摘要： 2026年起，大模型编程工具升级表明AI替代人工编程已成趋势。国产大模型如GLM4.7、MiniMax2.1在编程能力上表现优异，未来将有更多优化。编程工具（如OpenCode）围绕大模型提供规范与辅助功能。目前，大模型擅长解决流程性问题（如ETL），但复杂逻辑仍需人工抽象与示例引导。实践表明，结构化规范（如ST-0001/0002/0009）能提升大模型生成代码的稳定性，而“抽象+打样”

摘要：本文探讨了利用大模型优化三类常见技术工作的效率提升方案。针对ETL类工作，通过图结构处理+规范文档已实现2倍效率提升，预计可达4-5倍；复杂数据处理建议简化为单对象处理，预期效率翻倍；部署运维方面，借助腾讯云Code Buddy工具实现自动化操作，但需注意安全限制（物理机沙箱优先）。文章以JWT服务部署为例，展示了nginx配置的挑战性，发现Caddy比nginx更易配置。最后提出建立部署知

Agent执行引擎（AEE）是大模型与外部工具间的智能协调系统，通过自动化"提问-思考-调用-反馈"循环提升任务完成效率。核心架构包含推理规划层（任务分解与动态决策）、工具管理层（注册/调用/认证）和记忆状态层（短期/长期记忆管理）。典型应用如编程助手Opencode和电脑管家Openclaw，通过结构化设计实现高效开发与多任务处理。当前大模型在逻辑思维、任务规划与细节处理上的

1 skill creator里的经验和我的体验是一致的，例如正文长度小于5000词（和我之前理解的一致：大模型表现最好的时候prompt最好在10k以内，其中5k用于基本的prompt, 5k用于具体业务相关的prompt)2 模板化。大模型可以很灵活，但其实背后恰恰是通过一些固定的模板来约束这种灵活的。一般往上需要建立若干层的模板（2~3层）才能实现很灵活的应用。3 用在哪里？SKILL.md

能够基于用户目标理解任务、拆解步骤、调用可用工具、结合上下文记忆持续执行，并在约束条件下自主完成查询、分析、生成与操作。它具备明确的角色边界、可扩展的技能体系、可控的执行策略和人机协作机制，适用于信息检索、内容生成、流程执行、系统操作与多步骤任务编排等通用场景。对于openclaw 来说：此处不继续展开关于openclaw的其他内容(openclaw集成了一套自洽的工具生态)，我希望先抓住核心，也

大模型的发展仍然在突飞猛进，回顾一下这7个月的变化，真的非常惊人。虽然agent从年初的glm4.7,到现在chatgpt5.6, 大模型(及其harness)的进展已经很惊人了，但如何去用 agent 真正实现价值，仍然是挺复杂的问题。具体来说：你可以用很简单的语言让codex 帮你完成项目。然后随着时间推移，你会发现许多功能似乎需要修改，于是需要不停的修修补补。这个过程中你会进一步发现还是离不

大模型的发展仍然在突飞猛进，回顾一下这7个月的变化，真的非常惊人。虽然agent从年初的glm4.7,到现在chatgpt5.6, 大模型(及其harness)的进展已经很惊人了，但如何去用 agent 真正实现价值，仍然是挺复杂的问题。具体来说：你可以用很简单的语言让codex 帮你完成项目。然后随着时间推移，你会发现许多功能似乎需要修改，于是需要不停的修修补补。这个过程中你会进一步发现还是离不

本文介绍了WebSocket的核心原理与Python实现方案。WebSocket通过HTTP升级建立长连接，实现高效双向通信，适用于实时聊天、数据推送等场景。文章对比了Python中五种WebSocket方案：websockets适合学习原型，FastAPI适合新项目整合，Tornado适合定时推送，picows追求低延迟，websocket-rs性能最优。通过50行代码实现了一个基础的Echo服

说明一种最简单的标注是用文件名给某张图片标注。这里主要讨论的是给图像进行区域的划分和标注后，把这部分的图像和标注拉下来保存成单独的图片。想象在图片上拉一个小矩形，给这个矩阵打了类别的文本，最后我们根据这个矩形和文本把图扣下来单独的保存。介绍的内容：1 VOC标注格式和工具2 Pytorch的Dataset格式3 对应的转换脚本进行目标识别通常需要coco和voc两种数据集格式，本文主要讨论voc格

说明上一回讲到当我们找到文本块之后，可以将文本块分割成行，利用cnocr就可以很好的识别了。所以现在的问题是如何从原始图中找到文字内容块。内容我分析了一下，最佳的选择应该是使用yolo进行目标识别，具体可以参考我的这篇文章,但是一来这需要标记一些样本图片，二来这个项目是很久之前搞的，当时并没有按PM进行归集，要重读代码比较费时间。顺带要吐槽一下苹果的m1，适配简直差极了，Labelmg也不能装，各