【27.77 亿 Token 烧出来的教训:Codex 技能过度设计踩坑实录】

Qwen3-Max-Preview:面向AI编程基础设施的万亿参数协处理器 大语言模型在编程场景中的应用已从代码补全进阶为工程级认知协同。其核心在于突破传统API调用范式,实现可审计、可回滚、可编排的推理过程——这要求模型不仅理解语法,更要建模工程约束、系统依赖与执行态语义。Qwen3-Max-Preview以超万亿参数为底座,通过动态稀疏专家路由、分形上下文扩展与四维API协商机制,将AI从‘生成器’升级为‘认知协处理器’。它专为API中转站架构师、智能体框架开发者及工业软件工程师设计,支撑PLC编程、shell脚本异常处理、多源API编排等高确定性任务,直击api error: 阅读详情

📕我是廖志伟,一名Java开发工程师、《Java项目实战——深入理解大型互联网企业通用技术》(基础篇)、(进阶篇)、《解密程序员的思维密码——沟通、演讲、思考的实践》作者、清华大学出版社签约作家、Java领域优质创作者、优快云博客专家、阿里云专家博主、51CTO专家博主、产品软文专业写手、技术文章评审老师、技术类问卷调查设计师、幕后大佬社区创始人、开源项目贡献者。

📘拥有多年一线研发和团队管理经验,研究过主流框架的底层源码(Spring、SpringBoot、SpringMVC、SpringCloud、Mybatis、Dubbo、Zookeeper),消息中间件底层架构原理(RabbitMQ、RocketMQ、Kafka)、Redis缓存、MySQL关系型数据库、 ElasticSearch全文搜索、MongoDB非关系型数据库、Apache ShardingSphere分库分表读写分离、设计模式、领域驱动DDD、Kubernetes容器编排等。

📙不定期分享高并发、高可用、高性能、微服务、分布式、海量数据、性能调优、云原生、项目管理、产品思维、技术选型、架构设计、求职面试、副业思维、个人成长等内容。

Java程序员廖志伟

💡在这个美好的时刻,笔者不再啰嗦废话,现在毫不拖延地进入文章所要讨论的主题。接下来,我将为大家呈现正文内容。

优快云

文章目录


前言

我之前陆续给AI配置了大量自定义技能(Skill),本意是通过精细化规则约束,提升代码生成质量、贴合工作规范。
比如日常写接口时,要求自动完善Swagger文档、补全详细参数示例、规范前端错误码、细化入参和出参说明等,这些定制化要求,都是我在工作中一步步积累、逐步适配补充的,只为让产出更贴合业务标准。

java程序员廖志伟

但实际使用下来效果很差,最近明显感知AI响应越来越卡顿,直接拖垮了整体工作效率。
复盘后发现核心问题出在技能的加载逻辑上:我设置的是按需触发、全局适配模式,每下发一个任务,系统都会自动加载、遍历全部Skill规则,逐一检测是否需要触发匹配。

可以参考:https://download.youkuaiyun.com/download/java_wxid/92785887?spm=1001.2014.3001.5501

随着日积月累,技能数量越来越多,即便很多技能当下任务用不到,也会被逐个扫描校验,大幅增加运行开销。
后续我尝试过各种优化手段:更换模型、调低运行配置至最低档位,都没有明显改善。
现在简单任务也要等待半分钟以上,复杂需求甚至要耗时好几分钟;就算多线程并行提交任务,整体运行速度依旧持续变慢,严重影响办公节奏。

现在我意识到,属于过度设计了。堆砌太多冗余技能反而得不偿失,相比复杂的技能套装,不如精简规则,只保留核心约束,直接用简洁清晰的要求交给大模型执行,反而会兼顾速度与实用性。

