01
给微信装个AI大脑
一个开源微信AI助手，通过微信官方iLink协议接入DeepSeek V4 Flash模型，实现合规不封号、有持久记忆、白名单防刷、扫码即用的功能。项目用Docker一键部署，仅200多行Python代码，适合个人在NAS上运行。
微信机器人LangChainDeepSeek
阅读全文文章列表
20 篇公开文章
02
Kubernetes网络隔离翻车，Pod IP全乱套了
ACK集群中两套节点池因共用可用区导致Terway网络隔离失效，Pod IP混杂、公网出口错乱。根因是Terway的eni-config按可用区分配IP，无法区分同可用区内不同网段的交换机。解决方案是将节点池2迁移至eni-config未配置的可用区E/F，利用Terway降级回退机制，使Pod IP从节点eth0所在交换机分配，实现物理隔离。
ACKTerway节点池
阅读全文03
站点里关于知识图谱的实现思路
文章提出知识图谱实现方案，采用4种节点（文章、标签、概念、实体）和6种语义边（链接、归属、相似、引用、构建、矛盾），并引入来源追踪机制（auto/manual/both）支持增量更新。通过LLM提取实体增强语义层，过滤低置信度结果。渲染选用D3.js替代ReactFlow以提升力导向交互流畅性。图谱还作为搜索的结构化扩展通道，与embedding和rerank协同。核心设计哲学包括来源追踪、渐进增强、图谱即检索和交互优先。
知识图谱图数据库LLM
阅读全文04
RRF 融合是怎么工作的
RRF（倒数排名融合）是一种多路召回结果融合方法，核心是抛弃原始分数，仅依赖每路结果的排名。通过公式 `score(d) = Σ 1/(k + rank_i(d))`（k默认60），将不同量纲的分数（如cosine、BM25、概率等）统一为排名倒数累加，消除量纲差异和超参调优问题。其有效性在于：无量纲、无超参、强化多路共识文档、自然降级。k=60控制头部与尾部差距，使排名差异温和但可区分。工作流程中，四路召回独立排序后，RRF融合得到最终分数，截断Top-20返回。设计哲学强调排名优于分数、多路投票、理论经验结合、可降级，成为现代搜索系统融合多路召回的事实标准。
RRF倒数排名融合搜索
阅读全文05
Docker 19.03.9 还在用？containerd 2.1.6 已不认账
containerd 2.1.6 不再支持 Docker V1 镜像格式，导致 K8s 业务 Pod 拉取镜像失败。根因是 Jenkins 使用旧版 Docker 19.03.9 构建出 V1 格式镜像，而新版 containerd 已彻底移除对 V1 的支持。临时修复可通过 Docker 重新推送镜像自动转换为 V2 格式；长期方案是使用 buildx 或开启 BuildKit 构建 V2 标准镜像。
containerdDockerK8s
阅读全文06
家里吃饭总纠结？这个小程序帮你搞定
家饭小记是一款轻量微信小程序，旨在解决家庭日常“今天吃什么”的难题。它帮助家庭成员收集用餐意向、共同确定菜单，并支持家庭成员管理、查看每日用餐安排。无需下载APP，打开微信即可使用，让家庭吃饭安排更清晰、轻松。
小程序家庭餐饮
阅读全文07
跨网段访问OpenVPN内网，这个坑你踩过吗？
本文介绍了通过Mac作为网关代理，实现办公内网跨网段访问OpenVPN远程内网的方案。核心矛盾在于办公内网用户无法直接路由到远程内网。方案经历了三个阶段：PF防火墙NAT方案（L3层）仅解决同网段访问，跨网段因路由器缺少回程路由而失败；路由器静态路由方案（L3层补充）需管理权限且不够灵活；最终采用端口映射方案（L4层），在Mac上运行nginx stream模块监听本地端口，通过四层代理绕开路由问题，实现稳定可靠的跨网段访问，支持HTTP和Samba等服务。
OpenVPNNAT路由
阅读全文08
Nginx高并发短连接日志反向代理优化复盘总结
