这篇文章通过50行Go代码演示了大语言模型(LLM)的核心工作原理，帮助程序员快速理解三个关键概念： Token机制：LLM处理的是文本片段而非单个字，中文字通常1-2个token，直接影响API调用成本； Temperature参数：控制模型输出的随机性，从保守(0.1)到创意(1.5)可调，不同场景需要不同设置； 上下文窗口：决定模型的"短期记忆"容量，如DeepSeek V4支持128K t

模块一结束了。10 篇文章，从「AI 能帮程序员做什么」到「AI 的边界在哪」。但你可能有个问题：每次写代码都要重新搭环境——注册 API Key、配置环境变量、装各种依赖。能不能一次性搭好？这篇给你答案：一个 Docker Compose 文件，把 AI 开发需要的所有基础设施拉起来。

这篇把 Agent 全套打包进 Docker——包含 LLM 调用、Redis 缓存、向量数据库。一个 `docker compose up -d`，全部就绪。

别想着 AI 包办一切。正确姿势是：AI 写 80%（正常+边界），你写 20%（核心业务规则+并发安全）。

你有没有遇到过这种情况——Agent 生成的代码跑不起来，它自己不知道，还一脸自信地说「代码已完成」？

这篇给你一个 Token Bucket 限流器，以及多 Agent 场景下的并发编排方法。

普通聊天：`用户 → AI → 用户 → AI`，单向，一步一问。Agent：`用户 → AI → 工具 → AI → 工具 → AI → 答案`，AI 能自己驱动流程。**AI 从一个「回答问题的人」变成了「完成任务的人」。**

传统爬虫的痛点不是写代码——是维护。你要爬一个技术博客，先 F12 看 DOM，找到标题的 class 是 `.article-title`，作者是 `.author-name span`，正文是 `#content p`。写好了跑两周，网站改版了——class 全变了，你的爬虫挂了。AI 爬虫的思路刚好反过来：**不写选择器，让 AI 自己看 DOM 决定什么是标题、什么是正文。**

Agent 项目跟普通 Web 服务不一样——它要多一层"大脑"。LLM 调用、Prompt 管理、Tool 注册、记忆存储、成本核算，这些东西搅在一起，不设计好目录结构，写到第三周你自己都不敢改。这篇给你一个经过验证的标准模板。不是"最佳实践"那种虚的，是我重写了三版之后稳定下来的结构。

自动生成Release Note的GitHub Actions工作流 这个方案通过AI自动生成Release Note，解决了开发者编写变更说明的痛点。