今天

我今天用了100多块钱,有点心痛。
java程序员廖志伟
今天用下来,整体效果其实并不理想,工作效率的提升非常有限。

工作时我用的是 ChatGPT 5.5 的最高档位模型,虽然生成质量整体还不错,基本能满足需求,但依然会有不少漏洞和 bug,改来改去反而更耗时间。更关键的是,响应速度慢得离谱,同样的任务经常要等好几分钟。

我复盘了一下,核心问题应该出在我之前设计的复杂规则和一堆 Skill 上 —— 每次调用都要加载、校验一大堆技能配置,光这一步就严重拖慢了模型响应,成本也跟着上去了,等于自己给自己加了一堆不必要的负担。

晚上回家,我在一台全新的电脑上装了 CodeX,什么自定义规则都没加,直接用 ChatGPT 5.3 Codex 的低档位模型测试,结果响应速度快得惊人,一两秒就能出结果,工作中用同一模型缺要几分钟。

这一对比我才发现,之前花大量时间堆规则、做适配,全是无用功。这些过度设计不仅没带来质的提升,反而拖慢了速度、拉高了成本,让我在追求 “完美规范” 的路上,反而把效率给拖垮了。
java程序员廖志伟
java程序员廖志伟
java程序员廖志伟
java程序员廖志伟

优化

不要把大量 skill 和长全局规则挂在单一主 Agent 上,而是采用“轻量主脑 + 角色 Agent + 子 Agent 按需加载 + Hook 兜底 + Eval/Simulation 验证”的结构,这样速度、能力、可控性三者才不会互相打架。

总模型

  1. 人是最终裁决者,系统里的“主脑 Agent”只是编排器,不是无限膨胀的万能代理。
  2. 主脑 Agent 只做 4 件事:识别任务、选择角色、收敛结果、做最终质检。
  3. 角色 Agent 只做窄职责工作,不直接承担整条链路。
  4. 子 Agent 只在角色 Agent 真的需要重能力时才创建,用完即回收。
  5. Skill 负责“应该怎么做”。
  6. Hook 负责“不能怎么做”。
  7. Memory 负责“越用越懂你,但不能无限污染上下文”。
  8. Eval + Replay + Simulation 负责“这套系统在真实任务里是否稳定”。

为什么不用“大一统主 Agent”

  1. 全局挂很多 skill 会拖慢首包时间,因为每次都要做触发判断和规则解析。
  2. 主 Agent 背太多职责后,路由会变差,输出风格会漂,错误更难定位。
  3. 多角色拆分后,问题会变成“哪个角色失误”,而不是“整个系统为什么又玄学了”。
  4. 质量真正来自清晰边界、输出协议、验证闭环,不来自提示词堆积。

推荐的三层结构

  1. Orchestrator Agent
    职责:任务识别、编排、上下文裁剪、质量门禁、最终汇总。
    要求:必须轻量,不默认加载重 skill,不默认做全仓深扫。

  2. Role Agents
    建议首批角色:PM/Growth、Architect、Dev、QA、Review、Docs、Release、Issue/Ops。
    要求:每个角色只有清晰边界和固定输出协议,不互相越权。

  3. Worker Agents
    典型子角色:schema-worker、test-writer、seo-auditor、bug-reproducer、migration-checker、release-note-writer。
    要求:强约束、短生命周期、有限输入、有限输出、明确文件或任务边界。

四大核心对象

  1. Role
    定义“它是谁、负责什么、不能碰什么、成功标准是什么”。

  2. Memory
    定义“哪些事实值得记、记到哪里、什么时候读、什么时候过期”。

  3. Skill
    定义“为完成某类任务可加载哪些流程、模板、工具、外部系统”。

  4. Workspace
    定义“角色定义、记忆、技能、运行日志、评测样本、交付物都放在哪里”。

记忆系统怎么设计

  1. User Memory
    存用户长期偏好。
    例如:回答风格、默认技术栈、对风险的容忍度、常用命名、对速度和质量的偏好。

  2. Project Memory
    存项目长期事实。
    例如:架构约束、目录约定、部署方式、测试命令、发布策略、SEO/GEO 目标、历史坑点。

  3. Run Memory
    存一次任务的过程事实。
    例如:本轮目标、实际改动、失败原因、验证结果、待办尾项。

  4. Pattern Memory
    存高频可复用模式。
    例如:issue 分诊模板、发布流程模板、PR 审查模板、SEO 检查模板。

  5. 记忆写入原则
    只写高价值事实,不写猜测。
    只写稳定内容,不写瞬时噪音。
    写入要带来源和置信度。
    长期记忆必须允许淘汰和修订。

