obsidian最近“大模型指导小模型”的玩法越来越常见——用推理强的大模型做规划、拆分任务，再用价格便宜的小模型去执行、写代码。，而且最好在同一个终端窗口里随时切换，不用重启，保留上下文。但现实很骨感：Claude Code 本身只认一套 API 地址加一个模型名，切模型就得/exit退出重进，之前聊的上下文全清空，非要把不同厂商的 API 混用就更头疼了。试过 CC Switch 图形版、改环

操作系统：Windows 10/11（64 位）基础工具：Android Studio：提供 Android SDK、模拟器及开发工具支持Flutter SDK：核心开发框架，必装Git：可选，用于版本控制，部分 Flutter 功能依赖硬件要求：至少 4GB 内存，预留 10GB 以上磁盘空间（存储 SDK、依赖、模拟器镜像）

源码泄露了，但方向不会变。AI的下一个形态，不是更强的模型，而是更完整的“存在方式”。它会记住你，会自己规划，会在你睡觉时“做梦”整理记忆，会调用多个Worker并行工作，会在崩溃后自动重启。它不再是“你问它答”的对话工具，而是一个驻留在你电脑里的、永远在线的智能体。这东西如果真跑起来，我们和AI的关系将被彻底重写。你怎么看？欢迎在评论区聊聊。下期见。

MCP（Model Context Protocol），即模型上下文协议，本质是一套让AI模型高效、标准化调用外部工具的通信协议，其核心定位是“统一工具调用的语言”，与大家熟知的Function Calling相比，它更注重标准化、可扩展性和工程化落地。标准化：统一工具定义、请求/响应格式、调用流程，解决不同工具调用接口混乱的问题，降低多工具集成成本；可扩展：支持工具的动态注册、按需调用，新增工具

obsidian在AI服务开发中，模型调用的稳定性是核心痛点之一——无论是第三方模型接口超时、限流，还是自建模型服务故障，只要单个模型异常，就可能导致整个AI服务中断，直接影响用户体验和业务连续性。为解决这一问题，我们设计了一套，通过多模型候选、断路器保护、首包探测等核心设计，实现“单个模型故障不影响整体服务”的高可用目标。本文将从“为什么需要降级”“整体架构”“核心组件源码解析”“流程图解”“实

压缩算法是整个策略的核心，我们采用“增量摘要+范围控制”的思路，既保证摘要的准确性（不丢失关键信息），又提升压缩效率（避免重复处理已有摘要）。摘要的质量直接影响模型对上下文的理解，因此我们需要通过合理的Prompt设计和合并逻辑，确保摘要精准、简洁、不偏离原意。增量摘要的核心是“合并去重”，避免重复信息，同时保留新增内容。旧摘要："用户询问请假流程，助手回答需要提前申请"新对话：用户：我想请年假助

obsidian在大模型应用爆发的当下，RAG（Retrieval-Augmented Generation，检索增强生成）早已不是陌生概念——它解决了大模型“知识过期”“幻觉生成”的核心痛点，让AI能基于实时、精准的知识库内容生成回答，广泛应用于智能客服、文档问答、企业知识库等场景。但很多开发者面对RAG代码时，常常陷入“看得懂单个接口，却串不起完整链路”的困境：为什么要分8个步骤？每段代码在链

SSE是一种基于HTTP协议的服务器向客户端单向推送数据的技术，它打破了传统HTTP“请求-响应”的单向通信模式，允许服务端在没有客户端请求的情况下，主动向客户端发送数据。单向通信：仅支持服务端向客户端推送数据，客户端无法通过SSE向服务端发送数据，适用于“只需要服务端推送”的场景（如AI流式输出、实时通知）。基于HTTP协议：无需额外搭建独立的通信协议（如WebSocket的WS/WSS协议），

Tariq开篇打了个比方：想象你面前有一道很难的数学题，你会用什么工具去解决它？纸和笔最基础，但算力有限；计算器好一点，但需要你懂操作；电脑最强，但你得会写代码。这个比喻想表达什么？工具必须匹配使用者的能力。如果使用者（这里就是AI模型）的能力还没到那个层次，你给它再强的工具也是白搭；反过来，如果模型的能力已经足够强，那些过于简单的工具反而会成为累赘。而渐进式披露，就是解决这个矛盾的核心原则。别一

把一张字段过多的表，按“高频字段”和“低频字段”拆分，拆成多张表，每张表只保留一部分相关字段，实现字段的“解耦”。-- 拆分前：user表（字段过多，访问频率差异大）user(id, -- 主键（高频）username, -- 用户名（高频）password, -- 密码（高频）phone, -- 手机号（高频）email, -- 邮箱（高频）avatar, -- 头像地址（低频，仅个人中心展示）