登录社区云，与社区用户共同成长
邀请您加入社区
此外，AWS的Lambda服务支持无服务器计算，用户只需编写函数代码，平台会自动处理资源分配和扩展，极大地简化了应用的部署和运维。例如，使用GitHub Actions或Jenkins，当代码提交到仓库时，自动运行单元测试和集成测试，通过后自动构建Docker镜像并推送到容器注册表，最后由Kubernetes部署到生产环境。此外，定期进行安全审计和漏洞扫描，及时修补已知漏洞。例如，用户管理服务可以
摘要： 本教程详细介绍了在Kali Linux中安装Claude Code并接入DeepSeek V4 API的步骤，适用于零基础用户。内容涵盖： Kali Linux安装：通过VMware配置虚拟机（4GB内存、80GB磁盘），完成系统初始化及工具安装。 Node.js环境配置：使用NVM安装Node.js 20.x版本，为Claude Code提供运行环境。 Claude Code部署：通过n
本文总结了2023年6月18-20日AI Agent领域的关键发展，聚焦三大核心问题：记忆系统、治理框架和评估基准。研究发现，AI Agent工程正从"拼prompt"转向基础设施构建：GLM-5.2的1M上下文窗口解决长程任务执行问题；记忆系统出现全量注入、按需检索和自改进三条技术路线；AgenticRei提出的道义策略引擎实现了治理从"人治"到"法治"的转变；多智能体审议机制获得数学理论支持；
《无限画布：重构AI创作的工作流与上下文治理》探讨了一个突破性的创作工具设计理念。文章指出传统AI创作流程存在严重的上下文断裂问题，而infinite-canvas项目通过节点化编排、状态管理和自动化整合，构建了一个完整的创作操作系统。其核心创新在于： 采用五层架构（前端交互、本地数据、AI调用、可选同步、Agent系统）实现灵活扩展 将创作过程建模为可序列化的节点图结构 开发丝滑的交互内核（视口
鸿蒙 PC（2in1 形态，如 MateBook 系列）与手机共用同一套 OHOS 应用模型：UI 用 ArkTS，原生能力走 NAPI。把应用声明为2in1设备类型即可在 PC 上运行。选 Go 做核心，是因为 Go 的成熟、生成 PNG 只要几行。怎么把 Go 编出来的东西塞进鸿蒙 PC 应用。这是全文重点。
CC攻击（Challenge Collapsar，挑战黑洞）是一种针对Web应用层的分布式拒绝服务攻击（DDoS），其核心原理是利用大量看似合法的HTTP请求耗尽目标服务器的应用层资源（如数据库连接、CPU、内存），导致正常用户无法访问。
你给 agent 写了满满两页系统提示，线上却时而听话时而失忆，很多工程师以为是没写够、其实是写错了层。上一课拆了主循环，这课拆主循环每轮都要喂的系统提示：分哪几层、哪些写死、哪些运行时注入、哪些根本不该写。
2025 年是 AI Coding Agent 全面爆发的一年。Cursor、Claude Code、Copilot Workspace、Windsurf 等产品让开发者第一次真切感受到 Agentic Coding 的力量——Agent 不再只是补全几行代码，而是能理解需求、规划方案、跨文件编辑、运行测试，甚至发起 Pull Request。
故事的起点是我们持续在围绕高德地图PC站做SEO优化，在探索各个方向上能带来增长的可能。偶然在某社媒上看到一个内容是关于一个人怎么利用AI自主发现需求并全程自主开发和上线APP的并能自动进入下一个提案的探索与执行。立马在我们的脑子中开始火星撞地球，决定在PC站SEO这个场景下借鉴这个思路，并且实践OPC（一人公司）。
除了Work 模式（原 SOLO 模式）的对话式开发，它还有IDE模式的实时代码补全，写代码的时候CUE智能预测会自动补全后续逻辑，Builder模式还具备Agent自主开发能力，能自动完成多文件修改，从模块初始化到配置更新一套跑完，覆盖了从单行补全到全项目生成的完整开发链路，不用再换工具就能搞定不同粒度的开发需求。整个迭代过程里，TRAE会在文件树上标出来哪些文件是新增、修改的，每处改动都有di
