祝威廉-优快云博客

原创 MLSQL -个人开源项目的成长之路

前言今天看了下项目的first commit log, 发现再过几天，就已经三年整了。commit bbf08489f2e3c58afd584e03b8c9c83d25c63b3bAuthor: WilliamZhu <allwefantasy@gmail.com>Date: Thu Apr 28 15:04:13 2016 +0800open-source versi...

2019-04-23 15:46:06 5787

原创摘下数据分析的皇冠：机器学习，InfiniSynapse 金融评分卡案例

尽管当前ML功能还处于Beta 阶段，但我们可以看到，数据特征工程，模型训练，模型部署（内部或者外部使用），都可以让InfiniSynapse 自主完成，我相信，我们离摘下数据分析的皇冠已经很近，我们将数据分析和传统机器学习算法的成本大幅度降低，让世界所有个人和企业，都可以真正意义上被数据驱动。InfiniSynapse 在此之前具备访问各种数据源，支持对不同数据源的数据做join关联，同时具备特征工程的能力，在此基础上，机器学习的到来也就水到渠成。然后统计准确率，或者对数据做预测保存起来。

2025-12-12 22:31:32 392 1

原创自我创造工具：auto-coder.chat 的自我进化之路

你可以很多场景去触发AI 去创建一个工具，比如你发现 code agent 内置的读取文件的工具无法同时读取多个文件，这样会导致额外消耗很多token,那么就可以让他生成一个可以读取多个文件的 tool。不过，今天我要介绍的功能是一个重头戏，那就是 Code Agent 会根据项目需求自己创建工具，自己迭代工具，然后使用工具来更好的开发这个项目。工具随着日常的使用而不断完善。这是人类最伟大的地方：自主创造新的工具更好的完成自己的工作。这是人类最伟大的地方：自主创造新的工具更好的完成自己的工作。

2025-12-11 22:10:06 314

原创 InfiniSynapse: 玩转 S3/Supabase

SupaBase 是AI时代很火的一个数据库。我们现在也能很轻松的连接。当然，我们也支持诸如国内的OSS，大家可以试试。InfiniSynapse 支持AWS S3对象存储和国外现在特别火的数据库 supabase.复制前面 supabase 里的参数到这里来。密码是你一开始在 supabase 的数据库密码。总之越来越多的小细节点会打磨的越来越好。欢迎到官网下载试用： InfiniSynapse.com。能把 S3 和 Supabase 两个表的数据关联分析么。SupaBase 数据源。

2025-12-05 21:41:38 335

原创 InfiniSynapse 看板收藏: 从对话中收藏宝藏

这次推出的从对话中收藏图表，从对话中提取脚本和参数化，也是我们的一次在确定性和不确定性的一个有价值的探索。我们在和 InfiniSynapse 在数据分析的协作沟通中，实际上会有很多宝藏数据结果。这个可能是你有意为之的，也可能是 InfiniSynapse 在分析过程中的灵机一动，你觉得特别有价值，就可以把这些收藏起来，形成一个图表看板。现在，让我们看看具体怎么用吧。基础版这里，我们让 InfiniSynapse 分析一个鸟击数据：然后分析过程中，你可能觉得某个图表特别好，想以后也能方便看到，这个时候点击右

2025-12-02 14:32:06 332

原创 InfiniSynapse: 把PDF里的表格和Excel/业务数据联合分析

InfiniSynapse 可以把藏匿在文档中的小二维表格和实际的业务结构化数据做联合分析，实现了一种真正意义的“数据挖掘”，极大的扩大了数据的提取质量。InfiniSynapse 可以把藏匿在文档中的小二维表格和实际的业务结构化数据做联合分析，实现了一种真正意义的“数据挖掘”，极大的扩大了数据的提取质量。注意，这里我们的是通过SQL做计算的，而不是AI自己做的计算，所以准确度有保障，绕过AI不太会做计算的问题。这里，我们希望把知识库里的月度数据和csv里的数据做一个对比验证。知识库里的表格数据单独使用。

2025-12-01 17:04:32 352

原创 AI辅助编程工具中的Deep Research

auto-coder.chat 其实也支持通过 Deep Research中功能来帮助用户解决常见问题。访问 https://metaso.cn/ 获取一个 API Key，秘塔每天有免费的额度，够用了。要开启 auto-coder.chat 的 deep research, 首先是需要去申请个。把前面申请的 key 配置到这里。