文章总结了Nginx高并发短连接日志反向代理的优化实践。核心问题包括：出站端口耗尽、TIME-WAIT堆积（最高近8万）、499客户端断连、配置不规范及路由权限漏洞。优化方案：配置上启用HTTP/1.1长连接复用、缩短代理超时至10秒、修复WebSocket配置错误、添加IP白名单；内核层面开启tcp_tw_reuse、调整端口范围、缩短TCP超时参数；可选iptables跳过连接跟踪。最终解决了连接资源耗尽问题，并指出云上CLB/ALB无法替代Nginx外联代理能力。
Nginx高并发短连接
阅读全文09
不是不在乎，只是真的太容易忘了
我因常忘记重要日子而开发小程序“记日宝”，旨在帮助用户记录亲友生日、纪念日等关键节点及礼物偏好。它像一份“惦记清单”，通过提前提醒避免遗忘，让在乎变得具体。未来计划融入AI辅助送礼建议，但强调技术不替代真心。文章呼吁用户试用，以在忙碌生活中维系珍贵关系。
记日宝小程序提醒
阅读全文10
我终于搞懂了Function Calling和MCP的区别
本文介绍了Function Calling与MCP两种技术。Function Calling是大模型调用预设函数与外部系统交互的能力，用于扩展模型能力、结构化输出和动态决策，适合简单原子化任务。MCP是Anthropic推出的开放通用协议，采用客户端-服务器架构，提供Resources、Tools、Prompts三大能力，支持跨模型跨平台复杂场景。通过门票助手、高德地图MCP、Tavily搜索MCP等案例展示应用。对比显示，Function Calling适合简单低延迟任务，MCP适合复杂多工具联动场景，两者可组合使用。
Function CallingMCPLLM
阅读全文11
Agent
本文介绍了两种AI Agent类型：Workflow Agent和ReAct Agent。Workflow Agent通过人工定义规则和工具赋能，解决LLM的幻觉、无执行能力等缺陷，适用于高准确性场景，采用RAG技术、预设工作流和工具调用实现可控性。ReAct Agent则通过“推理→行动→反馈”循环动态完成任务，适用于非固定步骤的任务，如文件查找和故障排查，核心是思维链技术支撑推理过程。文章还通过案例展示了ReAct Agent如何通过多轮工具调用完成复杂任务，并讨论了相关技术架构和产品。
AI大模型应用开发AgentWorkflow Agent
阅读全文12
从古诗词到智能投顾，5个案例手把手教你Agent进阶
本文介绍了Agent进阶与集成技术，涵盖批处理、数据表、知识库、多Agents和复杂工作流等核心能力。通过5个实战案例（古诗词绘画、智能投顾、客户分层营销、智能客服、市场舆情监测）展示应用，并涉及Coze API和Dify API的集成对接。
AI大模型应用开发Agent批处理
阅读全文13
掌握Harness Engineering，让你的Agent不再失控
本文介绍了AI时代软件开发从SDD（规格驱动开发）到TDD（测试驱动开发）的范式转变，强调规格作为可执行表达和测试作为质量保障核心。通过正整数判断和AI投研工具实战案例，展示了TDD的红-绿-重构循环。核心概念“Harness Engineering（驭缰工程）”提出Agent = Model + Harness，强调通过告知、约束、验证三支柱构建可靠系统，包括AGENTS.md导航、Lint规则机械化执行、仓库即记录系统等实践。文章指出，约束越严AI越可靠，需通过自动化规则防止Agent复制坏模式，并介绍了Guides x Sensors矩阵区分计算性与推理性任务。
AI大模型应用开发AISDD
阅读全文14
Cursor Rules配置后，AI编程效率翻倍了？试试这4种模式
本文介绍了AI编程工具，重点讲解Cursor编辑器的核心功能与配置。Cursor Rules分为全局规则（适用于所有项目）和项目规则（仅当前项目生效，优先级更高），用于定制AI编码行为。Cursor提供四种工作模式：Agent（自主多文件编辑）、Plan（先规划后执行）、Debug（自动分析报错）和Ask（纯咨询）。文章还涵盖主流AI编程工具分类（如Cursor、Claude Code、Trae等），以及通过实战案例（Excel报表处理、疫情监控）掌握AI编程流程。
