- 博客(56)
- 资源 (11)
- 收藏
- 关注
RSS订阅
原创 解密openclaw底层pi-mono架构系列一：3.pi-tui
本文深入解析pi-tui终端UI框架，一个专为终端打造的高性能界面解决方案。通过三层架构设计（终端抽象层、TUI引擎层、应用层），pi-tui实现了组件化开发和差分渲染技术，解决了传统终端界面开发中的闪烁、交互困难等问题。框架提供类似React的开发体验，包含文本、输入框、选择列表等内置组件，支持中文宽字符处理。实战演示展示了如何快速构建一个带边框、计时器和键盘交互的终端应用，通过最小化IO实现丝滑更新。该框架特别适合构建交互式终端应用，为AI系统提供友好的命令行交互界面。
2026-03-11 09:17:08
672
原创 解密openclaw底层pi-mono架构系列一：2.pi-agent-core
摘要： 本文深入解析了pi-agent-core架构的核心设计与实现，重点对比了其与pi-ai的本质差异——前者是具备完整生命周期的有状态Agent，能自动处理工具调用循环和上下文记忆。文章通过架构图展示了三大核心模块（Agent、AgentState、AgentTool）和自动运行循环机制，并提供了5分钟快速上手的代码示例。特别强调了工具系统的实现方式（定义工具四要素）和事件系统的完整生命周期监听能力。通过实际案例演示了如何让Agent自主完成多轮工具调用（如文件读取），开发者仅需单次调用即可实现复杂交互
2026-03-09 23:03:34
1466
1
原创 解密openclaw底层pi-mono架构系列一：1.从架构到实战
摘要 Pi Mono是Openclaw的底层框架模块，采用Monorepo架构整合了7个功能包，包括统一LLM API调用、智能体运行时、终端/Web UI等核心组件。项目提供分层架构设计，支持20+大模型提供商的无缝切换，并通过pi-ai模块标准化了不同厂商的API格式。安装要求Node.js≥20，提供完整的开发工作流和测试工具。核心特性包括统一的completeSimple/streamSimple接口、自动成本计算和多提供商路由机制，大幅简化了AI助手的开发流程。该项目特别强调工程实践，为构建生产级
2026-03-08 17:53:59
1800
原创 claude-agent-sdk mineru-parser-skill发票识别
本文介绍了利用Claude Agent SDK和MinerU解析服务实现智能文档处理的技术方案。通过将MinerU封装为Claude Agent SDK的Skill，实现了从文档URL到结构化Markdown的自动化流程。方案核心包括：1) Claude Agent SDK的Skills机制实现智能化调用；2) MinerU支持OCR和VLM双模型，能处理复杂文档；3) 异步流式处理提升用户体验。文章详细展示了从服务注册、环境配置到Demo运行的完整过程，并提供了发票识别的实际案例结果。该方案适用于发票处理
2025-12-30 15:46:24
970
原创 supabase本地部署
Supabase 是一款强大的开源后端服务，提供了数据库、身份验证、实时推送等功能。本文将详细介绍如何在本地环境中部署 Supabase，让开发者能够在自己的服务器上搭建一个高效且可扩展的后端解决方案。通过阐述部署过程和关键配置步骤，读者将能够轻松地利用 Supabase 构建自己的应用程序，享受到其强大功能和灵活性。无论是开发小型项目还是构建大规模应用，本文都将为您提供必要的指导，帮助您充分利用 Supabase 的优势，实现快速、稳定的应用开发。
2023-11-26 10:57:15
5317
4
原创 windows10下pytorch安装
1、准备环境和软件安装环境：windows + 已安装python2.7版本准备安装：pyenv2.64.3 +virtualenvwrapperpython下载地址（注意下载64位的不然会报错平台不适配，以前用pep425tags版本信息）：https://www.python.org/downloads/通过pip命令查看python的版本：pip debug --verbose(pytorch381) F:\pytorch>pip debug --verbo...
