登录社区云，与社区用户共同成长
邀请您加入社区
AI写论文会被查出来吗？2026毕业党写作与检测工具选型指南 又到了熬夜改论文的季节。身边不少同学都在纠结：用AI吧，怕AIGC检测过不去；不用吧，文献综述和框架真的憋不出来。其实工具本身没有对错，关键是选对组合、用对方法。今天就把我和实验室同门实测过的AI写作助手、AIGC检测工具整理出来，帮你少花冤枉钱，少走弯路。 一、AI写作助手：没有万能模型，只有场景分工 写论文不是写文案，不同环节对模型
Codex Harness是驱动Codex代理运行的底层执行框架。它是Codex App、CLI、VS Code插件共用的同一套基础设施。用更直白的话说：Harness是包裹在模型外面的那层工程外壳——它管理对话状态、工具调用、沙箱执行、流式输出和人工审批。模型负责“思考”，Harness负责“让思考变成可执行的行动”。对比维度发起方OpenAIDeepSeek技术栈Rust核心 + TypeSc
在搜索栏输入歌手名字或是对应曲目名称，点击对应歌曲就能畅快在线播放。想要把音频保存到手机，只需点击曲目右侧更多按钮，选择下载选项，按需挑选音质档位即可完成缓存，无损音质也可正常下载，整体使用十分便捷实用。这是一款体验极佳的安卓音乐播放应用，能够让大家随时随地自由在线收听海量曲目，还可将心仪的音乐缓存至手机本地，支持无损音质资源离线保存。软件内置各大平台实时音乐榜单与各类优质歌单，同时还能在线播放高
题目:基于深度强化学习的配电网实时电压优化控制方法摘要:大规模分布式电源的接入使得配电网电压优化控制策略与传统配电网差异较大。
OpenAI 8 月 18 日发布的 Asana/Codex 案例显示，Asana 用 Codex 在约两周内完成原本预计 5 年的 Enzyme 测试系统迁移，模型和基础设施成本约 1.2 万美元，对比原计划约 600 万美元。真正关键不是“Agent随便写代码”，而是选择可验证、可并行、边界清晰的技术债。
DeepSeek Harness与Pi框架虽然都采用"核心精简，插件扩展"的理念，但存在根本性差异。Pi通过明确的边界设计（7个核心工具+20个钩子）保持极简主义，强调用户自主权；而DeepSeek Harness彻底解构核心，基于Cordis框架实现"无特权核心"架构，其核心引擎仅8725行代码支撑着19.8万行插件代码。关键区别在于卸载机制——DeepSeek通过形式化的"可撤销效应"系统（已
TDK InvenSense ICM-20602是一款高性能6轴MEMS运动跟踪器件，集成3轴陀螺仪（0.004dps/√Hz超低噪声）和3轴加速度计（100μg/√Hz噪声）于3×3×0.75mm LGA封装。该器件具备1KB FIFO缓冲、可编程数字滤波器和10MHz SPI/400kHz I²C接口，工作电压1.71-3.45V，功耗仅2.79mA。其卓越的噪声性能和小型化设计使其成为无人机
摘要： TDK InvenSense推出的ICS-43434是一款高性能I²S数字MEMS麦克风，采用底部开孔设计，封装尺寸仅3.5×2.65×0.98mm，支持1.65V~3.63V宽电压，信噪比达64dB，频率响应覆盖60Hz~20kHz。其核心优势在于直接输出标准I²S数字信号，无需额外编解码芯片，可无缝连接ESP32、STM32等处理器，显著简化系统设计。凭借-26dB±1dB的高灵敏度一
IAR与ETAS达成战略合作，双方联合适配的IAR Embedded Workbench开发工具正式支持瑞萨RH850/U2A汽车芯片。这一合作将IAR编译器的代码优化能力与ETAS RTA-OS实时操作系统的稳定性相结合，为国内汽车电子开发者提供完整的开发工具链方案。作为中国汽车电子核心市场的战略布局，IAR持续强化本地化生态建设，此次与国际AUTOSAR厂商ETAS的深度整合，为动力域、车身域
DeepSeek Harness作为国产AI执行层框架，以"Model + Harness = Agent"为核心定位，通过插件化架构实现模型推理到环境操作的无缝转化。其MIT开源协议与可扩展设计，为开发者提供可控的自动化编排能力，在代码生成、文件操作等场景表现突出，但在需求分析与部署运维环节仍有待完善。Harness的推出标志着国产AI软件工程从"大脑"向"手脚"的范式转移，推动程序员角色从代码
Qwen3.8与Qwen3.6技术架构解析 核心摘要 阿里巴巴Qwen系列大模型实现两大技术突破： Qwen3.8-Max旗舰版：2.4万亿参数MoE架构，仅激活950亿参数实现高效推理，在第三方评测中综合能力全球第二，支持百万Token上下文和原生多模态能力，首次开源Max级模型权重（4.89TB BF16版本）。 Qwen3.6私有化部署版：35亿总参数MoE模型仅激活3亿参数，使大模型首次适
