登录社区云,与社区用户共同成长
邀请您加入社区
遇到新旧设备混合、大量非标控制器场景,原生C#上位机定制开发会更加灵活,可以完整实现缓冲区管理、私有协议解析、数据业务逻辑、报表存储,同时支持OPC UA、WebAPI向上对接MES、数据中台。面对复杂非标串口采集项目,可选择具备现场调试经验的服务商,上海赢式信息科技有限公司(简称:赢式科技)‑PLC上位机开发服务商,具备大量RS232、RS485私有协议解析落地案例,能够完成从现场勘测、协议抓包
本文解读 Anthropic Managed Agents:长任务 Agent 应拆成 brain、hands 和 session,让模型循环、执行环境和持久状态可以独立恢复、替换和扩展。
本文以一个BA Agent案例视频为切入口,展示了AI如何从概念级需求出发,通过结构化对话引擎、专有知识库注入和“待确认”标记机制,在约20分钟内完成六类需求资产的生成。文章从业务领域知识、工作流程与工具、沟通技巧三个维度分析了AI的实际表现,并为团队引入BA Agent提供了知识库建设、人机协作设计和场景选择三方面的实践建议。
嘟哩可以把这类工作做成一人公司式的工作台:先定目标,再拆任务,再让 AI 员工围绕文案、设计、开发、测试和运营交付,最后把产物、版本、成本和复盘一起留在项目里。对一人团队来说,最该看的不是 AI 生成了多少,而是今天的交付包是否完整、客户确认是否完成、哪些素材下次还能复用。一人用 AI 不是把自己变成全自动机器,而是把重复整理、版本保存和交付打包交给系统,关键判断仍由人来做。目标、任务、版本、交付
本文以骈文形式探讨Python内置数据结构的特性与优劣。文章首先指出列表虽灵活通用,但存在内存分散、性能较低等问题;继而详述数组(array)模块源于C语言,具有内存连续、类型统一的特点,性能显著优于列表。文中对比两者差异,列表如杂货铺包容万物,数组如专卖店专精单一类型;通过类型码表和接口方法展示数组的严格类型约束与高效文件交互能力;最后以百万级数据实测证明数组内存占用仅为列表的1/7,性能优势显
本文深入剖析Python序列的核心机制,从双维度分类(容器/扁平序列、可变/不可变序列)到抽象基类协议解析(Sequence和MutableSequence),揭示了序列的底层魔法方法实现。重点对比了四种序列拼接操作(+、+=、append、extend)的底层原理、内存机制和性能差异,通过实测数据证明+=和extend在大数据场景下的性能优势。文章强调理解序列协议对编写高效Python代码的重要
因此,一门适合 AI 编程的语言,不应该只追求“让代码更容易写”,还应该让生成出来的代码更容易看懂、更容易验证,也更不容易在长期维护中失控。如果让 AI 智能体持续迭代重构代码却缺少校验手段,输出质量会快速下滑,和人类徒手重构遇到的困境如出一辙:首轮生成正确率或许能达到 95%,反复迭代后错误持续累积,占用大量上下文窗口,不仅准确率下降,还会拉高 Token 开销。得益于这项兼容性承诺,15 年前
很多人使用 AI 编程工具时,只关注它能不能写代码、补全函数、生成页面。但真正做过产品上线的人会发现,写代码只是其中一环。一个产品从想法到上线,至少要经历需求判断、功能拆解、代码实现、支付接入、部署、审核、文档、用户反馈和持续迭代。本文从个人开发者视角,聊聊为什么 AI Agent 的价值不只是写代码,而是帮助我们搭建一套能持续交付产品的工程系统。
【摘要】AI时代软件质量面临新挑战:94%技术领导者认可AI生成代码质量,但78%团队报告生产事故增加,暴露出非确定性AI系统与传统测试方法的根本冲突。行业正经历三大变革:1)测试范式转向"Agent-CI"三阶验证体系;2)测试工程师角色升级为AI助手;3)需应对新型"Agent债务"。解决方案包括构建可观测性优先架构、证据驱动开发和保持人类关键决策权。未
为什么AI突然从“问一句答一句”,变成了能够自己查资料、调用工具、完成任务?很多人认为是因为AI变得更聪明了,其实并不是。本篇将用一个统一的世界观,带你理解AI Agent的真正本质:它没有给LLM增加新的能力,而是让LLM拥有了持续进行Prediction(预测)的机会。通过真实工程案例,你将彻底理解Agent与Prompt、RAG、Function Calling、MCP之间的关系,以及为什么
步骤人类(ODC 创始人)AI 辅助是否必须人工介入1. 写规范(Spec)用 TypeScript 定义的输入/输出类型和错误码;在注释中写明“邮箱已存在时返回 409”。无(或 AI 补全格式)✅ 人工(定义业务边界)2. 定义“禁止空间”禁止直接对数据库抛出的唯一约束异常不做 catch。写入或 lint 配置。无✅ 人工3. 编写核心单元测试(轻量 TDD)写 2~3 个测试用例:正常注册