2025-11-27 19:58:23 371

原创 GenSpark AI 表格：初步思考与潜在挑战

本分析突出了数据连接、查询生成、数据访问和报告编辑能力的局限性。随着查询复杂性的增加（例如，需要生成数百或数千行的 SQL 查询），MCP 生成的 SQL 语法和逻辑的错误率可能会急剧上升。产品演示，包括伴随的演示文稿，似乎主要集中在报告的自动创建上，对生成后微调和定制这些报告的能力关注甚少。InfiniSynapse 作为更加专业的AI辅助数据分析工具，没有前面说到的各种限制，对于普通给用户上手门槛极低，对于专业用户，经得起复杂业务锤炼，官方提供了客户端，支持windows 和 Mac ,大家可以访问。

2025-11-22 10:05:46 237

原创 Data Agent:表单与自然语言的有机交融

InfiniSynapse 通过表单和自然语言的自然转化，能够让用户很好的复用自己的prompt, 同时也能更加直观清晰的使用填写表单的方式来完成输入。分析师可以写非常辅助的prompt,然后作为表单分享给运营，实现InfiniSynapse 小数据App 的雏形。而表单只关注核心输入，可以有效的规范输入和减少输入信息，并且有更好的提示能力。表单是传统交互方式中输入最重要的一种模式（表格则是输出高密度信息的最重要的方式之一），而自然语言则是在新AI时代最重要的一种交互模式。此时就出现了 form 表单了。

2025-11-12 10:43:00 347

原创 Async vibe coding: 国产，包月，界面三重奏

该任务采用 glm 4.6 ，任务名称是 async_model_check_02. 接着你在 Cursor 的Git管理界面，就可以看到这两个任务。1. 你可以把一个任务的执行时间设置更长，从而获得最佳的效果，比如 30m, 120m 都可以。今天我发现， cursor/vscode 的 Git 已经支持展示 auto-coder.chat 的任务列表。2. 你可以每次需求都启动两个任务，看 GLM 和 Kimi 谁跑的更好，就合并谁的。这意味着你可以更加方便的在一个界面上查看两个任务的更改。

2025-11-11 10:04:13 364

原创如何和 Data Agent 建立互信？InfiniSynapse Plan 模式安心可控

但是，我们认为这些对于建立互信还不够，所以同时也提供了 Plan 模式， InfiniSynapse 会把所有的想法和思路提前和你一起探讨，确认，最后才去执行，执行过程还会展示前面的逻辑，比如 todo, 以及每个步骤，每个步骤的结果。随着你越来越信任 InfiniSynapse, 以后你为了更快的获取结果，可能会更加倾向于直接使用 Act 模式，因为这样更加高效。但是 Plan模式在建立互信以及在特别复杂的问题下，对于你更好的和 InfiniSynapse 协作都是很重要的。

2025-11-10 19:23:19 320

原创 Async Vibe Coding ，AI 辅助编程新交互范式

根据上面的示例，可以看到，我们只要填写任务，然后设置任务时间，系统即可异步运行。Claude Code 从刚开始出现到现在，我喜欢的创新其实就两个： subagent 和内置 todo，再之后就没啥创新了，现在虽然每天更新都很勤快，但基本就是交互的一些小改进。2. /time 10m 告诉 subagent, 你要至少跑十分钟，仔仔细细检查了再给我review,而不是写完就给我review，加重我的review 负担。你可以同时提交多个任务，给每一个任务指定运行时间，并且不用担心任务之间是否会冲突。

2025-11-09 09:01:05 863

原创运营好搭档：InfiniSynapse 多Excel文件关联分析

实际上除了多Excel, 我们还能对接各种业务数据库和大数据计算引擎，并且可以对各种数据源做联合计算。运营同学实际上每天都要处理各种Excel统计运营效果，现在，他们可以不再需要手动统计数据，直接给 InfiniSynapse 这个分析师提需求，帮自己做分析了。如果希望把公司的数据和第三方的数据都进行关联统计分析，我知道很多运营同学都是手算的，非常麻烦。通过文件管理，我上传了四个Excel文件（电商数据，用户，产品以及消费记录），然后在数据源管理里，把这些Excel文件取了个名字。昨天正式发了一篇文章。

