行业资讯

发布 Visual Studio Code 1.146 (Insiders)

了解 Visual Studio Code 1.146 中的新增功能（内部人士） 阅读全文

功能可用性自动化测试验证

功能可用性自动化测试验证 一、为什么需要“可用性”这一层测试 单元测试验证函数逻辑，集成测试验证模块协作，但线上故障往往出在两者之外：配置错误、依赖服务超时、证书过期、限流熔断。这类问题不会让任何单测变红，却会让功能整体不可用。可用性测试（Availability / Smoke Testing）要回答的只有三个问题：服务是否活着、核心链路是否通、失败后能否自动发现。 它必须满足三个工程属性：可重复、低成本、可集成到发布流程。下面给出一套可落地的实现。 二、分层设计 层级 检测对象 判定方式 频率 L1 存活探测 进程 / 端口 TCP 或 /healthz 返回 200 30s L2 依赖探测 DB、Redis、下游 API 轻量读写、连通性 1min L3 核心链路 登录→查询→下单等关键路径 端到端断言业务字段 每次发布 + 5min 分层的关键是 快 ：L1/L2 单次执行控制在百毫秒级，L3 允许秒级但必须串行可重放。 三、探活与重试的实现 网络抖动不应直接判死，但重试必须有上限和退避，否则探测本身会放大故障。 import time import requests def

使用 Claude 定位神秘蜂鸣声的来源

我们的房子有一个箱子室，里面装满了我们上次搬家时还没有拆开的箱子。几周前，那个房间里的某个东西开始间歇性地发出蜂鸣声。蜂鸣声相距足够远，站在房间里试图确定噪音的来源是令人沮丧的，而且我真的不想把每一个盒子都挖出来。所以我用 Claude 代码构建了 Beep Locator ，这是一个用于三角测量信号源的软件系统

Redis 数据类型全解 - Stream 深度：消费者组、Pending 队列与死信处理（十）

一句话 ：Stream 的价值不在 XADD 写得快，而在「消费者组 + PEL + 认领」这套投递语义；坑也全在这套状态机上——消息现在在谁手上、什么时候还回来、回来时还能不能用。 六章顺序：选型边界 → 一页跑通 → 三个数据结构 → 消费可靠性 → 容量与版本 → 坑点清单。 1. 定位与选型 1.1 它是三件东西拼起来的 关键区别： List 的队列状态活在数据本身 （ BRPOP 弹走就没了）， Stream 的队列状态活在元数据里 （消息始终在流中，PEL 记录谁拿着），读因此是非破坏性的。它不做五件事：不自动重投递（崩了停在 PEL， > 读不到）、不自动重平衡（无分区）、无消息级 TTL（整 key 过期会连组一起删）、无服务端过滤、不保证精确一次——最后一条最要落到代码上：存在认领，幂等就不是可选项。 1.2 与 List / Pub/Sub / 专业 MQ 的分工 对 List 补一句： BRPOP 弹出后崩溃会丢，但 BRPOPLPUSH / LMOVE 配「处理中 List」也能搭出可恢复队列。 1.3 什么时候不该用 按顺序问，任一环节否定就别硬上： 能

Vercel 沙盒快照创建速度现在提高了 10 倍

Vercel Sandbox 现在创建快照的速度提高了 10 倍。拍摄快照的中位时间低于 0.4 秒，低于 4.4 秒。快照恢复速度也提高了 50%，从 p50 的 500 毫秒提高到 250 毫秒。现在可以通过重复使用 Vercel Hive 快照 (VHS) 格式的帧来写入和恢复快照。 VHS 现在以更有效的方式索引数据，这意味着可以并行完成更多的读写操作。快照现在可以恢复

ChatGPT Enterprise 现已在 AWS 市场推出

ChatGPT Enterprise 现已通过 AWS Marketplace 提供，帮助组织通过现有的 AWS 采购和计费关系简化采购。

Frontier Labs 购买什么：利用 Handshake AI 进行数据深入研究 — Garrett Lord 和团队

Handshake 在一年内从发布到价值 10 亿美元，突破了前沿实验室专业数据的极限。我们首次深入研究数据实验室，并提供金融、生物和联盟方面的具体示例

发布 Claude Fable 5.2 in GitHub Copilot

Claude神鬼寓言5.2，Anthropic的最新神鬼寓言模型，现已在GitHubCopilot中全面上市。您可以使用它来跨大型代码库执行复杂的多步骤编码任务。在早期测试中，神鬼寓言…GitHubCopilot中的Claude神鬼寓言5.2帖子首先出现在GitHub博客上。