Skill 体系怎么拆

  1. Analysis Skills
    例如需求拆解、架构审阅、issue triage、复盘分析。

  2. Execution Skills
    例如代码实现、测试生成、文档生成、发布准备、SEO 元数据生成。

  3. Verification Skills
    例如结构化输出校验、风险清单检查、SEO/GEO 审核、回归检查。

  4. Integration Skills
    例如 Git、CI/CD、Issue Tracker、Docs、CMS、搜索监控平台。

  5. 设计原则
    主脑只挂路由级轻 skill。
    角色 Agent 只挂本领域 skill。
    重 skill 不进全局,按需加载。
    每个 skill 都要有输入、输出、失败条件和边界说明。

Hook 兜底要覆盖什么

  1. 路由 Hook
    检查任务是否发给了正确角色,防止 PM 去直接写代码,防止 Dev 去拍业务结论。

  2. 权限 Hook
    限制危险操作、越权工具调用、无授权外部访问、错误分支发布。

  3. 输出 Hook
    强制结构化输出,至少包含:结论、证据、风险、未决项、下一步。

  4. 改动范围 Hook
    限制某个 Agent 只能改它负责的文件或模块。

  5. 事实校验 Hook
    要求高风险结论必须带依据,高时效信息必须先查证。

  6. 记忆写入 Hook
    没有确认价值的内容不能写长期记忆。

  7. 发布 Hook
    没有通过测试、没有变更说明、没有回滚预案,就不能进入发布阶段。

SEO/GEO 的归属
SEO/GEO 不是独立漂在流程外的一条线,而是整个研发流程中的横切能力。

  1. 在 PM/Growth 阶段定义目标
    包括:搜索意图、实体覆盖、页面策略、可检索内容、引用价值、转化目标。

  2. 在 Architect/Dev 阶段实现
    包括:信息架构、路由与渲染策略、元数据、结构化数据、页面语义块、可抓取性。

  3. 在 QA 阶段校验
    包括:标题描述、canonical、结构化数据、渲染结果、内容可抽取性、链接结构。

  4. 在 Release/Ops 阶段监控
    包括:收录、排名、点击、转化、引用表现、内容衰减和回补。

全流程编排

  1. 入口与分流
    主脑 Agent 接收任务,识别任务类型、风险等级、所需角色、需要读取的最小上下文。
    输出:task brief、role assignment、required memories、required skills。

  2. 需求定义
    由 PM/Growth Agent 负责。
    输出:目标、用户问题、验收标准、约束条件、SEO/GEO 要求、优先级。

  3. 方案设计
    由 Architect Agent 或高级 Dev Agent 负责。
    输出:技术方案、模块边界、数据流、风险点、测试策略、发布影响面。

  4. 实现执行
    由 Dev Agent 负责。
    必要时派生 worker agents 处理测试编写、迁移检查、单模块实现、SEO 元数据生成等窄任务。
    输出:代码改动、实现说明、测试说明、剩余风险。

  5. 代码审查
    由 Review Agent 负责。
    关注点:逻辑错误、行为回归、边界条件、缺失测试、发布风险。
    输出:按严重度排序的问题列表,而不是泛泛总结。

  6. 测试校验
    由 QA Agent 负责。
    覆盖:单测、集成、E2E、回归、性能基线、SEO/GEO 校验。
    输出:通过项、失败项、复现方式、阻断级别。