2025-11-08 10:09:16 366

原创开拓大模型的第二个杀手级应用场景：InfiniSynapse 正式发布

InfiniSynapse 的团队因为非常懂 Agentic (早期auto-coder的作者)，可以做到数据领域最好的 Agent, 并且底层集成了InfiniSQL, 一个非常适合AI使用的SQL语言（经过几年的大模型适配），并且拥有全球最好的的知识库的支撑，让 Data Agent 拥有最好的工具和知识，从而获得最好的效果。2025年实际上Data Agent 是大模型刚出来，大家去做的第一个较大规模的场景，可惜当时时机并不成熟，后面 code agent 反倒火爆了起来，成为第一个落地的场景。

2025-11-07 15:37:20 832

原创基于 SubAgents 实现多模型融合，同时极致压缩成本

这种做法是以损耗效果为代价的，天然和用户的诉求是背离的。与此同时，在收集到了这些文件，后续的修改代码过程中，业绩会每次都会把之前探索的上下文全部带上，这就造成了极大的浪费成本浪费，并且随着窗口使用越来越大，速度也越来越慢。我们通过SubAgents 的组合，使用 v3 完成了项目探索以及上下文收集，使用 sonnet 4.5 代码修改，以及使用 gpt5 完成了最后的代码review, 并且每个阶段都获得最佳效果，并且成本相比之使用 sonnet 4.5 要低的多的多。大家可以安装后体验我后续提到的功能。

2025-11-01 09:54:54 401

原创威廉说，最近AI辅助编程工具缺乏创新，那就让我来吧

在Vibe coding中，大部分用户普遍被Code Agent 的交付质量问题所困扰，其次就是无法真正的并行处理任务（CC 的 subagent 一般只能用于并行处理不相干的任务），并且即使用后通过worktree + 多terminal(tab) 也面沉重的 review 和 merge 负担。异步 subagent 的能力，完全重构了vibe coding的使用方式，对很多人来说，可能还会有使用习惯上改变，2. 人类第一次可以精确的配置 subagent 的运行时间，确保交付质量。

2025-10-30 08:35:18 349

原创 RAG 终于到第四代了，Agentic RAG SDK 来了

后续RAG公司没有从根本上去解决这个问题，而是不断的在其上打补丁比如，加入实体图搜索，在数据预处理上进行大量场景定制，在召回策略上也要进行场景定制。这代其实RAG受限于当时的技术条件而诞生的一个技术，那个时候大模型窗口普遍4-8k，并发少，速度慢，模型效果也一般，所以只能采用传统技术来做召回，并且采用小模型(rerank)来做排序。随着大模型技术的发展，我们推出了第二代 RAG , 该RAG核心是使用大模型做召回，解决了海量数据召回速度和成本问题，同时高度优化窗口的使用率，彻底解决语义召回的难题。

2025-10-25 11:35:29 416

原创 Agent 的复杂度到底在哪 && 以及Agent开发一些细碎的干货

但是从工程角度而言，大部分人的做法是直接拿掉工具的定义，这种做法确实会造成幻觉（你的对话里已经有这个工具之前的使用了），要么你把会话里的相关的工具调用都裁剪掉，或者用我提供的办法：当一个工具不再可用，简单让工具返回一个不可用信息，表示当前阶段该工具不在可用，效果其实比前面的都会好。3. attention 管理，如何在越来越大的上下文情况下，保证任务能稳定的完成，比如任务聚焦的todo 的方案很好，还有工具数量的控制，system prompt里的内部流程的冲突等等，只基本上也是无止境的工作。

2025-07-20 16:07:57 526

原创第二弹 auto-coder 1.0.0 终于来了

随着 AC 模块的引入，AI辅助编程工具将直接给用户提交PR，而且很多情况无需review ,则个时候，我们只要提出需求和验证测试，其实就可以不管了，继续去做其他事情。AC 模块的引入以及基于验证的编程，会极大的拉长对话，比如可能模型要组合1000次甚至一万次的工具调用才能最终完成功能和过”测试验收“。auto-coder 在 1.0.0 版本完成完整布局，覆盖了从手动到全自动化，强人机交互到弱人机交互，从专业程序员到普通用户，从 IDE Free 到 Env Free，真正意义上的造福和服务所有人群。

2025-06-28 10:41:37 552

原创第一弹 AC Module: 和编程语言无关以AI为中心的自包含模块化理念和实现

你或许说，那我给每个模块写个文档，大模型不就知道了么，这个问题其实由来已久，只要是人类在维护文档，这就意味着文档很快就会和代码更新脱节，维护文档实在是个庞大的工作，这就导致现存的大量项目能有一个项目文档就算不错了，很难说在代码中有对模块的每个文档。所以在传统的开发模式下，对AI而言最大的挑战是：他很难看到你项目的全貌，这包括模块的作用，以及模块之间的依赖。这样大模型自己就会去探索项目里已经有的AC 模块，从而更好的依赖已有的AC 模块开发新的模块，避免大量冗余的代码的开发，也让他对项目自身有更好的了解。

