deephub

摘要： SDD（规范驱动开发）和传统的前期文档区别不在于写什而在于谁来读它。传统文档写给人看的，而SDD 规范写给 AI agent 看，其结构让模型能够在生成过程中引用它、对照它检查输出、在一个 session 结束、新 session 开始时借此恢复上下文。 为什么选 OpenSpec 我评估过两个主要 阅读全文

摘要： 有人搭出一个很唬人的 AI 智能体（Agent）演示：调用工具、搜索信息、写文件、总结文档，或者生成代码，看的很厉害，但是用着用着真正的问题就出现了：这个智能体能访问哪些工具？谁批准了这个操作？记忆存在哪里？运行过程能不能看到？模型做出错误的工具调用怎么办？如何防止它把Token配配额花光？跑到一半 阅读全文

摘要： AI agent 比聊天机器人更有用的地方是聊天机器人只负责回答；而agent 会完成一整条工作流：读取信息、核对、比较、决策、起草、更新，风险太高时才停下来请人拍板。 下面是十个我自己会用来处理重复性工作的 AI agent 工作流模板，用来解决团队每天在复制信息、重写消息、看仪表盘、把杂乱输入整 阅读全文

摘要： LLM 解码很慢，因为生成一个 token 需要每次都从 GPU 内存中加载全部模型权重。700 亿参数的模型意味着 140GB 权重，每一个 token 都要重新加载一遍。 LLM 解码本质上是顺序的，称之为自回归生成（autoregressive generation）。每个 token 都依赖 阅读全文

摘要： OpenAI 的 Ryan Lopopolo 那发布了一篇关于Harness 的官方文章，我们来用手头的一个任务来测试下效果怎么样。这是一个内部RAG（Retrieval-Augmented Generation）和 fine-tuning 系统，同事直接提问，系统基于 OEM 合作伙伴提供的官方白 阅读全文

摘要： 自注意力（Self-attention）支撑了 Transformer 近十年，每个 Token 都要关注序列中的每一个其他 Token让这些模型能够推理的机制，而且恰恰也是成本飙升的根源：上下文翻倍，计算量大致翻四倍。这个 O(L²) 的惩罚项年复一年地限制着提示词（Prompt）能写多长、一个 阅读全文

摘要： 大多数 Python 数据工程师最早学的是 pandas。因为它是行业标准，能用而且一直够用，所以一般也没人质疑过它。 Pandas 设计于 2008 年，面向的是那个时代的数据问题：假设每个操作都要立即返回结果，假设单个 CPU 核心足够，假设数据能放进内存。这些假设成立了很多年。随着 Pipel 阅读全文

摘要： 写 Python 够久的话，肯定遇到过一个问题clone 一个仓库，pip install -r requirements.txt却特别慢 其实Python 打包生态已经经发了了很大的便哈， 2025 年有三款截然不同的工具。pip 是老兵，Conda 是数据科学家的主力，uv 则是彻底改写规则的挑 阅读全文

摘要： 向量搜索、图遍历还是网络搜索 -- 本文介绍如何用 LangGraph 让智能体为每个问题选择合适的工具。 语义搜索、向量数据库迁移、Graph RAG。这些系统有一个共同缺陷——都是 Pipeline，固定执行序列，问题进、答案出，不论输入是什么。 真实问题并不符合这个假设。 "我们的退款政策是什 阅读全文

摘要： 做过地质统计学、储层建模或空间机器学习的人，大概都面对过这个选择：Kriging（经典地质统计学的主力工具），还是高斯过程回归（Gaussian Process Regression，GPR，其机器学习更加接近）。两者在数学上是相通的——都是基于协方差/核函数构建的"最佳线性无偏预测器"——但实际使 阅读全文