  7. 文档编写
    由 Docs Agent 负责。
    更新:用户文档、内部运行手册、变更日志、FAQ、迁移说明。

  8. 上线发布
    由 Release Agent 负责。
    处理:版本号、发布说明、环境差异、发布步骤、回滚方案、发布后观察项。

  9. 发布后监控
    由 Issue/Ops Agent 与 Growth Agent 负责。
    处理:告警、issue 分诊、用户反馈、SEO/GEO 表现回收、知识沉淀、下一轮任务触发。

统一输出协议
所有角色 Agent 都必须按同一协议回传,主脑只接收这种格式:

  1. 结论
  2. 证据
  3. 风险
  4. 未决项
  5. 下一步

代码类任务额外要求:

  1. 改动范围
  2. 验证结果
  3. 发布影响

Workspace 建议目录

/workspace
  /roles
    orchestrator.md
    pm-growth.md
    architect.md
    dev.md
    qa.md
    review.md
    docs.md
    release.md
    issue-ops.md
  /memory
    /user
    /project
    /runs
    /patterns
  /skills
    /routing
    /development
    /testing
    /docs
    /release
    /seo-geo
    /issue-triage
  /hooks
    route-check
    permission-guard
    output-schema
    change-scope
    fact-check
    memory-write
    release-gate
  /evals
    /routing
    /task-success
    /tool-compliance
    /seo-geo
    /regression
    /simulations
  /artifacts
    /prd
    /design
    /reviews
    /reports
    /release-notes

评测和真实验证必须怎么做

  1. 静态 Eval
    检查路由是否正确、输出是否合规、工具是否越权。

  2. 真实样本 Replay
    把历史需求、历史 issue、历史 PR、历史发布事故拿来回放。

  3. 多轮 Simulation
    模拟真实用户行为,不只测单轮问答。
    例如:提需求、改需求、追问、打回、补充限制、要求上线、出现 bug、回滚。

  4. 线上门禁指标
    最少看:任务成功率、误路由率、P95 延迟、失败恢复率、人工接管率、回归率。

最小可行落地顺序

  1. 第一阶段先做 Orchestrator + PM/Growth + Dev + QA + Review。
    原因:这是最短闭环,能先把“需求到代码到校验”打通。

  2. 第二阶段补 Docs + Release + Issue/Ops。
    原因:这一步开始形成真正的工程系统,而不是单次任务工具。

  3. 第三阶段加强 Memory + SEO/GEO + 自动化监控 + Replay Eval。
    原因:这一步才决定系统能不能长期变聪明、变稳定,而不是越跑越乱。

真正的落地标准

  1. 没有输出协议的 Agent,不上线。
  2. 没有 Hook 的高风险能力,不开放。
  3. 没有 Eval 样本的 skill,不进入默认流程。
  4. 没有边界定义的角色,不允许派任务。
  5. 没有回放验证的自动化,不允许扩大权限。

优快云

📥博主的人生感悟和目标

Java程序员廖志伟

希望各位读者大大多多支持用心写文章的博主,现在时代变了,信息爆炸,酒香也怕巷子深,博主真的需要大家的帮助才能在这片海洋中继续发光发热,所以,赶紧动动你的小手,点波关注❤️,点波赞👍,点波收藏⭐,甚至点波评论✍️,都是对博主最好的支持和鼓励!

📙经过多年在优快云创作上千篇文章的经验积累,我已经拥有了不错的写作技巧。同时,我还与清华大学出版社签下了四本书籍的合约,并将陆续出版。

《Java项目实战—深入理解大型互联网企业通用技术》基础篇简体字的购书链接:https://item.jd.com/14152451.html
《Java项目实战—深入理解大型互联网企业通用技术》基础篇繁体字的购书链接:http://product.dangdang.com/11821397208.html
《Java项目实战—深入理解大型互联网企业通用技术》进阶篇的购书链接:https://item.jd.com/14616418.html
《解密程序员的思维密码–沟通、演讲、思考的实践》购书链接:https://item.jd.com/15096040.html