2020-08-18 09:19:29
826
原创 解密Palantir系列三：10.AIP · 从 Bootcamp 到生产，差的不是一个 Demo
解密Palantir AIP：从概念验证到生产落地的关键路径 本文深入剖析了Palantir AIP平台从Bootcamp概念验证到生产落地的完整过程，揭示了三个阶段的核心差异： Bootcamp阶段（1-5天）：验证技术可行性，建立最小闭环原型 目标：确认场景价值和技术路径 关键产出：可操作原型、架构假设、业务反馈 必须包含真实业务用户参与和边缘案例测试 试点阶段：验证真实环境下的稳定性 核心问题：在真实数据和流程中能否稳定重复 关键产出：回放结果、影子运行数据、风险记录 重点验证数据新鲜度、变更管理和错
2026-07-30 22:56:51
345
原创 解密Palantir系列三：9.AIP · 从 Ontology 到 Agent，完整走一遍 AIP 工作流
本文通过拆解Palantir官方两门Speedrun课程，系统梳理了AIP工作流的完整实现路径。上半程展示如何将PDF文献构建为知识图谱语义层，形成可检索的Chunk和Entity对象；下半程演示在现成Ontology基础上装配Agent行动层，重点剖析六个关键工程节点：对象输入、三分支输出、Action写回、先人后机原则、发布前评测和自动化触发机制。文章特别强调训练环境与生产要求的差异，指出实际部署需要补齐的评估扩展、行动分级等能力，并提供七个关键自查问题帮助读者建立闭环检查思维。全文贯穿"从数据到受控行
2026-07-30 22:55:24
504
原创 解密Palantir系列三：8.AIP · 先别做 Demo：这个 AI 用例值不值得做，要先过筛子
本文介绍了Palantir AIP用例筛选的方法论，强调在开发Demo之前需经过严格筛选。筛选过程分为两步：首先通过业务价值、人员就绪度和数据条件三类要素淘汰、合并需求；然后将幸存用例拆解为八个环节的工作流（数据来源、用户活动等），直到第六环节才考虑AI必要性。这种方法能避免"为AI而AI"的陷阱，确保项目真正解决业务痛点。文章通过供应链场景示例展示了十二个提案如何被筛选至三个立项，其中仅一个需要AI。最后提出七个立项检查项，强调"筛选后成立"而非"听起来适合AI"才是立项依据。
2026-07-23 22:08:56
219
原创 解密Palantir系列三：7.AIP · 接上 MCP，不等于交出控制权
文章摘要（149字）： Palantir的MCP协议解决了外部Agent与企业系统的互操作问题，但并未替代权限治理。Ontology MCP（OMCP）面向业务数据交互，Palantir MCP（PMCP）专注开发协作，二者权限隔离。外部Agent接入需穿透五层控制：OAuth身份、应用限制、底层权限、业务闸门和审计关联。关键区别在于：协议仅标准化通信，企业仍需显式设计数据边界、审批流程和日志追踪。接入便利性提升后，资源暴露清单更需严格审查，避免"合法接入但失控"风险。治理核心原则：协议开放接口，企业定义行
2026-07-23 22:07:35
234
原创 解密Palantir系列三：6.AIP · 别再把 AIP 当成一个聊天框：四个入口，四种工作
摘要 本文探讨了概率性AI代理在企业级应用中的质量保障机制。针对供应链Agent案例，提出了从测试到生产的闭环管理方案： 问题核心：概率性系统的上线资格不依赖一次性验收，而需可重复的回归证据体系，解决模型升级、Prompt变更后的稳定性验证问题。 测试阶段： AIP Evals构建四维测试集（历史数据/专家用例/合成数据/开源基准） 采用四类评估器（匹配类/规则类/自定义函数/LLM评委）组合验证 特别设计扰动测试验证非确定性场景 运行监控： 五维观测体系（指标/执行历史/分布式追踪/服务日志/日志搜索）
2026-07-21 22:10:49
486
原创 解密Palantir系列三：5.AIP · 概率性的 Agent，怎样通过企业级上线考试？
摘要 本文探讨了概率性AI代理在企业级应用中的质量保障机制。针对供应链Agent案例，提出了从测试到生产的闭环管理方案： 问题核心：概率性系统的上线资格不依赖一次性验收，而需可重复的回归证据体系，解决模型升级、Prompt变更后的稳定性验证问题。 测试阶段： AIP Evals构建四维测试集（历史数据/专家用例/合成数据/开源基准） 采用四类评估器（匹配类/规则类/自定义函数/LLM评委）组合验证 特别设计扰动测试验证非确定性场景 运行监控： 五维观测体系（指标/执行历史/分布式追踪/服务日志/日志搜索）
2026-07-20 22:12:13
