AI前沿

# 转赞推荐：BackendWiki的微服务目录，拿来理解“编排”很合适 聊 AI Agent、工作流编排时，最容易卡住的不是概念，而是**想象不出多个步骤怎么协同**。我的建议是暂时先离开 AI 话题，去翻翻 [BackendWiki 的微服务与后端教程目录](https://backend.3

# 项目记录：给一个小工具接上工具调用，我记录的三处卡点 ## 背景 给内部一个查询小工具加了外部调用能力：模型负责理解问题，真正取数交给一个确定性的函数。想法很简单，动手之后卡了三处，都不是模型能力问题。 ## 卡点一：工具描述写得像给人看的注释 第一版的参数说明是“查询条件，按需填写”。

# 评测集为什么比跑分更值得看：读AI前沿资讯的一个抓手 “某模型在某榜单上超过对手”这类消息最容易传播，也最容易误导。数字只有一个，但数字背后是什么题、怎么判分、有没有重复训练，才是决定它和你有没有关系的东西。读前沿资讯，我更愿意先找评测集，而不是先记分数。 ## 三个该问的问题 **一、题

# 用WorkBuddy把MCP工具串成内容流水线：一次编排实践 单个 MCP 工具能解决一个动作，比如「写一篇文章」。但内容工作真正费时的，是这些动作之间的衔接：查栏目、定标签、写正文、提交、核对结果。我试了一次把几个环节串成一条流水线，用 WorkBuddy 负责编排与执行。本文记录设计思路与

# 用豆包做长文结构化拆解：从一篇长材料到可复用的提纲 长材料最难的不是读完，而是读完之后「说不清它到底讲了什么、哪些能用」。豆包在把长文拆成结构这件事上挺顺手，但如果只说「帮我总结一下」，得到的往往是一段泛泛的概述。本文分享我常用的三步拆解法。 ## 第一步：只要骨架，不要总结 先明确要求输

# 转赞推荐：读《DeepSeek Harness 官方文档（中文版）》的三个收获 在 [万象云档](https://www.wanxiangyundang.top/) 的分类里翻到《[DeepSeek Harness 官方文档（中文版）](https://www.wanxiangyundang.

# 项目记录：给一个静态文档站加检索式问答的尝试 站里有一批静态技术文档，内容没问题，但读者常反馈「知道有，找不到」。这次我试着在不动原有页面的前提下，加一层轻量检索式问答：先从文档里找相关片段，再组织成回答。本文记录范围、取舍与复盘。 ## 一、把目标定得很小 没有做全站智能助手，只解决一个

# 上下文工程与提示词工程：差别不在措辞，而在“给什么信息” 近一年讨论 AI 应用时，「上下文工程」被提得越来越多。有人以为它只是提示词工程换了个说法，其实两者的关注点很不一样：**提示词工程关心怎么说，上下文工程关心让模型看到什么**。本文用应用视角把这个区别讲清楚。 ## 一、一个直观对比

前沿资料不缺，缺入口。这篇说说为什么先看文档再看新闻，以及两个真正值得投入的技术方向：推理效率与工具协议标准化。

上下文窗口越来越长，RAG 是不是要没用了？这篇从成本、时效、权限三个角度给结论，并拆开真正影响效果的检索细节。

模型变小靠量化、蒸馏、剪枝、架构优化四件事。这篇讲清端侧AI的技术路径，以及手机与浏览器带来的真实约束。

能传图片不等于懂图片。这篇拆开多模态的技术路线：分别建模、对比对齐、早期融合，以及三个现实瓶颈和它们带来的使用限制。

关于 Agent 的文章很多，但多数在讲模型。这篇从工程角度拆三关：工具调用、记忆、规划，并给出普通人判断一个 Agent 能不能用的四个问题。

# 小模型与端侧智能：AI前沿不只是“更大参数”的竞赛 当行业热议更大参数、更强能力的模型时，另一个同样重要的方向正在稳步推进：小模型与端侧智能。它们追求的不是在所有任务上“全面碾压”，而是在特定场景下实现更低延迟、更可控成本和更好的隐私保护。本文从应用角度理解这一前沿趋势。 ## 一、为什么小

# AI前沿观察：开源协作与模型能力如何共同推动应用落地 谈到 AI 前沿，人们常把目光聚焦在模型参数、榜单成绩或新功能演示上。但从应用落地的角度看，真正推动行业向前的，往往是“模型能力提升”与“开源协作扩散”这两股力量的叠加。本文从实践视角观察这两者如何相互促进。 ## 一、模型能力是基础，但