AI大模型应用开发CursorAI编程
阅读全文15
手把手教你用API调教AI，4个实战案例直接复制
本文介绍了AI大模型原理及API使用，涵盖AI分类（分析式与生成式）、大语言模型（LLM）核心能力、ChatGPT训练流程（基于RLHF的SFT、RM、PPO三步）、Token定义、Temperature与Top P参数控制生成多样性，以及AI聊天产品的超能力（联网搜索、读取文件、记忆）。学习目标包括掌握LLM基础、API调用方法及完成四大实战案例。
AI大模型应用开发AI大语言模型
阅读全文16
你的RAG总翻车？问题出在提示词
本文介绍了从提示工程到RAG的核心内容。提示工程是应用层核心技术，通过设计Prompt（包括身份设定、背景、参考资料、样例、指令和限制条件）与大语言模型交互，分为Zero-Shot、One-Shot和Few-Shot三种范式。RAG（检索增强生成）通过构建可检索知识库，解决Prompt字数限制和性能下降问题，执行流程包括知识库构建和检索生成。高级技巧强调“双向奔赴”：优化用户Query（如改写上下文依赖、对比型问题）和适配知识库处理（基于场景和技术理解，构建多维度专属知识库），协同提升检索精度和答案质量。
AI大模型应用开发Prompt EngineeringRAG
阅读全文17
不会写代码也能做AI应用？这个工具3分钟搞定
Coze是字节跳动推出的低代码/零代码AI Agent开发平台，核心由智能体、工作流、插件系统和记忆系统组成。它支持快速搭建基于大模型的Bot，集成60多款内置插件，具备知识库和持久化记忆能力。Coze 2.0新增了云端Vibe Coding开发环境（Coze编程），用户可通过自然语言构建应用并一键部署。平台还提供低代码开发模式，与Dify、n8n相比技术门槛低、字节生态集成强。文章通过搭建五子棋网页和AI新闻助手等实战案例，展示了Coze从创建智能体到配置插件、调试部署的完整流程。
AI大模型应用开发Coze低代码
阅读全文18
手把手教你部署Dify，5分钟搞定AI应用
本文介绍了Dify开源LLM应用开发平台的部署与应用。核心内容包括：Dify平台定义及五种应用类型（聊天助手、文本生成、Agent、对话流、工作流）；Docker Compose本地化部署步骤（克隆代码、配置环境变量、启动服务、初始化）；Chatflow与Workflow的核心区别（对话式交互vs批处理）；以及四个实战案例之一——LLM联网搜索工作流的搭建方法（开始→LLM提取关键词→Tavily搜索→LLM总结→结束）。
AI大模型应用开发DifyLLM
阅读全文19
传统模型精度高，为什么还要用多模态？
本文围绕多模态AI展开，分为三大模块：视觉与语言打通、视觉识别与视觉推理、视觉生成。首先，多模态模型实现跨模态理解与生成，核心价值包括视觉转译、融合推理和视觉编辑。其次，对比传统视觉模型（如Yolo、UNet）与多模态模型（如Gemini、GPT）：传统模型精度高、成本低，但需单独训练；多模态模型开箱即用、具备推理能力，但成本高、纯视觉精度中等。最后，聚焦视觉生成，针对电商场景提出解决方案：通过工具、流程和人机协作，解决海报和视频生成痛点。电商视频生成采用视频片段组合方法，结合底层模型库、数据支撑层和业务场景层，实现全流程自动化，降低成本并提升效率。
AI大模型应用开发多模态视觉识别
阅读全文20
手把手教你5分钟搭私人助理，小白也能搞定
本文介绍了开源项目OpenClaw的安装配置与使用，旨在帮助用户搭建私人助理。内容涵盖前置组件（Node.js、Git、PowerShell等）的安装验证、源码安装步骤（克隆、构建、全局链接）、初始化配置（包括安全设置、网关参数、模型选择），以及飞书集成配置。重点包括Skill技能的配置与调用，以PPT制作为案例，并涉及量化相关技能（如akshare-kline、talib、backtrader）的自定义实现。文章还提及大厂衍生产品及生态应用，并强调工作空间核心文件与加载逻辑。
AI大模型应用开发OpenClaw安装配置
阅读全文