在老年健康管理这个项目里，我前前后后建了六个Agent——意图识别的、通用闲聊的、医疗咨询的、记忆压缩的、记忆提取的、建档引导的。如果每个Agent都单独写一套模型调用、消息组装、流式回调的逻辑，那代码里的重复会多到不敢看，而且加一个新Agent的成本太高。所以我在项目初期就花了一些时间把Agent相关的基础能力抽了出来，抽象成 Prompt、LLM 和 Agent 三个核心类，业务Agent只需
Excel 顶部一整条带「开始、插入、数据」的工具栏整体叫 Ribbon（功能区），Office 2007 后替代旧菜单栏 / 工具栏。「开始」「插入」「开发工具」「自定义我的工具」这一页一页标签，标准名称就是选项卡（Ribbon Tab），是 Ribbon 内部的子组件。 结构层级： 扩展是实现自定义 Ribbon 选项卡的技术载体，二者不是同一维度概念：举例：
比如我们有两个进程 AB ，他们都需要资源 1 和资源 2 ，当进程 A 持有资源 1 ，进线程 B 持有资源 2 的时候，他们都需要对方手上的进程，而一般操作系统又不允许抢占，这个时候就发生了死锁。但如果是多写的情况，一般会经常产生冲突，这就会导致上层应用会不断的进行 retry ，这样反倒是降低了性能，所以一般多写的场景下用悲观锁就比较合适。（2）允许抢占，需要设置进程的不同优先级，高优先级的
本文通过分析musl libc中5行代码的read()实现，揭示了系统调用的本质。文章指出read()并非直接调用操作系统，而是通过libc封装层syscall_cp进入内核，其中_cp表示支持线程取消点。对比了musl（精简设计）和glibc（多层封装）的不同实现风格，解释了系统调用号、用户态/内核态切换过程，并列举了read()常见的三大使用误区（未读满缓冲区、EOF判断、EINTR处理）。最
凌晨三点的运维告警群突然炸锅：核心业务系统访问丢包率突破35%，用户端频繁出现超时、掉线，投诉量10分钟内涨了三倍。你睡眼惺忪爬起来排查，从客户端ping业务服务器丢包率0%，traceroute全路径跳点正常，登录核心交换机、出口防火墙看端口利用率、告警日志全是绿色，登服务器查CPU、内存、应用日志也没有任何异常。两个小时过去了，故障还没定位，领导的电话一个接一个，你对着满屏的“正常”指标百口莫
这套统一机器人控制层落地后，最直观的收益有三点：一是开发效率大幅提升。新项目对接机器人，只需要写一套适配层，业务逻辑直接复用，开发周期缩短40%以上。二是维护成本显著降低。改需求、优化稳定性只需要改抽象层和公共层，所有品牌同步受益，代码量比分散实现减少了一半以上。三是现场稳定性更有保障。统一的重连、心跳、超时、队列机制，比单品牌零散实现更可靠，产线运行故障率明显下降。工业软件开发，本质是不断封装差
本文介绍了一套基于OpenClaw的全自动化内容创作流水线方案，帮助垂直领域创作者摆脱重复劳动。该方案将内容生产拆解为选题生成、内容撰写、格式适配、多平台发布四个模块，通过工作流引擎串联执行。系统能自动采集热榜生成选题、调用大模型撰写结构化内容、适配不同平台格式要求，并通过API+浏览器自动化实现多平台发布，全程只需人工最终审核。作者分享了各模块的实现细节，包括热榜采集、内容结构化生成、Markd
本文介绍了一套基于OpenClaw的竞品数据自动化采集方案，帮助产品和运营人员摆脱繁琐的手动数据监控工作。该方案通过四层架构实现全流程自动化： 调度层：采用Cron定时触发工作流 Agent执行层：由OpenClaw引擎驱动 能力层：包含竞品采集、数据清洗和日报推送三个核心技能 存储输出层：数据存入MySQL并通过企业微信/钉钉推送日报 实施步骤包括： 封装竞品采集Skill，处理反爬并输出结构化
