lgy9527_-优快云博客

原创 ai时代必须搞的个人知识库！！

AI时代下，个人知识库正成为核心竞争力。本文介绍了如何用Obsidian构建"第二大脑"：1）AI虽强但缺乏个人经历，知识库能补足这一短板；2）Obsidian以本地Markdown存储、双向链接为特点，适合构建可被AI调用的知识网络；3）新手应从简单目录开始记录，避免过度设计系统；4）建议结合ChatGPT进行信息整理和学习规划。核心观点是：在AI普及时代，个人独特的知识资产将成为关键优势，而持续记录和整理比追求完美系统更重要。

2026-07-19 12:07:25 401

原创 Agent 时代的责任边界：当机器替你做决定之后

真正有效的人机协作，应该让 Agent 提供可读的决策理由、影响范围和不确定性，而不是只展示一个“执行成功”。它没有真正的利益，也无法。一个成熟的 Agent 系统，不能只设计“它能调用哪些工具”，还要设计“它在什么条件下不能调用”。能力的提升令人兴奋，但真正困难的问题并不是 Agent 能做什么，而是它做错之后，谁应该负责。真正可靠的智能系统，不是让人从流程中消失，而是让人在最关键的地方仍然能够看见、理解并负责。目标来源、提示词版本、使用的上下文、调用过的工具、返回结果、审批记录和最终状态。

2026-07-18 10:09:07 223

原创 Git Worktree + 多 AI Agent

很多开发者觉得 Git Worktree 是个“冷门命令”，那是因为以前人类的脑力带宽不足以同时处理三个任务。但在 AI 时代，我们已经从“代码编写者”进化为了“代码审查者”和“架构指挥官”。当算力不再是瓶颈时，工程结构的并行化能力就成了衡量一个全栈开发者的核心指标。去给你的 Agent 多开几个分身吧。在黑色的终端窗口里，让复数的光标同时闪烁，那才是属于未来的生产力旋律。

2026-04-19 00:45:29 427

原创突然又火起来的Harness Engineering到底是怎么回事

摘要： HarnessEngineering已成为AI时代的关键架构，为脆弱的大模型构建“工程外骨骼”。AgentHarness通过上下文管理、工具执行和状态监控，将原始模型转化为可靠的工作流；EvalHarness则通过语义相似度评估、LLM裁判和对抗测试，解决概率性输出的测试难题。严密的PromptCI/CD流水线确保每次修改的安全性和稳定性。真正的护城河并非模型本身，而是企业积累的Harness基建——包括评估体系、容错机制和管控流程。在技术快速迭代中，Harness才是AI系统稳定运行的核心竞争力。

2026-04-15 23:02:01 293

原创 RAG到底是什么？萌新都能看懂的解释来了

RAG架构：为AI模型构建确定性记忆的工程革命 RAG（检索增强生成）技术通过分离计算与存储，将大模型转变为专注推理的"硅基大脑"，同时外接向量数据库作为确定性记忆硬盘。其核心流程包括索引编制、语义检索和基于参考的生成，完美解决了微调技术的更新困难、灾难性遗忘等问题。RAG利用向量嵌入在高维语义空间实现精准检索，突破传统关键词匹配的局限。尽管面临切块策略、中间信息丢失等工程挑战，RAG仍以其工程确定性成为对抗大模型幻觉的终极武器，在企业级AI应用中展现出不可替代的价值。

2026-04-14 20:46:54 264

原创社交曼哈顿距离：用算法重构人际关系的拓扑学

本文探讨了用数学模型重构人际关系的可能性，提出"社交曼哈顿距离"概念。相比欧几里得距离，曼哈顿距离更符合人类交友逻辑，它线性累加各维度差异，而非放大分歧。文章分析了特征向量化表达、过拟合陷阱及权重影响，并引入余弦相似度概念，指出方向一致性比绝对距离更重要。通过算法视角，揭示了社交连接的本质是在高维特征空间中寻找坐标相近、方向相同的同行者。

2026-04-14 20:24:57 436

原创线性注意力、稀疏专家架构与ai

《打破Transformer的双重原罪：线性注意力与稀疏专家的架构觉醒》揭示了当前大语言模型面临的核心瓶颈。传统Transformer架构存在两大缺陷：自注意力机制的O(N²)时间复杂度导致长文本处理效率低下，以及稠密模型的全参数激活带来算力浪费。文章深入剖析了两项突破性技术：线性注意力通过核技巧将计算复杂度降至O(N)，实现恒定状态压缩；稀疏专家(MoE)系统则通过条件路由机制，仅激活相关专家模块，实现存储与计算的解耦。二者的结合将创造兼具"无限记忆"和"无限知识"

