把前五篇文章的四张表翻译成 SQLAlchemy 模型。模型文件通常放在models.py# 关系：一个学生有多条选课记录表名、列名、类型、约束、外键、关系——前五篇文章的 DDL 完整对应到了 Python 模型，精确到和的选择。是 ORM 最强大的特性之一。定义了之后，你不需要手动 JOIN，直接就能拿到学生姓名。ORM 把数据库表映射为 Python 类，让你用操作对象的方式操作数据，IDE

本文是「LangGraph 教程系列」第 12 篇。写作时基于 langgraph 1.2.10、langchain 1.3.14、langchain-openai 1.4.1、Python 3.12+。配套代码仓库 https://github.com/wxj006007/deep-research-assistant ，本篇对应 tagv5。v4 的 Supervisor 已经能把研究员、审稿

图可能因重试、进程恢复或调用方重复提交而再次执行。若每次都 append，一项研究会在长期记忆里留下多份重复摘要。因此 v2.2 的上下文里还有。这不是分布式事务的完整方案，但已经给出一个重要的工程习惯：外部写入要有稳定业务 id，并且能安全重试。

尽管 Python 在 AI 模型训练和数据科学领域仍占据绝对统治地位，但一个引人深思的趋势正在浮现：Claude Code、Cursor、Continue 等前沿 AI 编码工具正集体倒向 TypeScript。本文通过剖析 Kimi Code CLI 从 Python 重写为 TypeScript 的决策过程，深入揭示了这一现象背后的工程真相。从更简洁的分发体验、原生适配流式 I/O 的异步模

量化技术让原本只能在数据中心运行的大模型，得以在几张消费级显卡或一台工作站上跑起来。它极大地降低了 LLM 的使用门槛，催生了 Ollama、llama.cpp 等优秀的开源生态。这些贡献是毋庸置疑的。但量化不是免费的午餐，它是一个系统性的精度-效率权衡，而这种权衡的真实代价比标准 Benchmark 所展示的要高得多。量化精度损失本质上是信息论层面的上限降低，任何算法优化都无法完全弥补。从 BF

理解了"why"，接下来看"how"——MCP 的架构选了哪条路，以及为什么选这条路。MCP 解决了 “N×M 适配矩阵” 问题。在 MCP 之前，每个 AI 应用都要为每个工具单独写适配代码。MCP 用 Client-Server + 标准协议把 N×M 变成 N+M，让工具实现一次即可随处使用。三层抽象各司其职。Tools 负责"动手"（执行操作），Resources 负责"查阅"（获取数据）

7 月 17 日凌晨，月之暗面发布 Kimi K3。新闻标题几乎都聚焦在那个数字上：2.8 万亿参数，全球最大的开源模型。但如果你只看到参数规模，就会错过这次发布真正值得讨论的部分——一个开源第一的模型，性能却落后于闭源旗舰，API 还涨价了。这种反直觉的组合背后，藏着开源模型路线正在发生的拐点。

事情是这样的。2026年7月17日，OpenClaw的创始人Peter Steinberger在X上发了一句话。没有配图，没有链接，也没有任何产品发布。就一句，我们还在聊循环，还是已经转向图了？三天，270万浏览，上千条回复。Graph Engineering这个词一天之内传开，被冠上了Loop Engineering继任者的名号。有意思的是，六周前正是同一个人，用一句关于循环的话收获了800多万

它更像一个轻量的 agent，系统会主动组织上下文和指令，用户选中的文字、当前页面的正文、预设的技能 prompt，这些东西在发给模型之前都会被自动装配好。比如你有一个硅基流动的 API 和一个 DeepSeek 官方的 API，你可以在模型级别分别配不同的 Key，不填就自动用全局的 Key。但作为一个「带 agent 性质的侧边栏」，真正的差异化在下一篇文章要聊的部分，怎么让 AI 理解你正在

程序运行时需要大量配置信息：临时目录在哪、用什么语言区域、代理地址是什么、可执行文件去哪找。这些配置如果全写死在代码里，换一台机器就得重新编译；如果每个程序自己搞一套配置文件，又重复造轮子。环境变量就是操作系统提供的一套进程级、可继承的键值对配置机制：系统给每个进程维护一份环境变量表，程序运行时直接读取，无需自己解析配置文件。它和 shell 里用VAR=value环境变量会被子进程继承。当你在