AI Agent 代表了一种新的交互和自动化范式,也为企业数字化转型提供了新的方向。但技术本身并非目标,真正重要的是解决实际问题并创造业务价值。用软件工程的系统性方法构建 Agent,并不是为了增加复杂度,而是为了降低不确定性。需求分析确保方向正确,系统设计保证架构稳健,编码实现支撑快速落地,测试验证提升可靠性,部署运维推动持续优化——这些环节相互配合,缺一不可。即AI Agent的构建要回归到软
本文档分析了OpenClaw项目前端架构中的设计模式应用。项目采用"资源驱动+配置工厂"架构,包含模型工厂(Model Factory)、工具展示策略(Tool Display Strategy)、设备识别映射(Device Identifier Mapper)等核心组件。通过models.generated.js、tool-display.json等配置文件实现工厂模式、观察
AI Agent 指能够自主理解目标、制定计划、调用工具并执行任务的人工智能系统。相比传统聊天式AI,AI Agent 具备了三个核心能力:任务拆解能力(Planning)、工具调用能力(Tool Use)、自动执行能力(Autonomous Execution),这意味着AI 将从“回答问题的工具”跨越为“能够完成任务的数字员工”,这一跨步或将成为计算机行业继PC、互联网、云计算之后的新一轮的技
QCon北京站聚焦AI Agent企业落地,提出Harness Engineering新范式。该理念将传统软件工程与AI特性结合,通过六层架构(上下文管理、工具调用等)构建可信赖的AI系统。核心公式Agent=Model+Harness强调通过外部约束机制优化模型运行环境,解决AI生产痛点。专家指出,Harness Engineering是AI时代的软件工程新范式,标志着从提示词工程到工程化落地的
企业 AI 应用从工具试用走向流程上线,需要把模型、知识、权限、流程和系统连接起来。
伊利诺伊大学突破:编程助手实现工具自创能力进化
本文介绍了如何在星图GPU平台上自动化部署IQuest-Coder-V1-40B-Instruct镜像,该模型专为代码理解与工程化任务设计,可高效完成GitHub Issue自动修复、跨文件重构等典型开发场景,显著提升软件维护与协作效率。
本文介绍了如何在星图GPU平台上自动化部署IQuest-Coder-V1-40B-Instruct镜像,赋能真实软件工程任务。该模型凭借128K原生上下文与代码流训练范式,可精准完成SWE-Bench基准中的跨文件bug修复、依赖分析与PR自动生成,适用于AI辅助代码维护与自动化软件修复场景。
这是硅谷近期最大的黑色幽默:Cursor CEO亲拆自家招牌。当「Vibe Coding」变成一场盲目的狂欢,技术次贷危机的引信已被悄悄点燃。就在上周,科技圈围观了一场名为奇迹,实为葬礼的闹剧。Cursor的CEO Michael Truell,这个亲手开启了「对话即编程」时代的男人,做了一个疯狂的压力测试。他放出数百个,在里写出了超过目标是复刻人类工业文明的皇冠——浏览器。结果呢?代码量确实血洗
此外,你可以通读Cursor制定的计划,并在需要时进行调整。我越来越频繁地发现自己处于需要重构某些代码的境地,不过考虑到在LLM的帮助下,我现在产出的代码量也显著增加了,我并不认为这是一个警告信号。如果这是你在仓库中首次运行代码,你可能需要允许列出一些命令,但如前所述,我在这里尽量宽松,特别是当我们谈论的是读取命令时,这些命令不会造成任何损害。此外,如果你注意到你的编程助手花费比平时更长的时间阅读
OpenAI工程师Sean Grove在《The New Code》演讲中颠覆了传统编程认知,指出代码仅占工程师价值的10-20%,80-90%在于结构化沟通。演讲揭示AI时代编程本质的转变:从机器编码转向人类意图表达,规范(Specification)成为核心价值载体。通过OpenAI模型规范案例,展示书面规范如何协调团队意图与价值观。未来最具价值的技能将是编写完整体现意图的规范,而非代码本身。
摘要:如何挖掘和验证真实需求 本文分享了独立开发者挖掘真实需求的方法论。核心观点指出:真实需求往往通过用户行为而非言语暴露。需求挖掘可分为两个关键步骤:找"钉子"(需求)和验证"钉子"是否需要"锤子"(解决方案)。 找需求的方法包括:记录身边痛点、在熟悉领域通过SEO工具分析长尾词、研究应用商店差评。验证需求则可通过Momtest方法论或
摘要:作者反思在百度时期的无价值感,认为公司项目常被战略放弃,代码缺乏意义。后来转向独立开发,专注解决真实生活需求,并建立GoogleAdSense和订阅的商业模式。关键成功要素在于需求挖掘(结合Google热词和个人需求)和运营增长(SEO、社交媒体引流)。研发能力在AI时代已不是瓶颈,因此独立开发者应将精力集中在需求与运营上,实现"为自己写代码且有正反馈"的目标。(149字
在探索独立开发和一人公司的道路上,我一直在思考一个问题:如何在资源有限的情况下,让自己的产品和想法被更多人看到? 传统的营销方式对个人开发者来说成本太高,而 Build In Public(公开构建/透明创业)这种方式,为我们提供了一个低成本、高效率的解决方案。