2025-06-28 10:41:37 1042

原创 AI辅助编程进入后台和可集成时代

从上个月大部分厂商都开始支持多标签开始，AI辅助编程进入并行化时代，人类可以将任务拆解成多个可并行执行化的任务，然后在不同的标签里运行，从而实现并行化，而这种并行化一旦成为主流，就意味着用户已经无暇关注任务的运行过程了，对用户而言，他只关心自己的输入，以及Code Agent 给的结果，要么继续往后修改，要么返工重修。或者，如果你的应用是Java ， Go 等其他语言开发的，你想在里面集成代码修改能力，那么你可以直接在这些语言里调用这个命令来完成，他的适配度是最高的，最灵活的。这种方式对人依赖太多。

2025-06-22 18:31:23 875

原创大模型的第二个杀手级应用场景出来了

4. 就最简单的生成SQL做法也是针对不同数据源生成不同类型的SQL，而大模型往往会错乱，比如把msyql的function当成hive的function去使用，而SQL自身的复杂度也导致计算大模型能准确的理解需求，能准确的找到合适的表，但是生成复杂SQL的成功率也极低。但是现在，随着AI辅助编程技术的发展，数据分析也终于可以落地了。和RAG知识库一样，之前的人的都做的稀烂，因为他们还是把AI的东西往老的东西上不断的叠加，也不知道如何从AI原生角度出发去设计和思考产品，此外，就是之前的企业做的太早了。

2025-06-10 18:24:52 1097

原创使用 auto-coder 系列产品探索Linux 内核虚拟化经验谈-01

本期内容来自一位资深 linux 内核开发工程师利用 auto-coder.web (AI 辅助编程产品) 以及 auto-coder.RAG 知识库来帮助自己深入探索 Linux 内核机制的一些方式的经验分享。本期内容来自一位资深 linux 内核开发工程师利用 auto-coder.web (AI 辅助编程产品) 以及 auto-coder.RAG 知识库来帮助自己深入探索 Linux 内核机制的一些方式的经验分享。，作用就特别大，下面是我构建的一些文件组，文件组可以添加文件或者目录。

2025-05-26 11:39:43 415

原创 auto-coder.web 推出逆天 LLM 友好包机制

比如渲染一个 prompt, langchain定义了一个模块叫 PromptTemplate, 然后执行可能又定义了一个模块XXX, 这些都只能依靠“记忆”或者“文档”，但是因为这些模块的抽象层次都过高，导致实际上无论对人和对模型都有很大的负担，人只能查找每一个模块的完整使用例子才能使用，而大模型也要精准的记忆每一个模块。这对大模型几乎是不可能的事情。最后就是，无论我们的包是否是专门给大模型开发方便大模型使用的，还是已经存在的第三方包，或者语言，我们提供了一个统一的路口，方便用户使用，也就是。

2025-05-24 10:26:07 750

原创今天，我宣布，RAG 进入 Agentic + LLM-Native 时代

比如用户的很多问题是需要一定推理的，比如A和B谁大，你直接做去问RAG，RAG可能无法回答。现在可以直接在cherry studio里问问题了，我询问了一个auto-coder自身，该项目已经开发了一年多，具备一定的复杂度，且RAG只是里面部分比较小功能，我们看是否能够大海捞针，准确的回答用户。LLM-Native 的最大特点就是抛弃 embedding/rerank 体系，只依赖大模型完成召回，切片，以及确保窗口的超高有效信息占比，从而保证最后的准确性。但是 RAG 始终被困扰的问题在于灵活度不足，

2025-05-17 19:10:30 599

原创不知不觉，我们已经在另外一个维度做AI辅助编程了

未来的软件一定内核都是AI，而当前的AI 库诸如langchain都无法被AI辅助编程很好的使用。来看，我们是如何基于 cursor + byzerllm 开发一个基于大模型的类Google翻译服务的。一个基于大模型的翻译服务，就这么生成了，整个过程你无需关心 prompt，无需关系和大模型如何交互，一切都是自动生成，单次成功率接近 100%。用户无需再写prompt, 无需再关心如何访问大模型，一切 AI辅助编程工具和 byzerllm 库都帮你搞定。不知不觉，我们已经在另外一个维度做AI辅助编程了。