🔔如果您需要转载或者搬运这篇文章的话,非常欢迎您私信我哦~

让工作事半功倍的技能目录:Codex助你一臂之力! 摘要:Codex的"Agent Skills"是一个强大的工具集合,帮助开发者和AI代理高效执行特定任务。这些技能包含指令、脚本和资源,支持个人和团队共享使用。安装简便,可通过命令行快速添加新技能,如自动化GitHub评论生成。应用场景广泛,包括自动化任务、团队协作、开发者教育和实验性开发。相比同类工具如GitHub Actions,Codex技能库更专注于AI辅助开发,显著提升工作效率。通过合理使用这些预制技能,开发者可以优化工作流程,加速开发过程。 阅读详情

相关推荐

Mythos模型能力跃迁:长程因果推理如何重塑漏洞挖掘范式

大语言模型在安全领域的应用正从辅助工具迈向自主推理阶段。核心突破在于‘长程因果推理’能力——即跨越代码、内存、系统调用等多抽象层,建模软件运行时的动态因果链。这种能力区别于传统模式匹配或静态分析,依赖模型对C标准库行为、PHP ZVAL结构、Web服务器解析流程等底层机制的跨层理解。其技术价值体现在显著压缩MTTR(平均修复时间)、支撑高阶攻击链推演,并推动红队工作流从手动逆向转向AI协同指挥。典型应用场景包括工业SCADA系统命令注入深度解码、老旧内核竞态条件识别、以及CI/CD中嵌入式AI审计。Clau

weixin_34174105的博客 543

Codex 十大必装 Skills 技能来了! 让你效率提升10倍不止!

帮 Codex 连接外部工具和服务,比如 GitHub、Notion、Slack、数据库等。一套现成的工作流程模板,覆盖前端、全栈、移动端和文档写作。你可以用更简单的命令,让它做分析、修 bug、写代码、优化项目、生成文档等任务。让 Codex 像严格工程师一样干活:先写测试,再写代码,还会主动做代码检查,减少“看起来能跑、实际有坑”的情况。主要用来学习“一个好 Skill 应该怎么写”,也适合拿来当模板,改成自己的专属技能。在用 CodeX 的强烈建议安装一下,对工作效率的提升是全方位的。

LXZZKJ的博客 2644

大模型重构策划工作流:从需求翻译到风险预判的四步闭环

策划案生成本质上是商业问题拆解与执行路径设计的过程,其核心不在文案堆砌,而在结构化约束、思维链引导与多条件协同推理。大模型作为数字副手,需通过需求翻译将模糊指令转化为可计算参数,借助Chain-of-Thought激活逻辑推演,依托角色-任务-约束三元组锁定执行颗粒度,并以对抗性提示主动暴露预算超支、合规漏洞等真实风险。这种‘人机分工’模式显著提升方案落地性与抗压能力,已广泛应用于快闪活动、618促销、品牌快闪等高频商业场景,成为市场与运营团队提效的关键基础设施。

weixin_34315485的博客 336

Codex 完整指南(七):Agent Skills 详解|工作流封装、复用与团队共享

本文系统介绍了 Codex Agent Skills 的概念、加载与优先级机制、创建与调试方法,以及技能在团队中的最佳实践。通过官方与社区示例,展示如何将零散 Prompt 工程化为可复用、可共享的工作流能力,帮助个人和团队高效构建标准化的 AI 编程代理技能体系。

