摘要：AppFunction是Android 16引入的标准化能力框架，通过Jetpack库将应用功能封装为可被端侧大模型（如Gemini）直接调用的函数，实现自然语言交互与本地化执行。其核心流程分为四层：开发者通过注解声明功能→编译器生成元数据→系统全局索引→大模型检索调用。安全机制确保权限隔离，数据全程驻留设备。以笔记应用为例，展示如何通过@AppFunction注解暴露"创建/查询笔记"功能

摘要 AI Agent在执行模糊需求时容易过早补全未明确信息，导致产出偏离用户真实意图。grill-me通过改变工作流，在执行前建立"需求澄清阶段"，采用三个核心设计原则： 渐进式提问：一次只问一个最关键问题，形成对话式决策树 推荐引导：每个问题提供基于上下文的建议答案，降低用户决策成本 智能区分：Agent自行检索事实信息，仅对需要用户判断的决策点发起确认 该机制适用于代码开发、内容创作等多场景

本文探讨了在双仓库（Polyrepo）架构下实施 Kotlin Multiplatform (KMP) 的实战方案，突破了官方教程中单仓库和全栈跨端的理想化设定。针对大中型企业 Android/iOS 独立仓库的现状，提出以下核心方案： 物理连接：通过同级目录结构（如Git/Android和Git/ios-app）实现跨仓库访问，要求团队统一开发环境路径。 心智模型：Xcode 将 KMP 编译产

评估AI Agent性能需建立多维工程化评测体系，区别于传统LLM仅关注生成内容质量。Agent作为"数字员工"，需从三个维度评估：1. 结果维度（任务成功率）；2. 过程维度（执行效率、工具调用精准度、自我纠错能力）；3. 系统维度（延迟、成本、稳定性）。落地实施需采用代码断言、环境状态验证和大模型裁判三种方法，同时警惕错误连环传递、结果波动和模型裁判被误导等工程陷阱。最终目标是构建可复现、可归

在人工智能（Artificial Intelligence）飞速发展的今天，参数规模几乎每年都经历着外翻数倍甚至超十倍的增长——从百亿、千亿到万亿参数，“越庞大越强、越胖越聪明”似乎成了不争的事实。例如，DeepSeek 满血版模型（如 DeepSeek-V3/R1）的参数量已高达 671B（6710 亿）。然而，强大的能力背后，是高昂的计算成本与物理壁垒。面对资源受限的边缘设备或终端场景，我们该

Android Studio深度集成Gemini AI，为开发者提供从设计稿到代码的全流程智能辅助。Gemini突破单一聊天功能，支持多模态设计稿转代码、Compose预览一键生成、代码评审与优化等核心场景。通过图片识别、上下文配置和提示库，AI能精准生成符合项目规范的代码。企业版还支持自定义模型训练和精细化管理。未来将拓展至UI问题自动修复、跨设备适配等场景，并引入AI代理实现循环优化。开发者只

机器学习平台选择指南：Vertex AI与替代方案对比 随着机器学习成为企业标配，Google Cloud的Vertex AI平台整合了AutoML等工具，提供从数据准备到模型部署的全流程服务，适合不同技术水平的团队。然而，Vertex AI存在Google生态绑定、定价复杂、学习曲线陡峭等问题。 替代方案中，DigitalOcean Gradient Platform以简单易用、透明定价（每百万

本文探讨了AI时代下需求定义工作的本质转变。作者通过多年实践发现，随着生成式AI能力的提升，需求定义正从"整理与归档"的工序转变为"决断"的工序。文章梳理了从早期尝试到方法论成型的完整历程，指出AI加速开发后，需求定义的核心变为"决定做什么"和"切分范围"。最终结论强调：当AI能高效完成文档和代码生成时，人类的核心价值在于判断和决策能力。这种转变要求业务各方都参与需求定义，而工具应如空气般无形，让

在移动应用开发领域，跨平台技术一直是开发者们追求的目标，它能够帮助企业降低开发成本、提高开发效率，同时保证应用在不同平台上的一致性体验。2025 年 6 月 3 日，腾讯视频团队迎来了一个重要的里程碑 —— 正式发布 ovCompose 跨平台框架，这一框架的最大亮点在于全面支持纯血鸿蒙系统，为开发者们带来了全新的跨端开发体验。

文章摘要： AI工程重心正从"如何与AI对话"（提示词工程）转向"如何让AI自主运行"（循环工程）。Loop Engineering（循环工程）通过设计自驱动的闭环系统，使AI能自动执行、验证和优化任务，形成复利效应。其核心包括自动化、工作树、技能、连接器、子代理五大模块及状态记忆层，源自ReAct框架的演化。这一转变得益于AI执行能力提升、工具调用成熟、企业需求增长及成本管控需求。实践时需关注验