登录社区云，与社区用户共同成长
邀请您加入社区
基于大模型人工智能仓机智行无人调度系统平台软件
基于大模型人工智能的空压数监工况分析系统平台软件
上周在清理一个多 Agent 协作的代码仓库时，我打开根目录下的 rules 规则文件，赫然发现它已经悄悄膨胀到了整整 520 多行。这 500 多行规则是怎么来的？我本以为把规则堆得严丝合缝，Agent 就能像老架构师一样稳定输出。但现实却狠狠给了我一记耳光：在一次长达 15 轮的长会话中，AI 聊到第 8 轮，不仅把我写在 rules 第 45 行的“严禁直接 catch 异常重试”忘得一干二
摘要：本文是「AI Native 原理与实践」系列第十九篇。文章从 Copilot 到 Agent 的十年演进视角出发，把 2018—2027 划分为 Copilot 雏形、Chat 与 RAG、Tool Use 与工作流、Agent 自主执行四个阶段，拆解「AI Native 吃掉软件」这一判断背后的技术逻辑、产品形态与商业结构变化；同时梳理模型能力、工具生态、记忆与状态、执行环境四条技术主线，
新车速造大模型人工智能全链智控系统平台软件
Google 开源博客在 2026 年 10 月 22 日介绍了Elephant-Goldfish Model（EGM）插件，仓库于 10 月 27 日打出首个 v0.1.0 标签，近两天技术媒体又集中做了解读。按官方说法，它最初是 Google 内部工程师在用的工具，现以 Apache 2.0 开源；仓库同时声明它不是 Google 官方支持的产品，首个发布也标注「不宜做稳定版声明」。Eleph
作为一名一线做业务、画原型、写 PRD，同时日常高强度调度多个 Coding Agent（Cursor、Claude Code、Codex、Antigravity 等）独立开发工具的 AI 产品经理，我和身边很多深度使用 AI 编程的朋友一样，每天都在经历一种让人极其头疼的“会话交接失忆症”：在日常真实项目的开发中，单一工具很难覆盖所有场景。我通常习惯在 Cursor 的可视化编辑器里梳理业务模块
Agent 规模化落地的胜负手，不在于谁买了更多的算力与授权，而在于。
AI 生成计划后，用户怎样修改、锁定和确认结果？本文用纯聊天版与可编辑工作台的实际页面对比，拆解业务文档、局部修改、字段锁、版本冲突与保存状态，配 5 张图片、6 张表格和可运行 JavaScript 示例。演示使用离线预设数据。
Agent 执行中断后，怎样继续任务而不重复交付？本文拆解检查点、稳定操作键、结果未知、重试预算与取消边界，使用两个 SQLite 数据库和跨进程 Python 实验，对比普通重试与幂等恢复，配 3 张示意图、7 张表格及完整代码。
Agent 回答看起来正确，是否代表任务真的完成？本文以模拟订单查询为例，拆解测试用例、工具轨迹、权限、副作用和回归评测，配流程图、对照表与可运行的 Python 离线示例。
AI 返回的内容可以解析成 JSON，为什么程序仍然报错？本文以 Agent 任务卡片为例，拆解响应状态、JSON 解析、结构与业务校验、有限重试和前端反馈，附流程图、对照表及可运行的 Python 离线示例。
本文为面向初中级安全工程师的代码混淆技术系列入门导航，系统梳理“原理→实现→攻破→对抗”闭环，融合LLM/Agent评估视角。内容涵盖威胁建模、编译基础、经典与高级混淆技术（如控制流、数据、虚拟化）、平台专项（Android/Web/iOS）及LLM时代新挑战，附工具速查、实操指南与参考文献。按需选择阅读路线，零基础可循序渐进掌握全貌。
2026 南京大学《生成式软件工程》第1讲 · 欢迎来到未来｜课程精读让 AI 做一个 Excel 工具：输入一段文字，表格自动完成编码。第一份结果有了。换一段文字，结果却没有跟着变。蒋炎岩老师在《生成式软件工程》第1讲中，讲过这样一次尝试：Agent 用 Python 提前算好了编码，再把结果填进表格。用户需要的“自动计算”，变成了一份固定答案。只看第一个样例，这个差别很容易漏掉。
DeepSeek 放出的 dsh-superagent-prototype 不是新模型，而是把 Agent 从「问一句动一下」改成「长期在线盯仓库事件」的研究原型。本文拆解接单、执行、持续跟进三层机制，Mandate 授权、Router/Worker 隔离、五种状态与重启恢复，并给出 observe→auto 的落地清单与安全边界。
AI正从辅助工具跃升为软件工程的核心重构力量。本文带你梳理Agent、Loop、Runtime三层演进脉络，剖析真实落地痛点与选型陷阱，并给出针对不同场景的组合策略。想知道你的项目该用哪一层？答案都在这里 🚀
摘要：本文是「AI Native 原理与实践」系列的第五篇，聚焦 AI Native 应用的系统架构设计。文章提出由基础设施层、数据管道层、模型服务层、智能编排层构成的四层架构，并以可观测与治理体系纵向贯穿全局：数据管道层负责数据接入、清洗、切分向量化与增量更新，让模型「有据可依」；模型服务层通过统一接入、能力抽象、模型路由与缓存限流，让模型能力「可用可治理」；智能编排层以固定流程、动态 Agen