阿甘兄 1万+

Mythos如何重塑漏洞挖掘:从模式匹配到因果链推理

大模型在网络安全中的应用正从辅助工具迈向自主攻防决策核心。其本质是将传统基于规则与检索的漏洞识别,升级为对程序运行时语义与因果逻辑的深度建模。这种转变依赖于对软件动态行为的可计算模拟、多步操作闭环执行能力,以及在真实终端环境中的工具调用与反馈修正机制。Mythos所展现的‘因果链推理’与‘推理时计算’能力,标志着LLM已能系统性理解输入-状态-输出间的脆弱性跃迁路径,从而支撑金融、医疗等高敏场景下的自动化红队演练、0day挖掘与隐蔽攻击链构建。

weixin_34393428的博客 358

【AI智能体】Codex 高级进阶使用技巧项目实战操作详解

Codex 高级进阶使用技巧项目实战操作详解

congge 1万+

Codex 零基础实战教程,夯爆了!带你速通 15 种玩法

全网最细的 Codex 零基础入门教程,从 Codex 安装到项目实战,从基础功能到核心特性,用 15 个实战案例,手把手教你玩转 Codex。覆盖 Skills、MCP、Browser Use、Computer Use、定时自动化等核心能力

努力做最接地气的编程干货分享,感谢关注 8578

Windows游戏多开检测实战:5种技术原理与破解方法详解(附C++代码)

本文深入解析了Windows游戏多开检测的5种核心技术原理,包括进程枚举、互斥体、信号量、窗口及文件映射检测,并详细探讨了对应的破解方法。通过分析这些基于进程和内核对象的攻防机制,为开发者与逆向爱好者提供了从底层理解Windows系统进程管理的实战视角,并附有核心C++代码示例。

weixin_29315091的博客 245

27.77 亿 Token 烧出来的教训:Codex 技能过度设计踩坑实录与 TaoToken 配置复盘

Codex 技能过度设计导致 27.77 亿 Token 被隐性消耗,本文复盘 40 条 Skill 全挂主 Agent 的踩坑过程,给出 auth.json 与 Base URL 可复制配置片段,并借助 TaoToken 统一 Key 通道对比精简前后用量,输入 Token 降约 75%。配置与观测入口见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

weixin_42601608的博客 7

TCN+iTransformer时间序列预测实战:从风电功率预测到源码解析(附完整代码)

本文深入探讨了TCN与iTransformer融合模型在时间序列预测,特别是风电功率预测中的应用。通过解析iTransformer‘倒置’视角的创新架构与TCN强大的局部时序捕捉能力,文章提供了完整的融合方案设计、源码实现及实战调优经验,旨在构建更强大的下一代预测引擎。

weixin_29062671的博客 266

详解如何用爬虫工具批量采集阿里巴巴批发网商品数据

本文主要介绍如何使用后羿采集器的智能模式,免费采集阿里巴巴批发网商品的批发价格、发货时间、是否代发等信息。 采集字段: 商品标题、商品链接、图片链接、标签1、标签2、标签3、价格、30天成交数、 评价、店铺 功能点目录: 如何对采集字段进行配置 如何采集列表+详情页类型网页 采集结果预览: 下面我们来详细介绍一下如何免费采集1688批发网的商品数据,我们以“羽绒服女”为例,具体步骤如下: 步骤一...

weixin_43777427的博客 1万+

Codex 技能过度设计踩坑实录:27.77 亿 Token 烧出来的配置教训与 TaoToken 统一通道实践

Codex 技能过度设计让 27.77 亿 Token 六成耗在规则遍历上。本文给出可复制的精简配置:关闭 auto_discover、只留 3 个核心 Skill、core.md 压到 500 Token 内,并用 TaoToken 统一通道观测消耗,单次请求从 42000 降到 9000 Token。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42576804的博客 13

RH850从0搭建Autosar开发环境【2X】- Davinci Configurator之EcuC模块配置详解(上)

