团队落地 Agent 工程化 Loop 的一些必看小技巧！
Agent 编程真正拉开差距的地方，已经不只是“会不会写提示词”。更要紧的是：上下文怎么进入任务，任务怎么自我验证，长程执行怎么不断修正，最后这些经验又怎么被团队和下一轮 Agent 继续使用。 ...
把 Cursor 的烂输出变成好代码，这 10 个 Prompt 改造让我省了 80% 改稿时间
你有没有遇到过这种情况—— 让 Cursor 给你的 Spring Boot 服务加一个接口，它给你写了个方法，但没有写测试，也没有更新 OpenAPI 文档，路由规则也跟项目里其他接口风格不一样。改了一圈，还不如自己写快。 或者让它重构一段 goroutine 代码，结果它把你的 channel ...
.NET热门ORM真实的性能测试总结
上次对收集到的ORM作了详细的测试，并整理成了测试项目，下面针对测试结果，详细剖析 测试环境 项目 说明 测试框架 BenchmarkDotNet 测试数据库 SQLite（单机性能优，波动较小） .NET 版本 .NET 6.0+ 测试硬件 Intel Core i5-8265U CPU 1.60 ...
.NET 程序保护实战系列 05 · 代码虚拟化
代码虚拟化提供了最高级别的保护——原始 IL 从不在内存中以明文出现。虽然性能有损耗，但对于关键的商业秘密算法，这是值得投入的。
下一篇将讲解**方法体加密**——另一种方法保护策略，在安全性和性能之间取得了更好的平衡。 ...
Hermes Agent安装踩坑复盘
网上很多手把手安装的教程已经很详细了，大多数都是一把过，但都没有把其中每一步安装的问题暴露出来，都是贴出成功的截图，真实的是由于环境的复杂性从第一步就碰到了问题，其中大部分都是贴问题给deepseek或kimi来一步一个坑的来解决，反复折腾，现在复盘记录下大部分的问题。 一、环境准备：WSL2 安装 ...
零基础认识大语言模型（LLM）工作原理(7.为什么“预测下一个 Token”会产生智能？)
第七章：为什么“预测下一个 Token”可以产生智能？ 目录 零基础认识大语言模型（LLM）工作原理目录 - GuZhenYin - 博客园 本章导读 如果只用一句话概括大语言模型： 给定前文，预测下一个 Token 听起来非常简单，甚至有点过于低级。 但现实却是大模型确实会： 会写代码 会推理 会 ...
【AdvisKV】#01: 关于我从零写一个 C++ 分布式 KV 存储系统原型
日期: 2026.7.6 写在开头的开头 AdvisKV 是我用 C++17 从零写的一个分布式 KV 存储系统原型，包含 Meta、SDM、Storage、SDK 四个主要模块，覆盖建库建表、路由查询、KV 读写、副本数扩缩容、坏副本替换、Raft、WAL/snapshot 恢复，跑了gtest ...
.NET CORE 认证模块-注册方案与请求认证探究
1.前言 上一篇我们实战了怎么用 JWT 认证和 Cookie 认证，不得不感叹这套东西设计得很巧妙——我们只要简单配几行，一整套完整的功能就能跑起来。那这一篇，我们就往下钻一层，看看框架到底是怎么实现的。我大概列了 3 个方向入手。在正式开始之前，我先说下按这几个问题去理解，会顺很多。 认证模块是 ...
自然语言处理（NLP）、计算机视觉（Computer Vision, CV）-AI 相关概念之（核心技术与架构）
〇、前言 在当前这个 AI 技术大爆发的时期，各行各业都在努力发展能够提升自身工作效率的技术，学习 AI 操作之前需先了解各个重要的概念，打牢基础，要对 AI全局有一个清晰的认识，才能事半功倍。因此才有了此系列文章。 本文将主要介绍自然语言处理、计算机视觉这两个概念，供参考。 AI 概念系列：点击查 ...
从Kaplan到Test-Time Compute：Scaling Law的真实演变与中文媒体的叙事偏差
这整个过程是一个持续的技术演进，而非由单一"bug"主导的灾难叙事。 Diogo的文章为这段历史提供了一个有价值的技术解读，但读者需要将其放在正确的时间语境中理解——它不是2026年的"新发现"，而是对2020-2022年一段已被纠正的技术偏差的迟来复盘。 ...