DeepSeek技术架构与源码分析摘要 DeepSeek系列模型通过"以轻驭重"的工程化理念，在算力受限条件下实现高性能。开源生态包括从轻量级推理模型到超大规模MoE模型的完整矩阵，采用MIT许可证，在GitHub和ModelScope平台同步发布。 核心模型分析： DeepSeek-R1蒸馏版：通过动态知识蒸馏框架（特征层/输出层/任务特定三层蒸馏）实现小模型高性能。R1-0528版本在数学推理
本文探讨了人工智能赋能软件项目管理的新范式，系统阐述了智能项目管理的核心内涵、关键技术、应用场景及未来趋势。智能项目管理通过数据融合、智能分析和自动化决策重构传统管理模式，关键技术包括多源数据采集、预测模型构建、风险智能识别和资源优化调度。典型应用场景涵盖智能估算排期、缺陷预测预防、实时健康度监控和自动化报告生成。尽管面临数据孤岛、模型可解释性等挑战，但大模型融合、自适应系统和元宇宙技术将推动智能
DeepSeek Harness（DSH）最初被质疑为"技术人的玩具"，但Github热度飙升（16w+ Star）引发关注。作者通过本地部署探索其插件体系Cordis，发现其类似Spring的IoC容器设计，以插件化实现功能模块的灵活组合与依赖管理（如动态加载Browser-Bridge工具）。尽管DSH当前API不稳定且学习成本高，但其"一切皆插件"的理
可靠性测试不该围绕页面是否跑通，而应把一条不可破坏的铁律、一个故障插入位置和一个可检查结果组合成可复现测试。
前阵子帮一个朋友看他的项目，LangChain Agent跑得好好的，聊天机器人能回答问题、能查数据、能调工具，效果挺惊艳。结果让他往生产环境一部署，第一天就崩了。问题不在模型，不在代码逻辑，而在三件事：权限没控、日志没记、异常没兜。很多人学LangChain都是从官方教程开始，，几行代码就能跑起来一个Demo。但Demo和上线之间，隔着一道很多人没意识到的墙。我今天就把这个坑拆清楚，顺便用一个真
摘要：OpenAI于2025年推出Codex，最初作为云代码助手，能读取代码库、修复Bug并生成PR。2026年，Codex发展为支持多任务并行、工作树隔离的桌面应用，最终被整合进ChatGPT。其核心转变是从单纯代码生成到执行复杂工程任务，通过模型、工具、执行环境和人工审查的协同工作，实现任务分解、权限控制与结果验证。Codex的演进体现了AI编程助手向"可审查自动化"的发展
最近跟几个朋友聊，发现一个挺有意思的现象：以前面试问"你用过什么AI编程工具"，大家都能聊两句；现在问这个问题，面试官眼神里多了点别的东西——不是好奇，是审视。2026年，AI编程工具从个人试用阶段进入了团队协作阶段。Codex、Claude Code、各种Agent框架开始大规模进项目。表面上看，程序员门槛降低了；实际上，门槛只是换了个位置。我把这个判断放在前面，因为后面所有建议都建立在这个前提
TDK InvenSense ICM-42688-P是一款高性能6轴MEMS运动跟踪器件，集成了3轴陀螺仪（噪声低至2.8mdps/√Hz）和3轴加速度计（70μg/√Hz），采用2.5×3×0.9mm LGA-14封装。其核心优势包括极低噪声、2倍温度稳定性提升、19/18位高分辨率数据输出，支持SPI/I2C/I3C接口和2KB FIFO。内置APEX运动处理引擎实现计步、倾斜检测等智能功能，
上周业务方提了个需求：把订单服务的库存扣减逻辑从同步调用改成异步消息驱动，理由是"现在高峰期DB连接池经常打满"。我顺手把需求丢给Codex，结果它给出的方案看着很完美，团队一起review的时候才发现，几个关键坑全藏在上下文里——这就是我用Codex接入真实项目一周后的真实感受：工具本身没问题，但团队协作流程没跟上，效率反而先跌了一截。Codex 接入团队项目，最先翻车的不是代码，是协作流程。
上周需求评审会上，产品说要把订单查询接口重构一下，支持多维度筛选。我顺手打开 Claude Code，准备让 AI 先读一遍代码库，再给个方案。结果半小时过去，它把三个不相关的模块改乱了，测试也跑不通，最后还得我手动回滚。这不是 Claude Code 不行，是我没搞清楚它到底适合做什么、不适合做什么。最近 AI 编程工具从个人试用走向团队协作，很多团队都踩过类似的坑。今天复盘一下我们团队用 Cl
摘要： 智能测试作为AI赋能软件工程（AI4SE）的核心领域，通过机器学习、自然语言处理等技术实现测试活动的自动化与智能化。其核心涵盖五大维度：测试生成（自动创建高覆盖率用例）、测试预言（判定结果正确性）、测试优化（优先执行高价值用例）、缺陷预测（识别风险模块）及测试分析（生成质量洞察）。关键技术包括基于搜索的测试生成、基于ML的测试预言、强化学习驱动的用例优化及深度学习的缺陷定位。