275
原创 解密Palantir系列三：4.AIP · 当 Agent 能改 ERP：一次 Tool Calling 到底要过多少道闸门？
本文深入探讨了企业级AI代理（Agent）在调用工具（Tool Calling）时面临的多重安全与控制挑战。文章指出，不同于普通的API调用，生产环境中的工具调用需要经过7道关键闸门：意图确认、工具限定、身份绑定、参数校验、模拟提案、人工审批和提交审计。作者强调，大语言模型（LLM）仅应负责生成调用意图，而真正的业务授权必须由确定性系统完成。文章提出了按业务后果分级的五级控制框架（L0-L4），并针对供应链场景展示了如何将AI建议限制在"提案"阶段而非直接执行。最后，作者列出了上线前必须回答的7个关键问题，
2026-07-20 22:09:16
355
原创 解密Palantir系列三：3.AIP · 向量库找到了文档，为什么企业 AI 还是答不对？
企业AI在实际业务决策中常因缺乏实时业务上下文而导致回答失真，Palantir提出的Ontology-Augmented Generation（OAG）通过整合四层上下文（文档、业务对象、确定性计算和权限）来解决这一问题。OAG不是替代RAG，而是扩展上下文范围，确保模型获得可计算、可追溯的业务状态。关键挑战在于动态组装最小必要上下文，平衡信息完整性与权限边界。评测需关注证据来源、实时状态引用和工具调用的合规性，最终目标是让AI输出兼具业务准确性与执行可信度的决策建议。
2026-07-17 23:50:30
236
原创 解密Palantir系列三：1.AIP 不只是 Agent Builder，而是一套完整的企业 AI 生产体系
摘要 Palantir的AIP（Artificial Intelligence Platform）不仅仅是一个Agent构建工具，而是一套完整的企业AI生产体系。文章通过分析AIP的12类官方能力，将其归纳为五层架构：模型与计算接入、上下文与Ontology、Agent与自动化构建、运行治理、应用与交付。这套体系与Foundry数据平台和Apollo部署平台协同工作，Ontology作为业务运行中枢，统一管理业务对象、逻辑、动作和安全策略。通过一个供应商中断的案例，展示了五层架构如何协作完成从问题识别到方案
2026-07-17 23:49:25
389
原创 解密Palantir系列三：1.AIP · 把 LLM 嵌入企业决策
文章摘要 Palantir AIP（Artificial Intelligence Platform）的核心价值并非提升大模型能力，而是构建受控的AI决策闭环，使LLM能在企业权限、规则与审计约束下参与真实业务操作。它通过三根支柱——企业数据（实时、权限过滤）、业务逻辑（调用已有规则/模型）和行动系统（对接ERP/MES等）——将AI从聊天演示升级为生产级工具。关键差异在于：普通RAG止步于生成答案，而AIP追求可执行、可追溯的业务结果，需通过数据、逻辑、行动、界面和反馈五道关。例如供应链场景中，AIP会基
2026-07-15 23:33:31
347
原创 FDE：Palantir 这套打法，中国公司能抄的只有一半
科技圈有个词很热：FDE，Forward Deployed Engineer，前线部署工程师。
2026-07-15 23:28:12
389
原创 AI工程师必读：从提示词到循环工程的范式革命 Loop Engineering
本文探讨了AI工程领域正在发生的范式革命——从传统的直接提示词交互转向循环工程（Loop Engineering）。两位顶级AI工程师Peter Steinberger和Boris Cherny指出，未来的AI应用方式应该是设计循环系统，让AI自主运行"发现→规划→执行→验证→迭代"的完整流程，而非人工逐步提示。 文章分析了循环工程面临的主要挑战：高昂的token消耗成本，并指出国产大模型（如DeepSeek V4）的大上下文窗口和低成本特性正使其变得可行。详细解释了单智能体循环与舰队循环的区别，以及开环（
2026-06-18 11:16:56
279
原创 解密Palantir系列二：4.Palantir Foundry：七问判断该不该上
文章摘要： Palantir Foundry的核心壁垒在于其围绕统一业务语义构建的数据治理与行动闭环，而非单一功能模块。其差异化体现在：1）多层级安全治理（Projects/Markings/Purpose-Based Access）；2）从Ontology到Action的端到端决策追溯；3）跨系统写回与运营能力。该平台适用于需要将模型建议转化为受控企业行动的复杂场景（如航空、医疗等领域），但纯数据分析需求采用现代数据栈更经济。企业可通过7个关键问题（如业务对象化查询、模型集成、跨系统追溯等）判断是否需要F