RH850从0搭建Autosar开发环境【2X】- Davinci Configurator之EcuC模块配置详解(上)

weixin_42412049的博客 1536

dsh-purge:名字是「purge」却什么都不删——它改写本机 52 个官方文件,这是完整风险与退路指南

dsh-purge 是装在官方 DeepSeek Harness 上的红队评测插件,名字像清洁工具,实际行为却相反:它不删任何东西,只用 52 条补丁现场改写本机 `@deepseek-ai` 官方包。本文先把 dsh-purge 风险摊开给你看——碰什么、碰多少、什么时候碰、翻车了怎么撤——再谈怎么上手,动手前你能拿到一份完整的备份与还原路线。 ## 退路先行:翻车之后怎么撤 先看撤退路线,

gitblog_00062的博客 644

图像增强算法:基于Retinex的图像增强算法

该算法对图像的亮度和颜色进行分离处理,然后通过调整它们的比例来提高图像的质量。滤波后的图像将保留颜色信息,并减少图像中的噪声。接下来,Retinex算法使用一个高通滤波器对原始图像进行滤波处理,以增强图像中的亮度信息。通过使用Retinex增强算法,我们可以有效地提高图像的质量,增强图像中的细节和颜色信息。最后,Retinex算法通过将颜色恢复和亮度调整后的图像进行比例调整,以获得最终的增强图像。Retinex算法是一种常用的图像增强算法,它通过对图像的亮度和颜色进行调整,以提高图像的视觉质量。

XsiJava的博客 439

【GlobalMapper精品教程】038:模拟水位上升(洪水淹没分析)案例教程

基于数字高程模型 ( DEM )格网模型,实现给定水深情况下洪水淹没区的计算模型,讨论洪水淹没演进过程可视化实现的关键技术,以三维可视化方式,动态而形象地模拟在指定洪水水位下的洪水淹没演进过程。

智慧空间实验室 2887

Codegraph 调用序列分析:为什么“读文件减少 75%“没能等比换算成墙钟加速——trace 工具从 A/B 消融到可上线结论的完整推演

本文基于 codegraph 仓库中的基准分析文档 [call-sequence-analysis.md](https://link.gitcode.com/i/dd5d52763d55182ca8daff761da6a508),完整还原了一次"测量先行(measure-first)"的 A/B 实验链路:先解释 A/B 矩阵里"reads 砍掉 75% 但墙钟只快 16%"这一反直觉现象,再逐层

gitblog_00411的博客 322

74.9008深度刷机原理|高通QPST/Firehose底层刷写协议详解

移动设备刷机与底层维修技术指南 本文为移动设备维修人员和高级玩家提供全面的刷机与底层维修技术指南,涵盖高通、联发科和苹果A系列芯片的主要操作。 主要内容 核心操作:Bootloader解锁、Fastboot刷写、EDL深度修复、iTunes DFU模式恢复和分区表重建 适用场景:系统故障修复、底层损坏恢复、安全限制解除、系统降级和深度硬件维修 关键技术:详细解析刷机协议栈层级、关键分区作用和刷机安全机制 操作步骤: 环境搭建与驱动安装 Bootloader解锁(以小米为例) 高通机型系统刷写 苹果设备DFU

2601_95651806的博客 205

Suwayomi-Server 扩展源开发指南:从零接入漫画网站的完整流程

Suwayomi-Server 是部署在服务器上的开源漫画阅读器,通过加载为 Tachiyomi 生态编写的扩展(APK),从各漫画网站抓取目录、章节与页面。开发扩展源,本质上是写一个实现 `Source` 接口的 Kotlin 类,让服务器学会"读懂"某个网站。全流程可以拆成五道关:定身份、选基类、写数据接口、加配置、打包自测。 ## 第一关:定好元信息,让 Source 能被注册 1. 继

gitblog_00390的博客 797

《QGIS快速入门与应用基础》294:双地图框布局(真彩色+假彩色对比)

摘要 本文详细介绍了在QGIS中创建专业级遥感影像对比地图的完整流程。作者作为时空智能领域专家,重点讲解了双地图框布局的实现方法,通过真彩色与假彩色影像的同步对比,满足学术研究和工程应用需求。文章包含三个核心部分:1) 前期准备工作,包括图层复制、标准化命名和参数校验;2) 布局创建与页面设置,详细说明了A4横向布局的参数配置;3) 双地图框同步技术,提供了复制粘贴法和手动设置两种实现方案。教程特别强调图层锁定、比例尺固定等关键操作,确保对比图的专业性和准确性,适合GIS从业人员和遥感研究者学习参考。

