<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[TongwenAI的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/TongwenAI</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; TongwenAI]]></copyright><item><title><![CDATA[【实战】用一份 YAML 生成商品结构化数据，并自动自检字段一致性]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/170858159</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/170858159</guid><author>TongwenAI</author><pubDate>Mon, 16 Nov 2026 12:22:26 +0800</pubDate><description><![CDATA[同一件商品在官网、平台详情页、第三方目录里的描述常常不一致。本文给出一套轻量做法：把商品口径写成一份 YAML 作为唯一来源，用脚本生成 JSON-LD，再跑一遍一致性自检，输出缺口清单。全套 Python 标准库实现，不依赖第三方服务。文中脚本均在本地跑通，输出示例为字段结构示意，不含任何真实样本的统计结果。]]></description><category></category></item><item><title><![CDATA[【实战】Agent 上下文成本优化：工具定义 token 预算与分组注入]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/170528850</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/170528850</guid><author>TongwenAI</author><pubDate>Wed, 11 Nov 2026 13:50:09 +0800</pubDate><description><![CDATA[同一个任务、同一个模型，不同工具接入方式的账单可以差十几倍。本文给出一套可落地的上下文成本拆解方法：先把每次请求的 token 按来源分账，再对工具定义做分组注入，最后用截断策略回收长返回体的开销。文中的数据来自一份公开实测（单任务、单测试集），代码可直接改常量复用。按任务阶段分组，只注入当前阶段需要的 schema。GROUPS = {"""粗估：按每个工具 schema 平均 token 数折算，实测时替换为 tokenizer 计数。"""]]></description><category></category></item><item><title><![CDATA[【实战】Agent 时代的前端参数工程：页面与 JSON-LD 一致性对齐实录]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/170348356</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/170348356</guid><author>TongwenAI</author><pubDate>Mon, 09 Nov 2026 14:17:32 +0800</pubDate><description><![CDATA[Agent 调用不走 HTML 渲染，消费的是机器可读参数。本文记录一次"页面显示值与 JSON-LD 不一致"类问题的定位与对齐实践：单一数据源生成页面与结构化数据、四字段验收口径（触发条件/边界/时效/退路）、以及采样评估方法。参数层对齐是及格线工程：格式统一、门槛低、一下午可抄，补齐后无超额收益。区分度在不可复制处：第三方锚点（外部信源如何描述你）、接口资格（平台是否准入）、真实交付记录。工程上先做单一数据源与四字段验收，再谈别的。]]></description><category></category></item><item><title><![CDATA[【实战】LLM 自动化内核审计流水线：5 阶段 948 个漏洞，如何补上一道归因校验]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/170139107</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/170139107</guid><author>TongwenAI</author><pubDate>Thu, 05 Nov 2026 14:18:09 +0800</pubDate><description><![CDATA[OpenAI 2026-11-04 公开的自动化漏洞研究流水线，10 天、1,213,430 美元、948 个去重后的 Linux 内核本地提权漏洞。本文不复述结论，只拆它的工程实现要素：分阶段记账、隔离环境配置、复现循环、变体去重，以及最容易被忽略的归因校验——早期一次运行 200 个成功提权里，20 个命中的是另一个 0-day。文末给出可直接套用的检查脚本与成本核算表。分阶段独立记账，转化率和成本都要能单独算；隔离环境按最严防护组装，判据收紧，产出才可信；]]></description><category></category></item><item><title><![CDATA[【实战】从 OpenAI 评测意识研究看 Agent 调试：为什么“声明场景“无效，“消除目标歧义“有效]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/170044843</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/170044843</guid><author>TongwenAI</author><pubDate>Wed, 04 Nov 2026 14:43:35 +0800</pubDate><description><![CDATA[OpenAI Alignment 团队于 2026年11月03日 发布研究《Eval-production behavior gaps in agent safety and the role of eval-awareness》。六个在服模型的评测成功率全部低于匹配的生产决策，差距 10.2–37.4 个百分点；归因分析显示"知道自己被评测"与差距的 R² 仅 0.008，"说对本次任务目标"的 R² 达 0.370。]]