2026-06-13 23:08:05
540
原创 Palantir Foundry：5步把数据变对象
摘要： Palantir Foundry通过5个关键步骤将原始数据转化为可操作的业务对象：1) 安全接入数据源，确保权限和血缘管理；2) 管线转换，支持批处理和流式处理；3) 质量与血缘监控，实现数据工程化治理；4) Ontology建模，将数据映射为业务对象（如订单、客户）；5) 应用与行动，构建基于对象的运营工具。以供应链为例，传统数据平台需跨系统协调，而Foundry通过对象网络（如供应商、零部件）直接关联业务行动，实现从数据到决策的闭环。
2026-06-12 19:36:12
453
原创 # 解密Palantir系列二：2.Palantir Foundry：3层看懂它
Palantir 官方把 Foundry 定义成：本地 Foundry 2022 白皮书里还有一句更像品牌定位的话：这两句话放在一起看，容易误解。如果你把 “operating system” 直译成“操作系统”，可能会以为 Foundry 像 Windows、Linux 一样管理机器资源。让企业的数据、模型、业务对象、工作流、审批动作和结果反馈可以被统一操作。数据操作平台，而不是数据展示平台。数据在哪里？能不能查？能不能分析？报表能不能出来？
2026-06-11 21:22:13
486
原创 解密Palantir系列二：1.Foundry · 数据操作系统
文章摘要： Palantir Foundry作为企业数据操作系统，核心价值在于解决从数据洞察到业务执行的闭环断裂问题。其五层架构（数据集成、模型集成、Ontology语义层、工作流、决策编排）将分散的系统串联：1）统一接入多源数据并确保可信；2）使离线模型融入实时运营；3）通过Ontology建立业务对象关系网；4）提供可操作的工作界面；5）支持多方案推演并安全执行。以供应链缺料场景为例，Foundry能整合ERP、库存等数据，运行风险评估模型，协调采购/生产等多部门在统一平台评估方案，最终将审批决策写回业
2026-06-09 23:06:27
703
原创 Claude Code-Dynamic Workflows：2.第一个工作流agent
本文介绍了Claude Code动态工作流的基本概念和使用方法。主要内容包括： 工作流脚本由两部分组成： meta对象（纯字面量）：定义命令名、描述和阶段信息 可执行JavaScript代码：可以直接使用await 核心函数agent()用于派发子任务： 简单用法：直接返回文本结果 结构化用法：通过schema参数获取校验后的JSON对象 支持配置模型、标签等选项 其他重要函数： parallel()和pipeline()用于并发处理 phase()定义执行阶段 args获取运行时参数 通过一个完整示例展示
2026-06-09 19:09:40
233
原创 Claude Code-Dynamic Workflows：1.为什么用工作流？
如果你经常让 Claude 做长任务，应该见过这种情况：它一开始很认真，越往后越像在“凭感觉收尾”。不是模型突然变差了，而是我们把太多事情塞进了同一个对话窗口：规划、执行、验证、记忆约束、汇总结论，全都挤在一起。
2026-06-08 22:33:13
374
原创 解密Palantir系列一：8.场景 / 决策血缘 / 历史版本回溯
本文探讨了企业决策系统中时间层（Scenario/Decision Lineage/Time Travel）的关键作用。企业决策不同于个人软件试错，其试错成本极高，需要在不影响生产系统的前提下进行沙箱演练。时间层通过三个核心机制实现这一目标：(1) Scenario创建业务状态分支进行安全试错；(2) Decision Lineage记录完整决策上下文；(3) Time Travel回溯历史状态用于复盘。三者共同构成企业操作系统的安全阀，实现"可试、可审、可回、可学"的能力。
2026-06-08 14:16:53
661
原创 解密Palantir系列一：6. 语义层全景 —— 从报表到 AI Agent 的四代演进
《语义层演进：从报表到AI Agent的四代发展》 摘要： 本文系统梳理了语义层在企业数据架构中的演进历程。语义层本质是连接底层数据与业务应用的翻译层，解决"技术语言与业务语言不匹配"的核心问题。发展可分为四代：第0代报表语义层（如SAP Universe）隐藏SQL复杂性；第1代指标层（如dbt）统一指标定义；第2代知识图谱描述实体关系；第3代操作语义层（如Palantir Ontology）新增执行能力，整合业务对象、逻辑和可审计动作。关键区别在于能力维度：Lookup（查询）、Reasoning（推理
