本流程适用于服务器无法直接访问 GitHub 和 Hugging Face，需要通过其他可联网机器下载源码和权重后再上传部署的场景。SAM 3 官方模型权重需要从 Hugging Face 的。当前 SAM 3 源码在实际导入时，可能还需要补充以下依赖。至此，SAM 3 离线推理环境部署完成。建议使用 Python 3.12。

适用场景：Linux GPU 服务器不能直接访问 GitHub / Hugging Face，但可以访问清华镜像或允许从其他机器上传代码和模型。本手册根据一次实际部署整理：Kylin Linux Advanced Server V10、NVIDIA RTX 4090（23GB 显存）、NVIDIA Driver 580.105.08、CUDA 13.0、Conda 环境、代码和模型离线传输到/op

背景：claude价格太贵了，换到了codex，两者在使用上有些微妙区别适用环境：本机，Windows，交互式 TUI。注意：斜杠命令属于交互式 TUI 功能，可能随 Codex CLI 版本变化。遇到和本文不一致时，以你当前 TUI 中输入后的候选列表为准。

本指南介绍如何使用 Docker Compose 快速搭建一个基于 SRS (Simple Realtime Server) 的流媒体测试环境。

适用场景：项目已有代码（≥ 10 文件），你要做具体的修改— 不要一开始就把代码全塞给 AI。

很多人担心 AI 会让工程经验贬值。AI 并没有让经验贬值，而是让经验的使用方式变得更精细了。过去的经验主要价值是"知道怎么做"；知道哪里是风险点（决定哪里该慢）知道哪里是 routine（决定哪里该快）知道 AI 容易在哪里错（决定在哪里多问一步）知道自己的确定度是真的还是错觉（决定在哪里自信、哪里谦虚）这种能力不会随 AI 进步而贬值，反而会随着 AI 能力的增强而变得更值钱—— 因为能用好

适用场景：AI 生成代码比例高、个人项目做完后、你想保持"代码品味"不退化总耗时：30 分钟｜可重复执行｜跨项目通用。

我在做一个实时直播流 AI 检测系统：从 SRS 流媒体服务器拉取直播视频，交给 Python 端的 AI 模型做目标检测，再把检测结果（比如人物位置的边界框）同步叠加到前端播放画面上。。

即便你目前只有一个消费者处理所有结果，也建议在 Routing Key 里区分success和failed。这不仅方便你在管理后台通过 Key 过滤消息，也为后期系统拆分留下了“无痛切换”的空间。