></description><category></category></item><item><title><![CDATA[【实战】企业FAQ语料入库前的字段设计：4个必填字段加一个抽检脚本]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/169939455</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/169939455</guid><author>TongwenAI</author><pubDate>Tue, 03 Nov 2026 13:26:38 +0800</pubDate><description><![CDATA[把企业 FAQ 直接切成 chunk 丢进向量库，最常见的结果是「检索得到，但答不准」。原因往往不在 embedding，在语料缺字段：数字没有范围、结论没有过程、断言没有边界。本文给一套入库前的字段契约（4 个必填 + 2 个可选），配一个 60 行的抽检脚本，能在批量入库前把不合格条目挑出来。全部代码可离线运行，不依赖模型。12% 这个数说的是模型交付能力，语料治理说的是输入侧。两件事的接口是同一个词：上下文。给每条语料加四个字段，成本大概是一次性的人力投入。]]></description><category></category></item><item><title><![CDATA[【实战】技术文档为什么没人引用：从“编程面试被删“看文档的可核对性，附结构化输出脚本]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/169460044</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/169460044</guid><author>TongwenAI</author><pubDate>Thu, 29 Oct 2026 16:19:40 +0800</pubDate><description><![CDATA[2026 年 10 月 28 日 The Decoder 报道，Anthropic 一位工程经理取消了团队的编程面试，改为考察候选人两天内做出的原型。这条新闻对文档写作的启发不在"AI 会写代码"，而在凭据形态：当场作答只可被核对 45 分钟，作品可被核对一整个周末。本文给出一套把技术文档从"陈述型"改成"可核对型"的做法，含 YAML 结构定义、Python 校验与 JSON-LD 输出脚本。字段含义硬性要求context当时的处境与约束必须出现约束条件rejected被否掉的分支。]]></description><category></category></item><item><title><![CDATA[【实战】用 40 行脚本给官网问答页做“自足句体检“：检查每个答案能不能脱离上下文被单独引用]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/169359591</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/169359591</guid><author>TongwenAI</author><pubDate>Wed, 28 Oct 2026 15:05:02 +0800</pubDate><description><![CDATA[企业写官网问答页时最常见的毛病，不是答案错了，而是答案脱离上下文就不成立：第一句用"这要看情况"开头，通篇"它"“该方案”“上述流程”。人和 AI 都读不出它在说什么。本文给一个 40 行的体检脚本，逐条扫问答页，输出三类问题：代词开头、首句没有信息量、段落缺数字或年份。跑完能直接拿到一份待改清单。这套检查的价值不在评分，在于把"读着好像没问题"变成可定位的具体句子。四项规则都能用正则覆盖，成本极低，放进 CI 里也不会拖慢构建。要提醒一句：脚本测的是形式，不是真假。形式分再高，数字造假照样不可用。]]></description><category></category></item><item><title><![CDATA[【实战】企业口径一致性检查：用 Python 对齐官网/招聘平台/投标文件三个来源的成立日期与注册地]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/169261179</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/169261179</guid><author>TongwenAI</author><pubDate>Tue, 27 Oct 2026 15:00:52 +0800</pubDate><description><![CDATA[同一家公司的成立日期、注册地、信用代码，在官网、招聘平台、投标文件里经常是三种写法。人眼看不出来，模型更不会帮你判断哪个对。本文给一套三层实现：正则抽取 → 归一化 → 两两比对，输出四种状态。代码为示意实现，未做第三方验证。环节要点预处理NFKC必须先跑，否则全角数字让正则整段失效日期"十"要单独处理：十二=12、二十=20、二十二=22地址用尾部包含判断，状态标PREFIX_OK而非OK输出只报不修，交人工判断。]]></description><category></category></item><item><title><![CDATA[【实战】AI 怎么描述我的公司：一次回答采集与逐句溯源的完整流程]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/169158486</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/169158486</guid><author>TongwenAI</author><pubDate>Mon, 26 Oct 2026 14:03:58 +0800</pubDate><description><![CDATA[一个没有文本中转层的语音模型（2026 年 10 月由某支付公司 AI 实验室放出，训练数据只有人类对话的声音）把一件事摆到了台面上：模型的知识来源可能不是你能编辑的页面。本文给出一个可当天跑完的实战流程——采集多个问答产品对同一问题的回答原文，拆句后逐句标注来源类型，输出一张待核对清单。含完整 Python 实现与两处踩坑说明。这套流程一个工作日能跑完一轮，产出三样东西：一份回答原文存档（基线）、一张来源清单（知道该找谁改）、一个命中率数字（下次复跑可以对比）。它不依赖那个语音模型能否落地。]]