。

在本地跑 AI 模型是种什么体验：兴奋、不知所措与挫败

The Verge 编辑在 M5 Ultra Mac Studio 上安装开源 Hermes Agent，并运行 1250 亿参数的 Qwen 3.8 Flash Next 模型（约 105GB），尝试本地 AI 日常使用。他用它生成每日简报、整理 400 多款 Steam 游戏、分析财务数据，并正尝试自动化笔记本跑分测试。

Standard Bots 如何为工业机器人构建可靠执行的 AI

Standard Bots 用共享基础模型加客户演示微调的方式驱动机器人，最大模型仅数十亿参数，靠数据质量而非规模取胜。其零样本感知系统基于超 10 亿张图像训练，负责定位识别零件，运动与单元逻辑仍用传统编程，训练在云端、推理在本地边缘 GPU 上完成。公司近期以 10 亿美元估值完成 2 亿美元 C 轮融资，客户包括 NASA、Amazon 和 Lockheed Martin。

配得上 iPhone 18 Pro 的三款摄影 App：Gloam、Project Indigo 与原相机

爱范儿用 iPhone 18 Pro 拍摄 3000 多张照片、试了十几款相机 App 后，推荐 Gloam、Project Indigo 和苹果原相机三种摄影方式。

Postman 如何在 Amazon Bedrock 上为 4000 万开发者运行 Agent Mode

Postman 披露其 Agent Mode 在 Amazon Bedrock 上的生产架构，用于支撑 4000 万开发者的 API 测试、文档、发现与实现工作。

Simon Willison 用 Codex 语音模式为博客构建 Newsletters 页面

Simon Willison 用 ChatGPT 桌面版 Codex 标签页的语音对话模式，在做饭的半小时内让 GPT-6 Astra High 为博客搭建出 Newsletters 页面，包含新 Django 模型与迁移、四个可用的导入脚本、/newsletters/ 归档页及站内搜索集成。

如何用 Amazon SageMaker HyperPod 实现跨团队 GPU 集群隔离与公平共享

Amazon SageMaker HyperPod 多租户参考架构发布，让多个团队共享同一套 HyperPod EKS 集群。

LegalOn 将 Codex 成本减半，同时保持开发速度

LegalOn 将每日 Codex 预估成本削减 65%，同时保持开发速度不变。其做法是按任务匹配 Astra、Sol 和 Luna，并对预算进行策略性管理。

Amazon Quick 与 Amazon Bedrock 如何用实时 ACL 重构 RAG 访问控制

Amazon Quick 与 Amazon Bedrock Knowledge Bases 新增实时 ACL 校验层，在查询时直接向 Google Drive 等权威源核实权限，与原有的预检索过滤组成两阶段方案。

超越节省工时：如何为智能体自动化构建商业论证

AWS 提出 Agentic Value Model，用于替代为 RPA 设计的传统 ROI 模型，从时间节省、异常处理、决策质量、变更韧性与维护成本四个维度衡量智能体自动化的价值。该框架强调释放的工时只有转化为实际支出削减或可衡量的再部署产出才能计入 P&L，并以理赔分诊流程为例演示如何分池计算收益。

Qlik 如何用 Amazon Bedrock 构建企业级可信 AI

Qlik 基于 Amazon Bedrock 打造 Qlik Answers，为全球超 4 万家客户提供带来源引用的企业级问答，自 2026 年 2 月正式可用后，其 Discovery Agent 已为客户发现超 10 万条洞察。

AI 正在改变开发者工作方式，GitHub 给出三项值得强化的技能

GitHub 提出 AI 时代开发者应强化的三项技能：学会指挥 AI 智能体而非只是使用它，不轻信 AI 的第一次回答，以及用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例，说明它用第二个模型对计划、代码和测试进行批判性审查，从而发现首个模型遗漏的问题。

Karpathy 分享理解大模型输出的技巧：从文字到图表、网页与讲解视频

Andrej Karpathy 分享理解大语言模型输出的思路与技巧，建议让模型用 ASD-STE100 受控语言规范来解释内容，以获得更易读的写作风格，也可以要求「80% 接近 ASD-STE100」来放宽约束。

GitHub Copilot 应用入门：如何用 canvases 构建自定义工作流

GitHub Copilot 应用中的 canvas 是一种可自定义的双向界面，用户只需在 agent 会话中输入 /create-canvas 并用自然语言描述需求，agent 即可生成看板、发布清单或仪表盘等界面。canvas 会保存为扩展，可随项目共享或作为个人扩展复用，社区已在 Awesome Copilot 分享现成扩展。