由于视频在服务器端进行渲染，客户端只需接收已经处理过的视频流，这样可以减少数据传输量，加快视频加载速度。传统的客户端渲染视频需要大量的计算资源来处理视频数据，这可能会导致设备发热、电池消耗加快等问题。总的来说，服务端渲染视频是一种有效的技术，可以在提高视频加载速度、减少客户端资源消耗和提供一致用户体验方面发挥重要作用。随着技术的发展和优化，服务端渲染视频有望在未来的视频内容分发中扮演更加重要的角色
本文基于12个AI Agent落地项目实践，分析了客服、财务、法务三大场景的ROI表现： 智能客服：投资回收期4-6个月，ROI中位数12倍，是当前最成熟的落地场景。关键要解决冷启动期效果不佳、模型成本控制等问题。 财务自动化：回收期8-12个月，ROI中位数6-8倍，从RPA升级为具备理解能力的Agent，重点在于系统对接和合规要求。 法务合同审查：回收期12-18个月，ROI中位数3-5倍，价
Bank冲突是Ascend C和GPU等并行计算中的关键性能瓶颈，指多个内存请求同时访问同一Bank导致并行访问串行化。在Ascend C中，UB存储采用交叉编址，当访问模式（如矩阵转置）的步长为Bank数的整数倍时，会导致所有请求集中在同一Bank。解决方法包括Padding（通过增加无用数据破坏对齐）、数据重排和使用专用指令。核心思路是使访问请求均匀分散到不同Bank，避免硬件资源竞争，从而提
Intent 页面直达一旦失效，问题往往不在同一层：可能是 insight_intent.json 配置有误，也可能是原生执行器没正确转发，还可能是 Flutter 路由根本没接住。食界探味当前这条链本来就拆成了配置、执行器、插件、Flutter 路由四层，所以排查时也最适合按层处理。本文给出一套更实用的三层定位法：先看配置，再看原生转发，最后看 Flutter 路由承接。每层都给出具体的排查步骤
不过实话讲，子Agent之间怎么传上下文、传多少，平台给的是默认策略，复杂场景还得自己调，不是配好就万事大吉。一句话先讲清这套架构：复杂任务别指望一个Agent硬扛，让一个"主Agent"当指挥，把活拆给几个"子Agent"分头干，再汇总。一次调研要多次模型调用，主Agent拆一轮、N个子Agent各跑一轮、主Agent再汇总一轮，整体响应是分钟级的，急性子用户等不及。"市场规模子Agent"就专
本文介绍了使用Gemini3.5-flash辅助生成Java后端接口测试用例的实践方法。以电商系统"订单售后状态更新接口"为例，展示了如何通过结构化Prompt输出测试用例：1. 提供完整的接口字段、状态枚举和业务规则；2. 要求按分类（正常/参数/状态/数据/日志）生成用例；3. 将AI输出整理为可执行测试清单并人工校验；4. 补充状态机校验逻辑和边界条件测试。文章强调AI应作为辅助工具，需结合
Harness Engineering（驾驭工程） | 菜鸟教程Harness Enginnering翻译过来就是【驾驭工程。我们可以把大模型比作一匹马，那如果我们要更好的去驾驭，就需要通过“马具”来进行约束。Harness Engineering（驾驭工程）是围绕 AI 智能体设计和构建约束机制、反馈回路、工作流控制和持续改进循环的系统工程实践。它不优化模型本身，而是优化模型运行的环境。人类掌舵
ReentrantLock 实现了可中断性，这意味着线程在等待锁的过程中，可以被其他线程中断而提前结束等待。可打断的方法的行为与非常相似：和一样，会完全放弃用户态的，让操作系统调度其他线程。这是所有高效阻塞机制（sleepwaitparklock，即在条件不满足时主动让出CPU，而不是空转浪费资源。当线程在等待锁的被中断，它会立即放弃等待，从阻塞处（调用点）。
有 � 种食材，编号从 1 至 �，其中第 � 种食材的美味度为 ��。不同食材之间的组合可能产生奇妙的化学反应。具体来说，如果两种食材的美味度分别为 � 和 � ，那么它们的契合度为 � and �。其中，and 运算为按位与运算，需要先将两个运算数转换为二进制，然后在高位补足 ，再逐位进行与运算。例如，12 与 6 的二进制表示分别为 1100 和 0110 ，将它们逐位进行与运算，得到 01