Nemotron-Personas-Finance-Japan：捕捉日本人口统计和金融背景的综合数据集

JavaScript 对象池：减少高频对象创建与 GC 压力

在 JavaScript 中，函数内部创建对象是一种非常常见的写法： function createMessage ( type , payload ) { return { type , payload, timestamp : Date . now () }; } for ( let i = 0 ; i < 100000 ; i++) { const message = createMessage ( "event" , i); // 使用 message } 这段代码本身没有问题。但如果函数被高频调用，并且每次都会创建临时对象，就可能产生大量短生命周期对象。它们会频繁进入垃圾回收流程，在某些场景下造成： 内存分配次数增加； Minor GC 频繁执行； 游戏或动画帧出现卡顿； 高频数据处理吞吐量下降； 移动端设备出现更明显的性能波动。 对象池（Object Pool）是一种通过“重复使用对象”来减少重复分配的优化技术。它预先创建或按需创建一批对象，使用时从池中获取，使用完成后归还池中，而不是每次都创建新对象。 不过需要注意：现代 JavaScript 引擎的垃圾回收已经非常

超越代码生成：代理工程开发人员指南

编写代码变得更快。周围的工作却没有。了解如何使用 GitHub Copilot 进行计划、编写代码、审查更改和调查生产问题，以及哪些工作仍需要您的判断。 《超越代码生成：代理工程开发人员指南》一文首先出现在 GitHub 博客上。

Gemini Omni 1.2 Flash：快速且经济高效，具有更长的剪辑

Gemini Omni 1.2 Flash：快速且经济高效，具有更长的剪辑

文本“Gemini 介绍Gemini Omni 1.2 Flash”，周围环绕着蜂巢、对话中的动物、鱿鱼和走在街上的女人的图像

构建用于语义代码搜索的RAG管道：开发者日记和现场笔记

第 2 部分：存储、搜索和代理工具 在本博客系列中，我们旨在分享过去六个月在构建和推出 Air Context（用于代码搜索的生产级 RAG 系统）时学到的一些经验教训。在本系列的第一篇文章中，我们介绍了分块、解析和矢量化。转动[…]

通过适用于 .NET 和 Python 的 Microsoft Agent Framework 技能，让您的编码代理处于领先地位

我们为 .NET 和 Python 添加了可安装的 Microsoft Agent Framework 构建器技能。它们为编码代理提供了 Microsoft 维护的构建和修改代理框架应用程序的指导，从选择正确的模式到连接工具、会话、工作流和托管。这些是您的编码助手的开发时技能，而不是您发布的应用程序加载的运行时技能。 [...] 这篇文章给你的编码代理一个头号明星

发布 rust-v0.169.0-alpha.8

发布 0.169.0-alpha.8

发布 Visual Studio Code 1.145 (Insiders)

了解 Visual Studio Code 1.145 中的新增功能（内部人员）。阅读全文

agent 撑爆 Git 之后，两家改的不是同一层

摘要 ：OpenAI 把中位推送延迟压到原来的五分之一，代价是仓库不再有一个统一时间点；Anthropic 干脆换掉了 Git，换来的是取消合并队列的全局锁。同一个症状，两家给出了相反的诊断。 下午四点，你在等 CI。三个分支挂着，push 上去要等十几秒，fetch 卡在 resolving deltas 上转圈。 你骂了一句：Git 真慢。 把这个量级放大到几千倍，就是 OpenAI 去年年底的状态。而他们给出的结论，跟你的第一反应正好相反。 先看两家被压成什么样 两个月前，OpenAI 工程博客发了一篇《Scaling Git at OpenAI》。11 月 2 日，作者是 Aaron Friel、Taylor Blau 和 Ted Nyman 三个人。 起因写得很平实：Codex 普及之后，一个工程师手头同时挂着好几个改动等 CI，而每次 push 又会触发多个任务去拉同一个 commit。去年年底开始，拉取和推送变慢，合并开始失败，可靠性一度掉到 90% 以下。 Anthropic 那边的数字更狠。他们 10 月 13 日发的那篇里写，2026 年 5 月平均每天合并 250

保罗·福特 (Paul Ford) 的网络就足够了

我对保罗·福特（Paul Ford）《黑客新闻》的《网络已经足够》的评论。好吧，这个评论说服了我尝试一下。这是我今天早上在 Three.js 中制作的一个东西 - 一个以 Nudibranch 为主题的 Faberge Egg：https://static.simonwillison.net/static/2026/Hidden-Reef-Egg... (77KB) 我只是要求 Claude（在常规 Claude 聊天中运行的 Opus 5.5 Medium）将其移植到 Vanilla JS，在它构建它的同一线程中，并得到了这个： https://static.sim

设计模式与生活⑰：空腹体检，单子领着人走

一年一度的体检，约在了周二。 早上打完卡，没开电脑，先去体检机构——公司指定的那家。空腹，早饭留着查完再吃。 前台登记，递身份证，领回一张指引单：姓名、条码，今天要查的项目按房间号排成一列。 抽血、心电图、视力……单子一到手，人就被单子领着走了。先查哪项看哪边排队人少，但单子上的项目，一项落不下。 去年也是这套流程。单子上的项目换了几样，走的科室还是那几个。 身体还是这副身体，单子年年换。这事儿跟代码里的一种结构，是一回事。 单子一到手，人就被单子领着走了 今天聊的 访问者模式（Visitor） ：元素稳定，操作多变；把"做什么"从元素里抽出来，做成一张张可以换的单子。系列第十七篇。 01 先把套餐写进身体里 最直接的写法，是每个检查项目自己认识所有套餐。 class BloodTest { void annual () { System.out.println( "抽血：三管，血常规 + 生化" ); } void driverLicense () { // 驾照体检不抽血，空着 } } 抽血这个类，得认识天下所有套餐 第一眼也能跑。但套餐这东西，是体检机构最爱翻新的：今年"标准套餐

