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。

你看完 100 个视频可能忘掉 80 个。但如果每个视频都有一份结构化摘要，你可以搜索「微前端 Module Federation 部署」，立刻找到所有相关视频和对应的时间点。

我有一个习惯——通勤路上用手机录音记想法。录了三个月，积压了 80 多条没整理。3 月的某个周末我花半天写了一个工具：**语音 → 转文字 → LLM 整理 → 念给我听。** 现在每天下班路上录完，到家时手机上已经有一份整理好的笔记了。这篇文章把这个工具的完整 Go 代码给你。复制下来就能跑。

一位程序员利用 AI Agent 自动化周报编写流程，解决了每周手动整理 Git 提交记录的重复劳动问题。项目采用 Go 语言开发，仅 400 行代码，通过三步流程实现： 数据采集：调用代码仓库 API 获取上周提交记录； AI 生成：使用 DeepSeek API 将原始记录整理为专业周报； 自动推送：通过企业微信 Webhook 发送周报。 技术亮点： 单文件 Go 程序，部署简单； 精心设计