VeriHarness 拆解：多数投票为何会掩盖错误
一个没有答案 key 的难题 智能体跑完一个几十步的长任务，交出一份表格、一份报告或改好的文件，谁来判定它对不对？短问答可以靠标准答案或单元测试，但长任务的交付物往往没法写成断言：一个财务比率可能取错了年份，一份报告可能引用了已失效的来源，而且这些错误通常藏在"看起来很正常"的成品里。 谷歌云 AI ...
go语言中管道 channel的使用
创建 channel 声明的管道后,需要使用make函数初始化之后才能使用。 创建 channel 的格式如下 ch := make(chan元素类型, 容量) 管道有发送（send）、接收(receive) 和关闭（close）三种操作。 发送和接收都使用<-符号。 管道是先进先出的。 管道是一个 ...
AI 啃 DWG图纸：从二维到三维
让大模型读懂 CAD 图纸，是"AI + 工程数据"里最硬的一块骨头之一。本文不谈具体业务，只讲一个纯技术命题：给定一套二维 DWG 图纸，让 AI 理解它、重建三维结构，并由参数驱动重新生成二维图。把这条链路上试过的四条路线、踩过的坑和最后沉淀下来的方法论写出来，供做同类问题的人参考。 一、问题抽 ...
把 AI Agent 养在自己电脑上：从本地部署到远程接管的一份完整思路
一、为什么越来越多人把 Agent 搬回自己电脑 这两年 AI Agent 的形态发生了实质变化：它不再只是"问一句、答一句"的聊天框，而是能自主规划步骤、连续调用工具、读写本地文件、执行终端命令的执行体。一个代码重构任务跑半小时、一批文档整理跑一晚上，已经是很日常的使用方式。 任务形态变了，部署位 ...
万级车辆实时地图 + 双模拟器：车联网前端与测试工程实践（第 3 篇 · 前端与测试）
1、实时监控 2、轨迹查询 3、告警管理 4、围栏设置 5、看板与报表 万级车辆实时地图 + 双模拟器：车联网前端与测试工程实践（第 3 篇 · 前端与测试） 前两篇讲了业务架构和后端链路。这篇讲数据到达前端之后的故事——也是整个系列里"工程密度"最高的一篇。 车联网的前端不是"一个后台 + 一个小 ...
CF813D Two Melodies 题解
CF813D Two Melodies 题解 选两个非空、互不相交的子序列，各自满足"相邻音符相差 \(1\) 或模 \(7\) 同余"，求长度和的最大值。\(n \le 5000\)，\(a_i \le 10^5\)。 1. 朴素 DP：\(f[i][x][y]\) 扫描到第 \(i\) 个音符， ...
反馈：让系统知道自己做得对不对
给电机一个调速信号，它确实会转，可程序并不知道轮子此刻跑得有多快。系统怎么知道自己做得对不对，这条回路又为什么不必从复杂的算法开始？ ...
Rust 1.99 更新了什么？一个新手视角的升级前后对比
照着教程写 Rust，最容易卡住的地方不是语法，是这一行： error[E0658]: use of unstable library feature `fs_set_times` 代码抄得没错，教程也没错，只是那个 API 在当时的稳定版里还没开放。新手很难判断这是自己写错了，还是版本不对，只能一 ...
进程和线程以及go语言中的协程
进程 进程(Process)就是程序在操作系统中的一次执行的过程，是系统进行资源分配和调度的基本单位。 进程是一个动态概念，是程序在执行过程中分配和管理资源的基本单位。 每一个进程都有一个自己的地址空间。一个进程至少有五种基本状态。 它们是:初始状态，执行状态，等待状态，就绪状态，终止状态。 通俗的 ...
Agent Loop：AI 是怎么从"一句一答"进化成"自己干活"的
Agent Loop：AI 是怎么从"一句一答"进化成"自己干活"的 如果只用一个概念来解释"Agent 和普通聊天机器人到底差在哪"，我的答案会是 Agent Loop。这篇文章想用最通俗的方式，把它讲清楚。 一个"一句一答"解决不了的问题 你跟 ChatGPT、DeepSeek 聊天的时候，交互 ...
面向数据工程师的正则表达式：从日志清洗到字段提取
数据工程师每天打交道的东西，很大一部分是文本： 应用日志 Nginx access log CSV 里混着脏数据的字段 API 返回的 JSON 片段 配置文件 爬下来的 HTML 这些文本往往不是完全结构化的，或者格式五花八门，用传统的 split、replace 处理起来很累，写一堆条件判断也不 ...
别再 rm 日志了：Linux 下安全清空日志文件的正确姿势
日志文件越滚越大，磁盘告警一响，很多人的第一反应是 rm *.log 再 touch *.log。这个操作看起来干净利落，实际上埋着两个大坑。笔者在本文里把底层原因和两种安全做法讲清楚。 01 | 为什么 rm 加 touch 是危险操作 后台服务（比如 FastAPI、Nginx、MySQL）启动 ...
.NET 面试必问的 8 道 GC 题，建议收藏
大家好，我是码农刚子。这篇文章整理了 .NET 面试中出现频率最高的 8 道 GC 题。不是背答案——是帮你把 GC 的底层逻辑串一遍，面试时不管怎么追问都能接得住。 01 .NET GC 的分代机制是怎么回事？ 这是开胃菜，但答不好直接出局。 .NET GC 把托管堆分成三代：Gen 0、Gen ...
JT/T 808 协议网关的设计与实现（第 2 篇 · 后端技术）
1、实时定位 2、轨迹查询 3、告警管理 4、 围栏设置 5、看板与报表 Netty + RocketMQ + PostgreSQL：JT/T 808 协议网关的设计与实现（第 2 篇 · 后端技术） 上篇讲了平台的五层骨架和业务闭环。这篇钻进后端核心：我们自研的两个模块——jt-gateway（8 ...
编码器读到的到底是什么：从脉冲到速度
六个引脚里，有四根并不归电机管。编码器交到程序手里的到底是什么，两根信号线为什么要分成 A、B，转一圈又会留下多少个脉冲？ ...
Qwen-Image2.1-本地AI漫画工作室
我在 6GB 显存的游戏本上，做了一个完全离线的 AI 漫画工作室 一段剧本进去，一本带气泡、能导出 PDF 的漫画出来。不联网、不调 API、数据不出本机。 起因 事情的开始很简单：我想让自己写的小故事变成漫画，但又不想把东西交给任何在线服务。 市面上的方案基本是两条路：要么用在线 AI 绘画平台 ...
语言选型的新坐标：反馈确定性
当AI 承担大部分代码产出时，语言的评价标准从表达力转向反馈确定性——所以选择那个给你的 AI 反馈最多、最便宜、最不漏的语言 ...
大语言模型的 Scaling：扩展方向、收益规律与训练配置
大语言模型的 Scaling：扩展方向、收益规律与训练配置 Scaling laws 的核心价值，是估计扩大模型与训练量的收益，并在计算预算内找到更好的配比。 它把“投入更多资源通常能降低损失”的经验，变成可以测量、拟合和检验的关系。这里的主要质量指标是语言建模交叉熵；具体任务是否改善，还要单独评估 ...