本文探讨了人工智能（AI）在软件设计与建模环节的应用，提出了智能设计的能力分层模型（自动化执行、智能辅助、协同生成、自主演进），并分析了知识图谱、机器学习、自然语言处理和生成式AI等关键使能技术。文章重点阐述了AI在架构设计、模式重构、模型驱动开发和界面生成等核心场景中的实践价值，同时指出了数据质量、可解释性、创造性边界和工具整合等当前挑战。未来发展方向包括人机协同设计、持续学习、多模态输入和伦理
本文系统探讨了人工智能与软件工程交叉领域——智能需求工程（AI4RE）的核心内容。文章首先分析了传统需求工程面临的模糊性、不一致性等挑战，指出AI技术应用的机遇。随后提出了AI4RE的四层能力模型：基础辅助层、智能分析层、协同增强层和自主决策层。重点剖析了支撑智能需求工程的四大技术栈（NLP、知识图谱、机器学习、大语言模型）及其协同机制，并通过敏捷开发用户故事管理、大型系统需求规格自动化等五个典型
最近团队里有人把 Codex 接进 CI/CD，结果一周内报了三个"AI 写坏了线上代码"的事故。我介入排查后发现，问题根本不是模型能力不够，而是 Agent 的工具调用、记忆管理和任务规划三个环节全在裸奔。先说结论：个人试用阶段的 Agent 和团队协作阶段的 Agent，中间隔着一套工程化的记忆与规划机制。下面这篇，把我最近三个月踩过的坑和总结的取舍逻辑摊开说。---Agent 的三大核心——
商品资料、价格规格、证据附件、禁用词、客服问题、用户顾虑和复盘数据没有连起来，AI 很容易把不确定内容写得很确定。直播前一天，运营让 AI 写了十版商品文案，主播觉得能用，客服却皱眉：保修口径、适用人群、禁用词和售后问题都没对齐。嘟哩更适合把商品先变成事实卡，再围绕事实卡生成直播话术、短视频脚本、客服 FAQ、私域 SOP 和复盘模板。因为文案只是表层，真正影响转化和风险的是商品事实、客服口径、证
在过去的十年中，人工智能已经从被动模式识别转变为主动数字代理推理。大型语言模型 (LLM) 和视 觉-语言模型 (VLM) 的出现催生了一波基础模型浪潮，这些模型展示了深刻的常识推理、复杂的工具 使用和⻓期序列规划。随后，视觉-语言-动作(VLA)模型和空间世界模型(WM)尝试将这些推理能 力直接投射到机器人技术中，将高级指令和视觉输入直接映射到低级末端执行器轨迹或关节扭矩命令 中。然而，将生成模
最近大模型编程很热。智谱出了 ZCode，DeepSeek 紧跟着发了 dsh，Anthropic 的 Claude Code 早就在那儿坐着了。有人丢过来一个问题：ZCode 不就是个 harness（套壳 / 编排层）吗？一句话回答：是，而且智谱自己都认。但"只是个壳"这句话，说早了。往下看你会发现，真正有意思的，不在"它是不是壳"，而在"三家明明干的是同一件事，为什么长成了三副面孔"，以及"
文章摘要（149字）： AI框架选型应先明确需求层级：L1/L2开发框架（Spring AI/LangChain）适合工程师自主开发；L3运行时（AgentScope/DeepSeek Harness）提供生产级环境；L4成品智能体（OpenClaw/Hermes Agent）开箱即用；L5低代码平台（Dify/Coze）面向业务人员。同层级内比较技术特性，跨层级选择产品形态——如Java生态选S
中小企业AI落地：零软件授权费构建专属AI能力（2026年指南） 当前企业AI智能体市场正以107%年增速爆发，54%企业已部署AI应用。中小企业可通过开源方案实现低成本AI转型： 核心优势 完全开源：OpenClaw、Dify等成熟框架支持零授权费部署 数据自主：私有化部署确保企业数据安全 政策支持：多地提供30%模型补贴和财政贴息 已验证效果：标杆企业实现92%新品成功率、10倍邮件回复率提升
2026年大模型私有化部署指南：开源模型能力提升，部署工具成熟，提供场景化选型方案。开源模型如Kimi K3、DeepSeek-V4-Pro等已具备1M以上上下文处理能力，量化技术让消费级显卡运行27B参数模型成为可能。决策图涵盖个人PC、企业API、长文本RAG等场景，推荐Qwen3.8-27B（个人）、DeepSeek-V4-Flash（企业）、Llama 4 Scout（长文本）等模型。FP
软件工程
——软件工程
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit AI 社区
葡萄城开发者空间
人工智能6S服务平台
天工造物局
DeepSeek技术社区
DAMO开发者矩阵
AI硬件创业社区
openEuler 社区
亚马逊云科技技术品牌专区
智能体开发者社区
MCP技术社区
AI编程社区
快递鸟社区
龙虾开发者社区
