登录社区云，与社区用户共同成长
邀请您加入社区
流程混乱、缺乏规范→ Superpowers 或 Trellis规范存在但难以传递给 AI→ OpenSpec 或 Trellis任务复杂、需要多 Agent 分工目前 AI Coding 整体仍处于探索阶段，业界尚未形成统一范式。模型能力在快速演进，工具链在持续迭代，今天的最佳实践明天可能就会被更简单的方式替代。从现在开始积累属于自己业务线的数据资产。无论是代码规范、架构决策、任务拆解记录，还是
AI工具平台推荐：聚合主流模型横向对比，国内直连新用户有额度。Gemini3.5的MCP原生支持实现标准化工具调用，开发者只需封装一次即可被所有支持MCP的模型调用，在多工具协同测试中表现优异（83.6% vs GPT-5.5的75.3%）。SparkAgent支持24小时持续执行任务，而IDE集成方面各有所长：GPT-5.5+Copilot在VSCode体验最佳，Gemini深度整合Androi
本文介绍了在Windows 11系统上安装Claude Code模型并使用Deepseek API的完整流程。主要内容包括：1) 安装Git和Node.js基础环境；2) 创建Deepseek API密钥；3) 配置环境变量和模型参数；4) 通过npm安装Claude Code；5) 修改配置文件绕过国内校验；6) 最终使用方法。整个过程详细说明了从环境搭建到实际使用的各个步骤，特别针对国内用户提
你有没有经历过这种情况：某天线上AI功能突然变差了，排查了半天，发现是两周前有人顺手改了一行Prompt，但没有人记录、没有人评估，就这么带进了生产环境。这是大多数AI应用团队都踩过的坑。Prompt不是配置文件，更不是可以随便改的字符串——它是AI应用的核心逻辑。管理好Prompt，是AI应用工程化的重要一环。
斜杠命令是目录下的 Markdown 文件，用来封装可复用的复杂工作流：---description: 全量代码审查——安全性、性能、代码质量并行执行argument-hint: "目标模块路径"---对 `$ARGUMENTS` 执行并行多维度审查：## 第 1 步：安全性审查使用 **security-reviewer** 子智能体，检查 OWASP Top 10 漏洞、密钥泄露、注入风险
agents---description: 执行受限 bash 命令的代理hooks:hooks:hooks:---
在会话中输入：text/agents在打开的管理界面中，切换到 Library 标签 → Create new agent → 选择 Personal（保存到只需用自然语言描述代理的职责，配置就会自动生成。
OpenClaw Skill 可以从 ClawHub、Git 仓库、本地目录、workspace、bundled skills、插件自带 Skill 中来。找 Skill 时，不要只看名字和热度。来源安装位置可见范围权限风险更新方式是否真的符合你的任务如果只是试用，优先安装到当前 workspace。如果团队长期使用，优先放进 Git 仓库并走评审。如果是社区 Skill，优先看 ClawHub
本文内容部分使用AI生成技术本文总结了关于ES从安装到一些常见的关于ES的API使用示例，方便可以后面快速查询使用。
MarkItDown是一款由微软开发的Python工具，专注于将多种文件格式转换为简洁的Markdown文本，特别适用于大型语言模型(LLM)的文本分析管道。该工具支持PDF、Office文档、图像(含OCR)、音频、HTML等格式转换，保留标题、列表、表格等关键结构。相比textract等工具，它更注重为AI处理优化输出，而非人类阅读。安装需Python 3.10+环境，提供命令行和Python
作者：来自 ElasticAI 正在快速发展。企业级采用需要有目标地同步推进。过去一年有一点已经变得非常清晰：组织并不需要更多 AI 炒作，他们需要的是一条通往生产环境的路径 —— 一种能够将基础设施、数据与智能连接起来，从而创造真实业务价值的方法。这正是（AI Ecosystem）所要构建的能力。在 Elastic，我们相信 AI 的能力取决于其背后的数据基础。优秀的模型固然重要，但如果缺乏高速
Elastic举办的Elasticsearch Agent Builder黑客松吸引了全球开发者，他们利用AI agents结合Elastic工具解决各领域实际问题。获奖项目包括：PHAROS药物安全监测系统，能在60秒内分析FDA报告并预警；Gauntlet对抗测试框架，通过模拟攻击提升agent鲁棒性；以及肯尼亚HIV重复记录检测系统，10秒完成人工需数周的工作。这些项目展示了AI agent
摘要：Elastic在Google Cloud Next 2026大会上展示了多项AI创新成果，第五次获评Google Cloud年度合作伙伴。亮点包括：成为Google Distributed Cloud隔离网络环境的内嵌安全层；Jina Embeddings v3模型入驻Gemini Enterprise Agent Platform；采用Google Axion处理器提升25%性能；推出支持