LuckyHanMo的博客 361

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Codex配置Skill

Codex配置Skill

有用的话关个注,点个赞,收个藏🫶。 5841

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Codex 写代码入门教程:从“会提问”到“会指挥 AI 干活”,程序员必须掌握的新技能

本文探讨了AI编程助手Codex如何改变程序员的工作方式,强调未来程序员的核心能力将从编码转向系统设计和AI指挥能力。文章详细介绍了Codex的功能特点、适用场景、使用方法和实用技巧,包括项目分析、代码解释、Bug修复等10大核心技能,并提供了专业提示词框架。作者指出,程序员需要学会将复杂需求拆解为明确指令,通过"需求澄清-方案设计-任务拆解-审查把关"的工作流程,将AI作为开发流水线助手。文章还延伸了AI助手在其他行业的应用可能,同时提醒注意版本兼容、代码审查等常见问题。最后强调,AI

weixin_72139050的博客 1628

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Codex技能大揭秘:自动化工作流、多样功能及创建贡献指南!

Codex技能是模块化的指令包,用于告诉Codex如何按照你的要求执行任务。每个技能都存放在自己的文件夹中,其中包含一个SKILL.md文件,该文件包含元数据(名称和描述)以及详细的操作指南。Codex会读取元数据来决定何时触发技能,并在触发后加载具体内容,以保持上下文简洁。

safetybug的博客 323

Codex中必装的11个Skills

在开始之前,先快速科普一下Skills是什么。Codex Skills是一套以SKILL.md文件为核心的指令包。Codex启动时,会读取所有已安装Skill的名称与描述(大约只占2%的上下文预算),当你发起任务时系统自动匹配并加载对应Skill的完整指令。如无匹配,则不占用任何上下文,非常高效。更重要的是,Skills格式是开放标准——同一份SKILL.md无需修改,就可在Codex CLI、Claude Code、Gemini CLI、Cursor以及GitHub Copilot。

xh2277659985的博客 4519

装上这5个Skill,我的Codex直接变最强大脑!

让 AI 从“用完即忘的临时工具”变成“持续积累的工作搭档”。它们不改变 Codex 的底层能力,但改变了它与你之间的交互方式:从每次从零开始,到每次在前次基础上继续推进。如果你在长期项目中频繁使用 Codex,装齐这五个 Skill 后,体验上的差异会是明显的。后续我们将介绍如何为 Codex 接入本地大模型,进一步扩展其灵活性,敬请关注。

yzh66666666的博客 853

程序员破防现场:Codex 配置自定义 AI API 后,Token 为什么烧得这么快?我的血汗钱啊!

程序员在使用Codex等AI编程工具时,常因Token消耗过快而"破防"。本文揭示了AI编程工具与传统聊天的关键差异:AI Agent会主动读取代码库、构建上下文、执行多轮推理,导致Token消耗呈指数级增长。真正消耗Token的大头是代码上下文(可达15000+)和历史对话(5000+),而非回答本身。以SpringBoot项目为例,一次修复请求可能涉及10+文件,消耗25000+Token,日调用千次月成本可达1.2万元。建议通过限制上下文、控制对话长度、降低推理等级、使用Token

私聊前往站内信:https://i.youkuaiyun.com/#/msg/chat/weixin_44976692 2507
上一篇: codex里面配置用户级别的全局规则
下一篇: 【Java后端开发】花了2k+多的人民币,烧了几十亿Token,慢慢整理出来适用于Java开发人员的codex配置,还在持续优化中
Java程序员廖志伟
Java程序员廖志伟 优质创作者: Java技术领域 优质创作者: Java技术领域 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄8年 2万+粉丝 1902原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Java程序员廖志伟

赏我包辣条呗

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值