高光谱拼接算法（七）USAC
本篇代码仓位: USAC 上一篇我们介绍了标准 RANSAC。而在之后的四十多年里，围绕这一经典算法，又陆续出现了大量改进方法。 不同于 SIFT 在局部特征领域衍生出众多并行发展的分支，RANSAC 的演进路线更加清晰：研究者们针对算法内部的不同环节不断提出改进，最终由 USAC（Universa ...
【机器人 / 强化学习】LWD（Learning while Deploying）机器人持续进化的强化学习框架
【机器人 / 强化学习】LWD（Learning while Deploying）机器人持续进化的强化学习框架 目录【机器人 / 强化学习】LWD（Learning while Deploying）机器人持续进化的强化学习框架0x00 概要0x01 背景：为什么需要 LWD？1.1 真实世界不是一个 ...
上周热点回顾（6.29-7.5）
热点随笔： · 一套基于 .NET 10 + Vue 3 构建、高颜值、前后端分离的企业级多租户中后台管理系统 (追逐时光者) · Claude Code 是怎么悄悄认出中国用户的 (程序员徐公) · .NET 10 的正则性能现在什么水平？我拿它和 Go、Python、C++、PCRE2 测了一轮 ...
HarmonyOS SDK 26发布，持续提升鸿蒙应用开发体验与效率
华为开发者大会2026期间，HarmonyOS SDK分论坛展示了最新创新特性与行业实践。作为鸿蒙生态的关键技术底座，SDK在AI、媒体等六大领域持续开放，以更完备的能力集支撑开发者创新，并同步呈现了API优化演进的最新成果。 随着鸿蒙生态的稳步发展，鸿蒙终端设备数已突破6600万，HarmonyO ...
Agent Harness 实战指南：构建生产级 AI Agent 的"马具"框架
Solon AI 推出 solon-ai-harness，这是一个专为 AI Agent 设计的执行框架，将 Agent 定义为 Model + Harness，其中模型负责推理，Harness 提供工具调用、会话管理等落地能力。框架支持 Java 8-25，通过沙盒安全机制、多模型调度和动态权限控... ...
GPU Direct DMA P2P FPGA 通讯在Jetson 平台与X86测试表现 Jetson 与 H100
GPU Direct DMA 在Jetson NX 与 X86平台的测试 测试了jetson NX 16GB 与 H100的性能，后续会继续补充其它平台的测试 1. 技术原理 1.1 什么是 GPU Direct RDMA GPU Direct RDMA（Remote Direct Memory A ...
31. RAG 检索增强生成，让大模型拥有外部知识
大语言模型凭借强大的生成能力在诸多领域展现出价值，但始终面临两大核心局限：一是知识截止问题，模型训练数据存在时间边界，无法获取实时更新的信息；二是领域盲区问题，难以覆盖企业内部文档、私有数据等垂直领域的专属知识。为解决这两个痛点，RAG（Retrieval-Augmented Generation， ...
雄关漫道真如铁，如今迈步从头越——一个老程序员的AI重生宣言
我是一名再普通不过的程序员，在一线写代码整整十五年。十五年，足够一个襁褓婴儿长成追风少年，也足够让一名懵懂的初级开发，熬成团队里人口中的"X哥"或"老X"。 还记得2011年刚入行那会儿，公司用的还是SVN，提交代码前得先和同事在QQ上喊一嗓子"别动这个类"。我抱着本翻到卷边的《Java编程思想》啃 ...
OpenSpec+Superpowers焊死后，AI编码工作流终于自洽了
一、规划归规划，执行归执行 我用了两年 AI 编程工具，踩过的最深的坑不是代码写错了，而是代码写完了，规划文档还躺在仓库里吃灰。 这个场景你应该不陌生，花了半小时跟 Claude Code 聊需求，产出一份漂亮的 proposal.md 和 design.md。然后呢？然后你开始写代码，AI 开始帮 ...
.NET 程序保护实战系列01-流水线架构与保护引擎总览
.NET 程序编译为 IL（中间语言），附带完整的元数据——类名、方法签名、字段类型一览无余。使用 dnSpy、ILSpy 等工具可以几乎完整还原源代码。对于商业软件，这意味着核心算法暴露、授权验证逻辑可被绕过、通信协议和 API 密钥泄露。
我们的保护引擎提供了 全链条防护——从字符串加密到方法体... ...