2026-06-02 09:32:51
449
原创 解密Palantir系列一：5. 名词 Object / Property / Link
文章摘要 Palantir的Ontology建模中，名词层（Object/Property/Link）是业务对象的语义坐标系，不同于传统数据库表结构。其核心概念包括： Object Type：业务实体类别（如客户、订单），不等同于数据库表，可能整合多系统数据； Object：具体实例（如订单SO-2026-0001），需解决跨系统身份统一问题； Property：对象属性，可能来自多字段组合； Link Type：业务关系，超越外键约束。 建模关键是从业务语义出发，而非直接映射表结构。对象类型可分为实体、事
2026-06-01 10:40:30
446
原创 解密Palantir系列一：4. Ontology 不是哲学
文章摘要： 本文深入解析了Palantir中Ontology的核心概念，指出其与传统哲学、语义网和知识图谱的本质区别。Palantir Ontology作为"企业操作语义层"，不仅包含业务对象和关系，还整合了可执行动作、权限控制和决策反馈等动态维度。文章通过航空公司案例，对比数据仓库的静态表结构与Ontology的动态业务对象模型，强调后者将数据、逻辑和行动统一为可操作的决策单元。最后提出三分法框架（名词层、动词层、时间层），揭示Ontology如何支撑从业务认知到行动执行的完整闭环，并指出其在大模型时代作
2026-05-31 21:33:35
500
原创 解密Palantir系列一：3. Palantir 是谁
企业决策闭环中的三大断裂：传统软件难以打通"看-想-做"全流程 摘要： 本文揭示了企业数字化决策中的核心痛点：尽管拥有BI、ERP、数据仓库等多种系统，却无法形成完整的决策闭环。文章指出三大关键断裂：1）BI系统"只看不动"，能发现问题但无法触发业务动作；2）ERP系统"能做但看不全"，执行能力强但缺乏全局视野；3）数据平台"能算难用"，模型输出难以转化为业务动作。
2026-05-31 21:31:17
327
原创 解密Palantir系列一：2. 传统软件的三大断裂
企业决策闭环中的三大断裂：传统软件难以打通"看-想-做"全流程 摘要： 本文揭示了企业数字化决策中的核心痛点：尽管拥有BI、ERP、数据仓库等多种系统，却无法形成完整的决策闭环。文章指出三大关键断裂：1）BI系统"只看不动"，能发现问题但无法触发业务动作；2）ERP系统"能做但看不全"，执行能力强但缺乏全局视野；3）数据平台"能算难用"，模型输出难以转化为业务动作。
2026-05-22 14:15:31
473
原创 解密Palantir系列一：1. 决策的三元闭环
决策闭环：数据、逻辑与行动的三元循环 Palantir的核心价值在于构建企业决策闭环，而非单纯的数据分析。完整决策包含三个关键环节：数据（信息输入）、逻辑（判断依据）和行动（执行落地），三者必须形成可回流的闭环。
2026-05-21 16:13:52
557
原创 智能体+动态本体——场景（1）一个真实的反洗钱系统，讲透传统软件的颠覆
本文介绍了一种颠覆传统反洗钱系统的智能体+动态本体架构。传统系统需要IT团队修改数据库和规则引擎来应对新型洗钱手法，耗时长达三个月。而新架构通过动态本体技术，将schema定义权交给业务专家，使其能实时调整语义关系；智能体则持续分析语义图，主动发现异常模式。该系统已在霍尔木兹海峡监控场景验证，30分钟即可构建本体模型并持续检测异常，相比传统方案的3个月周期实现了质的飞跃。这种架构不限于特定领域，可快速移植到军事、医疗等不同场景，实现了从"IT主导"到"业务主导"的范式
2026-05-12 16:36:53
434
原创 当claude code 偶遇 harness skills
《零基础使用Harness-ZH组建AI团队指南》摘要： Harness-ZH是一个无需编程基础即可使用的AI团队构建工具，它能根据用户需求自动组建多AI协作团队。用户只需通过自然语言指令（如"给项目搭一个harness"），工具就会自动创建包含设计、开发、测试等角色的AI团队。安装仅需两行命令，使用过程分为审计、方案、生产等6个阶段，每个阶段都需用户确认。文章提供了8个常见应用场景的"召唤咒语"，并强调使用时要先建团队再派任务。所有生成文件均为可编辑的Markdow
2026-04-15 13:23:40
518