摘要：“AI Native”正在成为继“互联网+”“数字化”之后最容易被滥用的标签。本文给出一句话定义：AI Native 不是“产品里接了大模型”，而是让 AI 成为产品能力、组织流程和决策方式的第一性构成要素。围绕这一判断，本文拆出三个可验证的标准——能力内生、流程重构、数据闭环，并给出自检清单与落地路径，帮助团队判断自己究竟处在“AI 加持”还是“AI Native”阶段。
摘要：很多团队把“接入了大模型 API”当成“AI Native”，结果做出来的仍是一套流程固定、规则写死、AI 只负责点缀的传统软件。本文从架构、交互、数据、组织四个维度拆解 AI Native 与传统软件的本质差异，提出四层成熟度模型（L1 接口调用、L2 流程增强、L3 模型驱动、L4 自进化），并结合客服工单系统对比传统做法与 AI Native 做法，最后给出把“AI 皮”换成“AI 骨
摘要：Cloud Native 解决了“应用如何弹性、可靠地跑在云上”，AI Native 则要回答“应用如何以模型为核心来构建”。本文从架构视角梳理从 Cloud Native 到 AI Native 的 5 个关键跃迁——计算单元、状态管理、接口契约、交付方式与可观测性，并澄清 3 个常见误解：AI Native 不等于套壳调用大模型、不等于抛弃云原生基础设施、也不等于把 Prompt 当成全
Coding Agent 遍地的时代，开发者还要学软件工程？解读吴恩达 AI 工程技能图谱，详解五大软件工程核心能力，搞懂如何约束、评判 AI 生成代码，在 Agent 时代做好工程决策。
AI Engineer World’s Fair / New York 峰会 · 架构实录 | 主讲嘉宾：Zachary Blumenfeld（Neo4j 资深 AI 架构师） | 主题：Make Your AI Agents Predictable With Graph Engineering：在提示词里多写两句“千万不要出错”、“请严格遵照逻辑”，永远治不好 AI Agent 的不可预测性。自
大模型应用响应慢，问题可能出在排队、检索、流式传输或结果保存。本文以报告生成为例，拆解 API 接入、SSE、异步任务、日志追踪、部署与成本控制，配 3 张图、6 张表和可运行的 Python 离线示例，帮助区分首段等待、总耗时与业务交付，定位超时、重复提交和费用待核对等问题。
Postgres 19 意外延期并回退 10 个核心特性，背后是 AI 代码审查掀起的“Bug 风暴”🌪️ 当大模型找 Bug 的速度远超人类修复能力，软件交付的瓶颈已从“发现问题”转向“修复与验证”。这篇文章带你看懂开发流水线的新变局，以及团队该如何调整交付预期、试点 AI 审查并强化防御性测试💡
AI 可以帮助架构师快速分析现有系统、生成候选方案、比较技术路线，并通过 Coding Agent 辅助完成 PoC 验证，但生成的方案不一定适合实际项目。本文以 BaseMetas 云文档的离职成员文件交接为例，对比同步处理、异步分批和消息驱动三种方案，介绍如何结合业务约束、系统架构、数据一致性及交付要求开展技术验证和多角色评审，并提供可直接复用的技术方案评审清单。
军工单位选择 AI 编程工具，逻辑与通用市场不同——数据能否不出内网、保密资质是否达标、领域知识能否沉淀、任务能否定制，每一项都直接决定工具能否真正落地。本文从私有化部署与保密资质、领域化、定制 Agent、公司背景、案例与产品来源五个维度，对 aiXcoder、国创星码、UCoder、金航数码、中国电科内部助手、中国电子云六家供应商逐一展开，供军工领域选型参考。
FPC 的需求结构正在发生一次换手。过去十年，智能手机与消费电子是绝对主力，FPC 厂商的产能、工艺与客户关系几乎围绕这一条主线建立；而进入 2025 年后，这条主线的增长动能明显减弱，取而代之的是汽车电子与新型智能硬件。理解这一变化的关键，不在于判断哪个行业“更热”，而在于区分三类性质完全不同的机会：已经验证、正在规模出货的增量（汽车），需求尚未锁定、但单机价值极高的增量（AI 眼镜与机器人），
本文区分领域现实、业务判断事实和软件运行事实，提出业务因果链与运行事实链的双链结构；进一步将 Session、Harness 与执行环境解耦，区分 Session、Context、State、Memory 和 Knowledge，并以 Resume Contract、Progress Contract 与 Evaluation Contract 说明一次 Agent 运行如何被恢复、交接、验证和持
聊天记录保存着，为什么 Agent 还是会忘记已确认的要求？本文用 PPT 项目案例，拆解短期记忆、摘要、长期记忆、上下文裁剪和记忆更新，附流程图、对照表与可运行的 Python 筛选器。进一步说明版本冲突、失效处理、预算、缓存及评测，帮助定位信息究竟在哪一层丢失。
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
北京朝阳AI社区
人工智能6S服务平台