2025-05-14 14:05:46 403

原创充满反骨的auto-coder.RAG 知识库以及RAG的第二层认知

说到 duckdb/byzer storage , 其中 byzer storage 是我们自研的全文检索+向量融合存储和召回引擎，效果也很好，而且我们的用法也是反直觉的，比如我们基于duckdb/byzer storage 做召回，就没有所谓相似度阈值的设计，我们从 duckdb/byzer storage 做召回的时候，是按token数来做阈值的，比如你可以控制输出100万token,那么他就输出100万token，而不是所谓相似度分值。这个就是为了控制成本而诞生的一个阈值，而不是为了效果做的设计。

2025-04-27 18:07:07 1003

原创 auto-coder.web 如何使用O3 订阅而不是API来完成设计或者debug

O3 很贵，但是很强，强的是差异化能力：具有非常强的设计，分析以及debug能力。但是目前几乎所有AI辅助编程产品，其订阅账户下都无法使用 O3 ，只能额外付费使用，但价格高昂。而分析和解决bug 其实是真正的程序员时间大杀器，头发大杀器。如果你订阅了 OpenAI Pro, 那么在 auto-coder.web 中，我们可以结合 auto-coder.chat 通过 human as model 模式来使用 O3,而无需支付 API 费用。接着按下回车，系统会自动停下来，你的黏贴版会自动有一些内容。

2025-04-24 10:00:11 419

原创 Cursor 0.49 和 auto-coder.web 0.1.84 新老功能大撞车

也推荐大家在 cursor 里搭配auto-coder.chat(命令行版本)，对比下我们的自然语言编程和 cursor的，同时充分利用 cursor 的tab tab能力。auto-coder.web 的rules 功能做的比较晚，但是功能差不多分两次就出来（第一次是支持rules, 第二次是支持自动生成rules）昨天看到 Cursor 最新版本的一些功能描述，发现和 auto-coder 的新老功能非常像，本文纯属好玩。cursor 模型需要版本更新添加。cursor 的快捷键更新。

2025-04-22 09:33:44 224

原创 IntelliJ, Eclipse, Visusal studio 的用户： AI 辅助编程在召唤你们

实际上基于IDE 插件的AI辅助编程厂商很快会就会遇到增长瓶颈，因为短期内普通开发者还很难离开一些特殊的的IDE，比如还有非常多的人在坚守 Eclipse，这个时候他们要想增长，就需要不断进入这些IDE，然他们不断进入新的 IDE 端，比如 idea， visual stuido， eclipse 甚至一些更古老的IDE，那么他们的很多投入就完全和AI 无关，而是需要大量懂这些IDE，把重复的功能在不同IDE上都实现一遍，未来维护成本也会很高。图5 web 版本的极简模式/云端的用户看这里。

2025-04-10 10:55:25 488

原创 AI辅助编程背后技术揭秘：Code Agent 是怎么实现的

而 Agents 则是根据当前项目状态，选择合适的agent 完成工作，然后只做review ，比如如果需要修改文件，他会调用 /coding 工具，并且用文字，二次阐述要做什么，/coding Agent 会根据他的描述，实现具体的需求。可以看到，基本调用一次工具，就是发起一次新的请求，再流式解析和调用，这样相当于把当前的现状（修改结果），大模型重新进行了获取，从而能够指导接下来如何做决策。我们给的工具非常底层，只提供查找，罗列，修改等几个有限的原子工具，然后 Agent 自己来前面的决策流程。

2025-04-09 11:47:21 1833

原创我在构建一个编程的新世界

auto-coder 冰山之下，有能够具备支持代码和文档的全球首款 llm native 的 RAG 引擎auto-coder.RAG , 在 RAG之下，我们自研了AI存储系统 Byzer Storage ，一个使用了诸多业界最新成果的引擎：比如支持CPU 向量化能力的JDK21，Lucene，分布式王者Ray，分布式存储JuiceFS 等。web版本会有更好的交互体验，实现编程心流。当然了，我从来不认为 AI辅助编程的核心壁垒是牢固的，AI辅助编程自身是冰山之上的东西，我认为冰山之下的操作根本的。

2025-04-01 08:57:47 439

学习JavaFX脚本语言_翻译_.pdf

jQuery1.2API

hibernate 关联保存 的困惑

hibernate 关联保存的困惑