原创 解密openclaw底层pi-mono架构系列一：7. pi-pods：把 GPU 服务器变成你的私有 AI 后端
本文介绍了pi-pods系统，这是一个将GPU服务器转化为私有AI后端的解决方案。文章首先分析了自托管LLM的必要性，包括数据隐私、成本控制和模型定制等场景。然后详细阐述了pi-pods的三重功能：GPU服务器管理、vLLM自动部署和OpenAI兼容API暴露。 技术架构方面，pi-pods通过SSH管理远程服务器，底层采用vLLM推理引擎实现高性能推理，并支持PagedAttention技术提高显存利用率。文章还对比了vLLM与其他推理框架的优劣，指出vLLM在生产环境中的优势。 最后，作者强调pi-po
2026-03-18 13:45:40
595
原创 解密openclaw底层pi-mono架构系列一：5. 让 AI 住进 Slack —— 自我管理的 Slack Bot 智能体详解
前五篇我们依次构建了 `pi-ai`（统一 LLM API）、`pi-agent-core`（智能体运行时）、`pi-tui`（终端 UI）、`pi-coding-agent`（终端编程助手）、`pi-web-ui`（浏览器聊天组件）。它们要么在终端里运行，要么在浏览器中运行——但都需要**人主动打开才能用**。如果 AI 能住在你团队天天用的 Slack 里，随叫随到、还能自己定时干活呢？这就是本篇主角——`pi-mom`。
2026-03-14 00:03:07
783
原创 解密openclaw底层pi-mono架构系列一：5. pi-web-ui
本文介绍了pi-web-ui——一套基于浏览器的AI聊天界面组件，它是openclaw底层pi-mono架构系列的第5部分。pi-web-ui将终端AI能力迁移到浏览器环境，提供开箱即用的Web Components UI，支持通过几行代码快速嵌入AI对话功能。 文章详细解析了： 架构设计：包含ChatPanel核心组件、浏览器存储系统、消息类型处理等模块 技术实现：基于Lit框架、Tailwind CSS和IndexedDB 数据流程：从用户输入到LLM API请求的完整链路 典型应用：如构建AI客服系统
2026-03-12 23:52:03
1024
原创 解密openclaw底层pi-mono架构系列一：4.pi-coding-agent
文章摘要 pi-coding-agent是一个终端AI编程助手，整合了pi-ai（LLM API）、pi-agent-core（智能体运行时）和pi-tui（终端UI框架）三大组件。它提供四种运行模式：交互式TUI、打印模式、JSON事件流和RPC协议，适用于不同场景。内置编程工具包括文件读写、代码搜索、命令执行等，AI可自主决策工具调用。系统支持会话管理、上下文压缩和扩展功能，是一个类似Claude Code的开源实现，致力于将AI编程能力落地到实际开发工作流中。
2026-03-11 22:36:13
1354
1
原创 Qwen3.5-27B vllm claude-code本地化部署
本文介绍了如何在Ubuntu22.04系统上使用vLLM（nightly版本）本地部署Qwen3.5-27B大语言模型。主要内容包括：1）硬件要求建议64GB显存；2）下载Qwen3.5-27B模型；3）拉取vLLM nightly版Docker镜像；4）配置docker-compose.yml文件，设置模型路径、端口映射和运行参数；5）启动服务并验证运行状态。部署采用单卡配置，支持工具调用功能，适用于生产环境的高效推理需求。
2026-03-03 21:49:38
2105
原创 Pi Coding Agent 编码工具的定制
《Pi Coding Agent 编码工具的定制：10个通用架构模式解析》 本文深入剖析了Pi Coding Agent的扩展系统架构，提炼出10个通用设计模式。通过对比Claude Code的"内置一切"和Pi的"极简核心+扩展层"两种设计哲学，揭示了Pi将高级功能推到扩展层的创新思路。 核心架构分为四层： 声明式配置层 扩展层（16个插件） 核心运行时层 子进程层 重点介绍了两个关键模式： 单入口注册式插件：通过函数注册而非继承实现低耦合扩展 事件总线+返回值决策
2026-02-24 22:38:20
1889
GPS 设计全攻略详解
2010-09-15
VC6LineNumberAddin-win7 64位
2012-03-07
Windows CE API 手册 v2.0
2009-09-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人