参加 Cursor Meetup 厦门站，我原以为只是学点 AI 编程技巧，却意外意识到：真正的价值不在“vibe coding”，而在“vibe working”——用规范管理 AI、重构工作流、解决真实问题。无论是教育、开发还是内容创作，AI 都不是替代者，而是协作者。关键不是会不会用 AI 写代码，而是能否扎扎实实落地实践，把 AI 融入自己的工作范式。

AI时代最稀缺的不是答案，而是"好问题"。两派观点争论模型是否等于产品，实则揭示了人类在AI时代的独特价值。模型虽能快速吸收复杂性，但定义问题、设计验证路径、外化需求等核心工作仍需人类完成。真正的产品力来自清晰的问题界定、严谨的集成和可量化的验证。AI工程师的关键能力在于将模糊需求转化为可执行的规范，通过持续观察和迭代来优化模型表现。面对技术焦虑，我们应专注提升"提问

本文粗浅对比了阿里巴巴的Tongyi DeepResearch和字节跳动的DeerFlow两大深度研究代理框架。

本文主要描述了langfuse上的评估器，讨论了评估器适合的不同场景，从单一评估器到组合评估器

对langfuse evaluator 的 prompt 做深度拆解分析，形成对自己自定义 evaluator 的洞察

在[Coze使用开放平台接口-【1】创建插件](https://blog.csdn.net/weixin_40242845/article/details/141719450)，我们已经成功创建了开放平台的插件，也创建了对应的工具。本文档就根据创建好的插件，来创建对应的工作流，来让接口能够用起来。

本文档基于 researcher 阶段 Trace（包括 `continue_to_running_research_team_trace.json`、`research_team_trace.json`、`reporter_trace.json`、`reporter_chatOpenAI_trace.json`），系统分析 DeerFlow 在 research 执行阶段的架构、消息编排、工具链

本文档基于 researcher 阶段 Trace（包括 `continue_to_running_research_team_trace.json`、`research_team_trace.json`、`reporter_trace.json`、`reporter_chatOpenAI_trace.json`），系统分析 DeerFlow 在 research 执行阶段的架构、消息编排、工具链

本文档系统阐述 DeerFlow 中 Planner 的职责边界、端到端执行流程、关键节点设计、数据结构、容错与人审机制，以及与研究/编码子代理的协同方式。面向开发与运维读者，帮助快速理解与调优 Planner 相关链路。

本文档系统阐述 DeerFlow 中 Planner 的职责边界、端到端执行流程、关键节点设计、数据结构、容错与人审机制，以及与研究/编码子代理的协同方式。面向开发与运维读者，帮助快速理解与调优 Planner 相关链路。