无论是做音乐趋势分析、用户偏好挖掘，还是个性化推荐系统的数据准备，获取高质量的音乐数据集都是第一步。网易云音乐作为国内头部音乐平台，其“热门歌单”栏目汇聚了海量用户共创的优质内容，是数据采集的理想目标。（即页面初次加载时返回的 HTML 结构和嵌入的初始数据），涵盖请求伪造、签名算法逆向、数据解析、反爬绕过、代码工程化等完整链路。：上面代码中的 RSA 公钥为示意，实际使用时请从网易最新 JS 中
logger.info(f"完成批次 {i//batch_size + 1}/{(total_segments-1)//batch_size + 1}")"Referer": f"https://www.bilibili.com/video/BV1xx411c7mD",# 可动态传入。logger.info(f"P{page.get('page')} cid={cid} 共{seg_count}段
print(f"状态码异常 {resp.status}，第{attempt+1}次重试")print(f"重试 {attempt+1}/{max_tries}，错误: {e}")# 假设返回格式为 [{"ip": "1.2.3.4", "port": 8080}, ...]print(f"异步请求异常: {e}，第{attempt+1}次重试")logger.info(f"完成，共{success
点击右上角执行，设备则会自主弹出所运行画面效果如图(其中代码我加了封面)，只有选中 / 未选中两种状态，用来做开关、复选框、切换按钮。此时 打开顶部工具栏中的工具，点击工具中的设备管理器，运行设备。告知鸿蒙系统需要联网（请求接口、加载网络图片、访问服务器等）。其中 此代码运行的结果在预览器并不完全展示。一、Toggle按钮状态。1、toggle含义。
本文摘要：OpenClaw操作审计系统通过五层架构设计实现全流程操作审计，满足等保2.0三级合规要求。系统采用多维度探针采集、标准化日志预处理和动态策略引擎，结合区块链存证和三层防护机制确保审计完整性。智能报告系统通过参数化模板和三维矩阵评估生成合规报告，实际部署显示事件处置时效提升96.8%，合规覆盖率达98.2%。系统支持LSTM行为预测和联邦学习等前沿技术，已在25个省级行政区应用，成功阻截
动态权限申请知识图谱├── 核心API│ ├── checkAccessToken() → 检查权限状态│ └── requestPermissionsFromUser() → 请求授权├── 申请策略│ ├── 顺序申请 → 按功能依赖逐个请求（推荐）│ ├── 批量申请 → 一次性请求多个权限│ └── 降级申请 → 核心权限被拒后降级到可选权限├── 结果处理│ ├── 0 (GRANTED
权限声明知识图谱├── 声明位置│ └── module.json5 → requestPermissions 数组├── 授权方式│ ├── system_grant → 安装即授权（如 INTERNET）│ └── user_grant → 需用户确认（如 CAMERA）├── APL 级别│ ├── normal → 所有应用可申请│ ├── system_basic → 系统应用可申请│
开发语言
——开发语言
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openEuler 社区
AI Agent技术社区
龙虾开发者社区
人工智能6S服务平台
AI编程社区
CSDN-OPC开发者社区
AtomGit AI 社区
MCP技术社区
DAMO开发者矩阵
鲲鹏昇腾开发者社区
AI硬件创业社区
HarmonyOS开发者社区
