AI 站点可靠性工程 (SRE) Agent
背景SRE 自动化的演进：从手动干预到 Agent 驱动在现代复杂的微服务与多云生产环境中，传统的监控手段（Monitoring）往往只能在故障发生时触发零散的告警。然而，从感知告警到确定根因（RCA）的路径依然处于“人工黑盒”状态，高度依赖工程师的手动调查。OpenSRE 的核心价值在于其通过自动 ...
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 ...
上下文工程：AI 智能体为什么离不开它？
说白了，上下文工程就是研究"怎么给AI喂对的信息"。以前大家觉得会写提示词就够了，但现在AI越来越复杂，光靠静态的提示词根本不够用。你得学会怎么管好上下文，不然AI就会乱跑、乱说、乱花钱。 ...
告别 AI“草台班子”：一文读懂 Hermes Kanban 多智能体协同设计
最近圈子里大家都在疯狂折腾 “Vibe Coding”，不管是用 Claude Code 还是在本地部署 OpenClaw 搞多智能体工作区，最终目的都是想让 AI 们自己打配合，把整个开发流水线或者业务闭环跑通。 但现实往往很骨感。当你满怀期待地看着几个 AI 开始“开会”时，经常会遇到让人高血压 ...
AI与被回应的权利
AI 与被回应的权利 你正在看一篇新闻，遇到一个词——"量化宽松"。你隐约知道它跟钱有关，但说不上来是什么。以前你会怎么做？划过去。因为搞清楚这个词的成本太高了——搜索、翻找、点开、看不懂、关掉。算了。 提问从来不需要许可，但"被回应"需要——不是指搜到一条链接、翻到一页书那种回应，而是有人听懂你的 ...
训练 Agent 最怕什么？不是模型笨，是环境烂。
训练 Agent 最怕什么？不是模型笨，是环境烂。外卖这类业务场景里，直接在真实环境训练 Agent 基本行不通。原因就两个：第一,你真分不清它是蒙对的还是真会了。Agent 成功完成一单外卖退款,是因为推理正确,还是碰巧参数没报错?这种信号没法教它什么是对的。第二,真实数据又少又贵。靠人工标注喂一 ...
iNeuOS 发布人工智能助手：小i助手，所问即所答，面向运维、工艺、管理人员提供一站式 AI 赋能
小 i 助手是搭载在 iNeuOS 平台上的面向工业专属大模型智能应用，依托平台内置的大模型能力深度融合生产业务场景，面向运维、工艺、管理人员提供一站式 AI 赋能。 ...
高光谱拼接算法（六）RANSAC 误匹配剔除
本篇算法仓位：RANSAC 1. 特征匹配中的几何约束 上一篇我们梳理了 SIFT 的多种变体与改进方向，现在再回到拼接管线本身： 之前我们利用 SIFT 完成了特征匹配，拿到了初步的匹配点对，但即使经过比率测试，结果中仍然存在误匹配。原因是： 比率测试只关心描述子空间的"数值接近性"，不关心两张图 ...
用 GPT Researcher 前，先验证“资料来源合同”
把 GPT Researcher 当成研究流水线，而不是更会写的搜索框：先验证 retriever、source URLs、citation、local document、MCP 与 backend 边界。 ...
大语言模型自我验证机制与环境鲁棒性前沿技术研究报告
大语言模型自我验证与环境鲁棒性研究问题背景大模型的应用正在从单次问答走向长程执行。当上下文扩展到几千甚至几万个 token 时，模型需要在更长的推理链中保持决策一致性。但链路越长，状态空间越大，轨迹越容易偏离原始目标。一旦外部工具返回延迟、格式错误或残缺的响应，模型就可能走偏，而长上下文中的冗余信息 ...
突发！阿里全面禁用 Claude Code！！
大家好，我是R哥。 Claude Code 最近是风光无限啊，一方面 Fable 5 回归，一方面是给中国用户提示词代码下毒，还在邮件里留定位后门，被全网唾弃。 国内终于有大厂出手了，阿里宣布全面禁用 Claude Code，而且不只是禁 Claude Code，是 Anthropic 全系列产品都 ...
细思极恐！Claude 封号的原因终于被人找到了！！
大家好，我是R哥。 最近，Claude 已经到了丧心病狂的地步了。。 这次不仅仅是大面积封号，更让人恶心的是，有人发现，Anthropic 的封号邮件里甚至还包含邮件追踪器，这波操作真是防不胜防。 如果你点开了邮件，就会再次确认你的位置，到时就算你申诉也没有用，细思极恐。。 你说是不是已经丧心病狂了 ...
高光谱拼接算法（五）SIFT 的变体与发展
前两篇完整展开了 SIFT 的算法逻辑，本篇关于其后续变体和这类特征检测和匹配算法的发展，更类似于综述一些，之后再完整展开部分现代算法。 1. SIFT 的局限和改进路线 在前两篇的内容里我们已经知道：从 DoG 尺度空间开始，到关键点检测、亚像素定位、方向分配，再到 128 维描述子的构建和最终匹 ...
全球软件产业智能化范式转移与商业价值重构研究报告
全球软件产业智能化范式转移与商业价值重构研究报告在全球人工智能（AI）投资与应用迈入大规模落地的周期中，软件产业正经历自移动互联网诞生以来最深刻的范式转移。统计表明，2025年全球约有50%的风险投资流向AI领域，行业总投资规模突破2020亿美元，同比增长75%。到2026年，全球AI总支出预计将达 ...
高光谱拼接算法（四）SIFT 特征匹配
本篇代码仓位：SIFT 1. 特征描述 在上一篇中，我们完成了 SIFT 特征点检测的全部流程,得到了一批位置精确、尺度明确、对比度足够且非边缘的稳定特征点，每个特征点携带的信息是： \[(x,\ y,\ \sigma) \]现在便正式来到下一部分： 拿到了这些关键点后，怎么在另一张图像中找到它？也 ...
ICLR 2026 | 基于后验采样的图像恢复方法LearnIR：人脸去阴影、去雾
本文提出LearnIR，通过训练轻量网络预测梯度校正分布，实现无需前向算子的扩散后验采样校正；并设计动态分辨率模块，进一步抑制噪声。在多个图像复原基准上，LearnIR的PSNR、SSIM、LPIPS均达到先进水平。 ...
基于AJ-Bench智能体自我验证场景案
AI的“自省”艺术：智能体自我验证场景案例集过去，我们评价一个AI好不好，通常是让另一个AI（即“LLM评委”）读读它的回答，看看“像不像”正确答案。但随着AI深入现实任务，这种“看卷子”的模式已经不太够用了。基于 AJ-Bench 研究编写，介绍“智能体判官（Agent-as-a-Judge）”如 ...
一站式本地监控！一款开源的 Token 用量监控分析工具！
codeburn —— 一款开源本地运行的 AI Token 用量监控分析工具，一站式搞定多款 AI 编程助手的开销核算与效率评估，支持 CLI 终端交互界面和 macOS 原生菜单栏桌面应用。 ...
解密Prompt系列70. 从 MLA 到 CSA，聊聊大模型 Attention 的“瘦身”与“闪送”
这一章我们聊聊这两年注意力架构的技术演化路线
- KV Cache 压缩类：MQA → GQA → MLA（每个 token 的 KV 变细）
- 推理效率优化类：Flash Attention、Paged Attention（让 GPU 跑得更满）
- 长文本优化类：NSA → DSA → CSA... ...