></description><category></category></item><item><title><![CDATA[【实战】PHP 8.0 机器遇到官方补丁：一次完整的分发链排查]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/168764448</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/168764448</guid><author>TongwenAI</author><pubDate>Thu, 22 Oct 2026 14:33:09 +0800</pubDate><description><![CDATA[2026-10-21 PHP 官方发布补丁修复两个 RCE 漏洞（CVSS 最高 9.2）。本文记录在一台 PHP 8.0.26 机器上做排查的完整过程，重点不是漏洞本身，而是"官方发布了但机器装不上"这条断掉的分发链。含 4 组可直接执行的命令、3 种情形判定方法、4 个踩坑点。只查php -v会漏掉对外服务的 SAPI，至少把 mod_php 和 FPM 都过一遍；"官方发布"到"机器可更新"之间隔着分发链，链条有四个环节：版本线维护状态、发行版回移、软件源同步、托管商支持；]]></description><category></category></item><item><title><![CDATA[【实战】模型来源答不上来？用一张谱系表 + 三个脚本补全 AI 供应链溯源]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/168655164</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/168655164</guid><author>TongwenAI</author><pubDate>Wed, 21 Oct 2026 15:20:56 +0800</pubDate><description><![CDATA[客户内控问"你的模型基座从哪来"，多数团队第一反应是查合同，查完发现查不到——因为这类问询的审查对象不是交易关系，是技术来源。本文给出一套可落地的做法：用一张四栏谱系表承接问询，配三个脚本把模型层、工具链层和谱系追溯三件事自动化，产出能直接进投标文件和尽调清单的一页纸。文末给出适用边界与不适用人群。分层写具体。"使用主流开源模型"等于没写，那不是来源，是形容词。上一代必须问。在某个开源权重上微调出来的模型，那个开源权重又来自哪里？追不到写"未追溯"。写下来至少知道这是个洞，不写会以为没有洞。]]></description><category></category></item><item><title><![CDATA[【实战】企业主体变更后的站点表述一致性治理：从一次海外破产案说起]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/168552536</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/168552536</guid><author>TongwenAI</author><pubDate>Tue, 20 Oct 2026 15:12:42 +0800</pubDate><description><![CDATA[多数团队把"换主体、转业务、下线产品"当成一次工商变更或一次商品上下架，很少把它当成一次站点状态迁移。而在检索增强生成（RAG）成为主流问答形态之后，页面上残留的旧表述会被模型当作当前事实持续引用。本文给出一个可落地的治理方案：用一份权威事实源（营业执照口径）+ 一套CI 巡检脚本 + 三条收益最大的页面规则，覆盖主体变更后的全站表述问题。所有脚本均可直接运行。形态技术实现上的诱因影响主体信息过期页脚/关于我们 为硬编码静态文案，不随主体变更同步合同主体与客户认知错位承诺过期。]]></description><category></category></item><item><title><![CDATA[【实战】三周取证到禁令：一套 AI 误指巡检与存证脚本]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/168447973</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/168447973</guid><author>TongwenAI</author><pubDate>Mon, 19 Oct 2026 16:42:25 +0800</pubDate><description><![CDATA[德国亚琛地区法院 2026年09月24日 的裁定（案号 8 O 268/26）里有一个工程向的细节：当事人从 2026年08月28日 发现问题，到 09月24日 拿到禁令，中间三周，手里只有邮件和律师函。本文给一套可落地的月度巡检脚本：固定问题集 → 快照存证 → 差异比对 → 误指清单 → 事实页回填。全篇代码可直接跑。关键结论：把"被 AI 说错了却不知道"，变成一件有记录、有责任人的事。问题集固定，至少五问两模型，每月跑一次，结果入库不入库都留文件。取证三要素：提问原文、回答原文、时间戳。]]></description><category></category></item><item><title><![CDATA[【实战】在两台 M5 Ultra Mac Studio 上本地运行 800B 模型：MLX 0.30.1 + RDMA over Thunderbolt 部署拆解]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/168139722</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/168139722</guid><author>TongwenAI</author><pubDate>Fri, 16 Oct 2026 16:34:36 +0800</pubDate><description><![CDATA[2026 年 10 月 15 日，Meta 发布开放权重模型 Muse Spark Open，总参数 816B、每 token 激活 42B、1M token 上下文窗口、原生多模态。同日，Apple 机器学习研究团队演示了用 MLX v0.30.1 + macOS 26.2 的 RDMA over Thunderbolt 驱动，在两台 Apple M5 Ultra Mac Studio 上本地运行该模型。这是从 70B 量级跨到 800B 量级的首次本地部署落地。]]