2026-04-09 20:03:25 354

原创（2026）ai盛行的今天，为什么cli重新杀回来了？

摘要： AI时代正推动命令行界面（CLI）的复兴，颠覆了图形界面（GUI）的主导地位。CLI的文本交互特性与AI的Transformer架构完美契合，避免了GUI操作的低效与限制。AI通过自然语言理解用户意图，自动生成复杂命令，消除了CLI的语法记忆门槛，并赋予AI执行能力，使其成为高效的"数字实体"。终端环境为AI提供了理想的REPL（读取-执行-反馈）循环，使其能快速调试、部署和重构代码。未来，CLI或将成为AI驱动的核心交互界面，重新定义生产力工具的效率边界。

2026-04-07 22:50:35 435

原创 Agent skills思考与指南

本文探讨了为大模型设计高阶Skill（工具调用）的关键原则。Skill设计需包含意图、参数契约和反馈回路三部分，其中描述应包含触发边界和前置条件。参数设计需采用强类型、枚举和正则约束来对抗模型幻觉。最重要的是建立闭环反馈机制，将错误信息转化为可理解的Prompt返还给模型。作者强调工程师应通过严密的系统契约来驾驭模型的混沌特性，将AI能力转化为可控的工程资产，而非单纯依赖自然语言提示。

2026-04-05 16:41:42 231

原创 claude code 源码泄露思考

AI开发工具ClaudeCode的源码泄露揭示了其本质是REPL循环架构，而非拥有自主意识。该工具通过读取-求值-输出循环执行代码操作，实际表现暴露出低级错误和代码质量问题，包括重复逻辑和低效结构。尽管存在缺陷，该事件标志着AI从文本生成向具备执行权的实体转变，未来可能形成人类定义边界、AI执行代码开发的协作模式，但也潜藏着代码失控的风险。

2026-04-04 12:23:18 354

原创写给全栈的 Docker 扫盲：从“在我电脑上能跑”到“集装箱革命”

Docker作为现代软件开发的"集装箱"技术，通过镜像(Image)和容器(Container)机制，彻底解决了"在我电脑上能跑"的环境不一致问题。相比传统虚拟机，Docker直接复用宿主机内核，启动更快、资源占用更少。核心概念包括：Dockerfile(构建指令)、Image(不可变环境包)、Container(运行实例)。对于全栈项目，Docker Compose可以一键编排多个服务。Docker推动了"不可变基础设施"理念，要求所有环境变更都

2026-04-02 22:36:24 217

原创 claude code小白windows安装教程

《ClaudeCode全栈开发实战指南》摘要：本文系统介绍了Anthropic推出的代理型编码工具ClaudeCode的核心特性与部署方案。作为VibeCoding（氛围编程）范式的典型代表，该工具通过"人类出题-AI解题"的协作模式实现高频交互式开发。文章详细讲解了Windows环境下的安装流程，包括Git、Node.js等依赖项的配置，并重点演示了如何通过修改.claude.json文件绕过地域限制。特别提供了接入国产大模型（如通义千问）的完整方案，涵盖API Key获取、环境变量设

2026-04-02 22:28:23 536

原创逃离 Python 舒适区：用 LangChain4j 在 Spring Boot 中重塑 AI Agent 架构

摘要：文章探讨了如何在SpringBoot业务系统中深度集成AI能力，推荐使用LangChain4j替代Python生态的LangChain。作者指出，LangChain4j通过面向接口编程和强类型约束，将大模型组件（如ChatLanguageModel、ChatMemory）高度解耦，实现本地开发与线上部署的无缝切换。其声明式AI服务（@AiService）简化了Prompt拼接，使AI交互如同普通Java方法调用。此外，工具调用（@Tool）和RAG流水线进一步扩展了AI的实际应用场景

2026-04-01 17:31:59 394

原创 Vibe Coding：当敲代码变成“吟唱”，AI 时代的开发者在干嘛？

但正是因为我清楚 **TypeScript 的强类型约束机制** 以及 **CI/CD 流水线的 Linux 环境差异**，我才能迅速定位到是 `Variants` 接口的显式类型声明出了问题，并果断决定在 `package.json` 中调整构建策略，最终拿下了那个绿色的 ✅。Vibecoding 的核心，**不是不用写代码，而是你的技术品味、架构能力以及对业务逻辑的洞察（Vibe），终于不再被繁琐的语法所束缚。1. **定义愿景**：“我要一个 Innei 风格的主页，带有极简的空气感和深色模式。

2026-03-30 19:29:42 230

arqiu8的博客