【代码】https://www.doubao.com/chat/1214874050575。
本文探讨了AI编程中上下文噪声带来的成本问题，指出真正昂贵的不是命令执行本身，而是无关内容（如构建日志、搜索结果、重复警告等）挤占上下文空间。文章提出三套过滤工具：RTK（命令行降噪）、CodeGraph（代码结构导航）和Semble（语义搜索优化），它们分别在命令输出、代码结构和业务语义三个入口拦截噪声。重点介绍了RTK的工作原理，它通过前置过滤命令输出（如压缩git日志、聚合测试错误），可节省
你是否正在努力充分利用大型语言模型 (LLM)？你不是一个人。好消息是，你可以选择：检索增强生成 (RAG) 和微调。但哪一款适合你呢？让我们来看看吧。
https://www.cnblogs.com/qmillet/p/12565723.htmlES在数据量很大的情况下如何提高查询效率？一、性能优化的杀手锏——filesystem cache你往es里写的数据，实际上都写到磁盘文件里去了，查询的时候，操作系统会将磁盘文件里的数据自动缓存到filesystem cache里面去。es-search-processes 的搜索引擎严重依赖于底层的fi
本文介绍了如何将外部数据库数据同步到Elasticsearch并实现语义搜索功能。主要内容包括：1）创建Elasticsearch Serverless项目并设置索引；2）通过自托管连接器将MongoDB数据库同步到Elasticsearch；3）配置索引映射以支持语义搜索；4）执行全文搜索和语义搜索查询。文章还提供了相关资源链接，帮助用户快速上手Elasticsearch的AI驱动搜索功能。
把大模型 API 接进业务系统，真正难的往往不是“调通一次”，而是“稳定、可控、可追踪地调用很多次”。重试：网络抖动、服务端 5xx、限流时应该如何重试，哪些错误不应该重试；超时：连接超时、读取超时、业务总超时如何分层设置；日志：如何记录请求、响应、耗时、错误，同时避免泄露密钥和用户隐私；成本控制：如何通过 token 预算、模型分级、缓存、熔断等方式降低不可控开销。
很多研发同学每到周五都会遇到一个熟悉的问题：这一周明明做了不少事，但要写周报时，却突然想不起来具体完成了哪些任务、修了哪些问题、下周应该怎么规划。本文将起草一个可复用的技术方案：使用Python + Git 提交记录 + 任务文本 + 大模型 API本周提交记录汇总；本周完成事项总结；风险与阻塞问题提炼；下周计划自动生成；Markdown 周报导出；提示词模板与错误排查思路。需要说明的是，本文提供
这是一套 Windows 系统下，免费搭建Claude Code + Kimi Coding Plan的完整教程，全程使用开源免费工具，按固定顺序操作即可实现 Claude 调用 Kimi 能力，所有交互基于命令行终端。
Jina-VLM：开源多语言视觉语言模型在ICLR 2026引关注 Jina-VLM是一个2.4B参数的开源视觉语言模型，在29种语言的VQA基准测试中表现优异。该模型创新性地结合SigLIP2视觉编码器和Qwen3语言解码器，采用注意力池化技术处理任意分辨率输入。ICLR 2026会议展示了AI领域的最新趋势：强化学习验证(RLVR)成为主流、测试时计算受到重视、视觉语言行动模型(VLA)快速发
pp-Echo 现在首先是一个教学向 Agent 工程项目：它不是把 LangChain / AutoGen 当黑箱接起来，也不是只会聊天的 Prompt Demo，而是把本地编程 Agent 背后的工程骨架拆开给你看。你可以从的 7 个独立小脚本开始，理解 Agent Loop、工具调用、文件修改、审批、记忆、checkpoint 和 MCP mock；再回到完整工程，阅读、memory、MCP
在大语言模型（LLM）应用迅速普及的今天，如何保证LLM应用的稳定性和可靠性成为了开发者面临的核心挑战。传统的软件测试方法在面对LLM的非确定性输出时显得力不从心，而回归测试更是成为了一大难题。通过构建失败样本库，驱动提示词路由工具的持续迭代。我们将从问题背景出发，逐步介绍核心概念、系统设计、实现方案以及最佳实践，帮助读者构建一套完整的LLM应用质量保障体系。理解LLM应用回归测试的特殊性与挑战掌
摘要：在 Agent 迈向工程化落地的进程中，单点提示词已难以承载复杂的业务流。本文将深度拆解 ReAct、Plan-and-Execute 等 5 种核心设计模式，提供一种基于业务场景的架构选型思路——以最小必要复杂度构建生产级 Agent。
最近很多人问我Agent Harness是什么？今天这篇文章，我尝试用最通俗的方式、多角度把Agent Harness讲清楚。
做了两年 AI 开发，说实话从 Java 转过来这条路走得不轻松我之前 Java 写了将近 10 年，Java 相关的东西玩得贼溜，两年前转向 AI 方向，做 RAG 做了快一年半
elasticsearch
——elasticsearch
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
AI Agent技术社区
2048 AI社区
openEuler 社区