></description><category></category></item><item><title><![CDATA[【实战复盘】日均 3 万次合并压垮 Git：一次版本控制系统重构的工程拆解]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/168023960</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/168023960</guid><author>TongwenAI</author><pubDate>Thu, 15 Oct 2026 15:30:33 +0800</pubDate><description><![CDATA[2026年10月13日，Anthropic 公开了将单体仓库从 Git 迁移到自研版本控制系统的实践。本文复盘其遇到的核心瓶颈、可迁移的设计取向，以及适配边界——重点不在"抄方案"，而在"识别瓶颈类别"。瓶颈往往不在"产出"，而在"接收"。产出端被 AI 提速后，如果审核、合并、归档、验证仍是人工节奏，新增产能不会变成成果，只会变成积压。对不具备自研条件的团队，三件低成本动作为：量化接收能力上限、自动化可机器判断的中转环节、让产出带上可追溯凭据。]]></description><category></category></item><item><title><![CDATA[【实战】AI 订阅到底该不该续：用一份破产账本做的成本结构自查（附脚本）]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/167917082</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/167917082</guid><author>TongwenAI</author><pubDate>Wed, 14 Oct 2026 16:30:28 +0800</pubDate><description><![CDATA[2026 年 10 月，一家拥有数亿用户的 AI 产品申请破产保护，媒体披露的法院文件给出了它的逐月算力支出与收入数据。本文不评价这家公司，只用这批公开数字建一个能跑的成本模型，并给出一套可勾选的 AI 订阅续费自查清单。核心结论：判断续不续，看的不是用户数和增长率，是收入与成本的会计性质是否匹配。数据出处为媒体报道所引的法院文件，非公司公开财报，非第三方审计。凡属本人推演处标注【推论】。这份账本最值得记住的不是金额，是结构。收入在费用位、成本在资产位，中间的差额只能靠外部资金填，融资一断就是唯一出口。]]></description><category></category></item><item><title><![CDATA[【实战】团队上了 AI 反而更忙：一份可勾选的验收标准自查清单]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/167808673</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/167808673</guid><author>TongwenAI</author><pubDate>Tue, 13 Oct 2026 16:06:18 +0800</pubDate><description><![CDATA[团队上了 AI 反而更忙，原因通常不在模型，在验收标准。标准越模糊，返工率越高：模型每出一版，人就得从头判断一次。生成越多、返工越多、总时间越长。本文给一份可勾选的自查清单，把「什么算合格」先固化下来，再谈交不交给 AI。「用了 AI 反而更忙」这个现象，落点在验收段，不在生成段。生成成本在降，判断产出对不对的成本没降。逐行复核别人或者模型写的代码，往往比自己从零写更费神。先把清单前六条勾上，再决定交不交、交多少。【推论】还有一个二阶代价要提前算进去。]]></description><category></category></item><item><title><![CDATA[为什么你总觉得没用满 AI：一份六步自查清单]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/167695766</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/167695766</guid><author>TongwenAI</author><pubDate>Mon, 12 Oct 2026 15:17:01 +0800</pubDate><description><![CDATA[不少人把没用满归因于模型权限。换了更强的版本，几天后却又回到问答、改写和零散搜索。问题通常不只在模型，也在任务有没有进入一条可验收的流程。2026 年 10 月 11 日至 12 日，Andrej Karpathy 在 X 上重发并扩展了今年 4 月的判断。他把外界对 AI 能力的认知差距画成漏斗，并给出几个量级：约 60 亿人几乎没碰过 LLM，10 亿到 20 亿人偶尔用免费版，约 2000 万人在数学与编码上调用前沿模型，约 5000 人能接触前沿级内部系统。]]></description><category></category></item><item><title><![CDATA[邮箱里躺着一批没人复核的 AI 漏洞报告，维护者该怎么验、怎么排]]></title><link>https://blog.youkuaiyun.com/TongwenAI/article/details/167386168</link><guid>https://blog.youkuaiyun.com/TongwenAI/article/details/167386168</guid><author>TongwenAI</author><pubDate>Fri, 09 Oct 2026 14:40:19 +0800</pubDate><description><![CDATA[设想这个场景：某天早上打开 tracker，几十份新报告挂在你的项目下，格式统一，条条带复现器，落款是 OSS Scanner。没人给它们做过人工分类。这不是假设。2026-10-08 上线的 OSS Scanner 在公告里写得很清楚，输出完全由模型生成，没有人工审阅，也没有人工分类，原文 “fully model-generated, without human review or triage”。后面还跟着一句：报告可能是错的、无效的。]]></description><category></category></item></channel></rss>