GitHub Copilot 为什么说聊天框是错的 UI：用 canvas 替代 chat

GitHub 认为 chat 并非与 LLM 交互的最佳界面，在 GitHub Copilot app 中推出 canvas——一种运行在应用内、无浏览器外壳的全栈应用，可与 Copilot agent 双向通信并调用本地代码和第三方 API。

GitHub Security Lab 发布基于 Taskflow Agent 的 AI 模糊测试流水线

GitHub Security Lab 发布 Fuzzing Taskflow，一个面向 C/C++ 项目的自主模糊测试流水线，基于其 Taskflow Agent 框架构建。

GitHub Copilot 应用如何渲染超大 pull request

GitHub Copilot 应用重建了 pull request 视图，以应对包含 2,200 个文件、超 100 万行改动和 400 多条行内评论的超大 PR。其做法是把文档高度拆成确定性的代码几何与动态块几何两个独立域，代码行高提前精确计算，评论等动态块则按稳定 key 锚定到文件、行和侧，惰性测量并只做小幅修正，从而避免滚动跳变。

吴恩达：AI 工程技能图谱之塑造构建

吴恩达提出 AI 工程技能的核心是"塑造构建"：开发者不再只是实现他人定好的产品规格，而是主动参与产品决策。关键技能包括驱动构建循环、做产品决策、沟通与领导、高主动性所有权。他称 PM、设计师与开发者的角色正在模糊，掌握这些技能可让开发者在没有 PM 的情况下更快推进。

Andrew Ng@AndrewYNg· 23:02精选AI 评分6262

吴恩达发布 AI Engineering Skills Map，总结使用编码智能体的关键技能。他基于对数十位顶级 AI 工程师的访谈和团队实践，提出规划、执行、部署与监控三阶段工作流，并归纳出五项核心技能：主导工作流、赋予智能体自主性、审查产出、定制智能体及其环境、理解编码智能体基础原理。他指出社交媒体常把编码智能体简化为长时间自主运行，但多数有效用法是高度迭代的过程，需要高水平的判断介入。

吴恩达详解 AI 工程技能图谱：构建与部署 AI 应用

吴恩达发布 AI Engineering Skills Map 长文，详解四大顶层技能之首"构建与部署 AI 应用"，该图谱基于大量招聘信息、专家访谈与问卷分析得出。

Karpathy 分享与 LLM 协作的"长语音漫谈"技巧

Andrej Karpathy 分享与 LLM 协作的一个实用模式：切换到 /voice 语音输入，放松地漫谈约 10 分钟，内容可以杂乱无章、意识流式输出。他表示 LLM 很擅长重构冗长且不连贯的漫谈，回显出的思路往往比原始想法更清晰，从而加深"心智融合"、减少后续纠错。

DeepLearning.AI 与 Cerebras 推出快速推理课程

DeepLearning.AI 联合 Cerebras 推出短课程，教你用专为快速推理设计的硬件构建 LLM 应用，由 zhennydez、duerr_seb、MilksandMatcha 授课。

吴恩达分享构建 0 到 1 产品的三大循环

吴恩达提出构建 0 到 1 产品的三大循环：智能体编码循环让 AI 智能体写代码、自测并持续迭代直至无 bug 且符合规格，工程循环每几分钟构建测试新版本；开发者反馈循环以数十分钟到数小时为周期，由人类审查产品并引导智能体改进。

吴恩达新课：为 AI 智能体添加语音能力

吴恩达推出新课《Voice for AI Agents and Applications》，由 VocalBridge（AI Fund 投资组合公司）CEO Ashwyn 讲授，教开发者构建既可靠又快速的语音智能体。

Karpathy：让 LLM 用 HTML 输出，效果出奇地好

Andrej Karpathy 建议在查询末尾让 LLM「将回复结构化为 HTML」，再在浏览器中查看生成文件，效果很好；他还尝试让 LLM 以幻灯片形式输出。他认为音频是人类偏好的 AI 输入，而视觉（图像/动画/视频）是 AI 偏好的输出，输出形态正从纯文本、Markdown 演进到 HTML，最终可能走向扩散模型直接生成的可交互视频。

Karpathy 分享用 LLM 搭建个人知识库的 idea file

Andrej Karpathy 将其用 LLM 搭建个人知识库的推文整理成一份 gist 形式的 idea file，读者可交给自己的智能体据此构建 LLM wiki。

Karpathy 分享用 LLM 构建个人知识库的工作流

Andrej Karpathy 分享了他用 LLM 构建个人知识库的做法：把文章、论文、仓库、数据集、图片等源文档索引到 raw/ 目录，再由 LLM 增量编译成由 .md 文件组成的 wiki，包含摘要、反向链接，并按概念分类撰写条目。