决策模型处理了 26% 的请求； Anthropic 现在以 2:1 赢得新队

AI Gateway 生产指数 — 2026 年 11 月 AI Gateway 每个月在生产应用程序和 AI 实验室之间路由超过 100 万亿个代币。这些流量让我们了解了当今企业和初创企业在语言、决策、语音、图像和视频模型方面的人工智能使用情况。我们每月在此发布。请参阅八月、九月和十月的生产指数报告。 2026 年 11 月摘要 六周后，12 月

控制室：一个中央系统，用于跟踪和停止我们研究基础设施中的模型工作负载

了解 OpenAI 的控制室如何跟踪我们研究基础设施中的模型工作负载，并在出现安全问题时快速阻止它们。

斯坦福大学如何教授人工智能原生工程 — Mihail Eric，摩纳哥

当学生可以一次完成去年的作业时会发生什么？ CS146S 和摩纳哥工程团队的内部。

秘密扫描检测GitHub操作工作流程日志中的秘密

除了问题、wiki、讨论和拉取请求之外，GitHub 秘密扫描现在还可以检测 GitHub 操作工作流程日志中的秘密。 Actions 工作流日志扫描可在公共预览版中使用。如何...秘密扫描检测GitHub操作工作流程日志中的秘密帖子首先出现在GitHub博客上。

您的专家有合作伙伴。让他们在一起是有希望的

Chrome 权限元素实战：144 与 151 的渐进增强写法

2026 年，浏览器权限体系正在发生一次悄无声息但方向明确的重构：权限请求正在从「散落在 JavaScript 里的 API 调用」走向「写在 HTML 里的声明式标签」。主角就是 Chrome 推出的 <permission> HTML 元素——配合早已标准化的 Permissions API 与 Permissions-Policy，浏览器正在把「查询、请求、管控」三层权限能力拼成一套完整拼图。 但「能用」和「用得好」是两回事。本文把这套新体系从设计动机、API 细节、控制面到坑位清单逐层拆开，并在文末给出 FAQ 与迁移决策清单。 结论先给，省时间： 通用 <permission> 的 OT 是 Chrome 126→143，已结束；草案被 HTML Permission Elements 取代。 现在能用的是 <geolocation> （Chrome 144）和 <usermedia> （Chrome 151），都是数据中介，不是单纯弹窗控件。 listenforchanges / dismissible / onpermiss

使用 Google Antigravity 进行代理化学信息学

了解 Google Antigravity 和我们的化学信息学技能如何加速药物发现工作流程、搜索化合物并提出新型刚性大环化合物。

发布 0.167.0-alpha.4.1

发布 0.167.0-alpha.4.1

神经网络入门指南：从 CNN、RNN 到 Attention

如果把深度学习看成一棵树，那么神经网络是树干，CNN 和 RNN 是两条重要分支，Encoder–Decoder 负责把“理解输入”和“生成输出”分开，而 Attention 则是通往 Transformer 的关键一步。 这篇文章不追求罗列名词，而是沿着一条主线说明： 数据进入模型后经历了什么，模型又是怎样学会的。 一、神经网络究竟在做什么？ 神经网络本质上是一个可以通过数据自动调整参数的函数。输入可以是一组数字、一张图片或一句话，输出可以是分数、图片类别，也可以是另一句话。 一个典型的神经网络由三部分组成： 输入层 ：接收原始数据； 隐藏层 ：不断提取、组合特征； 输出层 ：给出最终结果。 只有输入层和输出层的模型通常称为单层网络；含有一个隐藏层的网络常称为浅层神经网络；含有多个隐藏层，才是我们常说的深度神经网络。 1. 神经元：最小的计算单元 一个神经元可以理解成一台小型计算器。它先给每个输入分配一个权重，再加上偏置，最后经过激活函数： y = f ( w 1 x 1 + w 2 x 2 + ⋯ + w n x n + b ) y=f(w_1x_1+w_2x_2+\cdots+w

将您的 slop PR 描述隐藏在 <details><summary> 后面

这些天我对项目所做的大部分更改都是以Claude代码或Codex为我打开的PR的形式出现的。 PR 是我的工作单元 - 我使用它们将提交捆绑在一起，迭代它们直到功能完成，记录决策，然后合并最终结果。今天的编码代理非常擅长编写 PR 描述。他们太擅长描述工作了。问题是他们太擅长了。代理撰写的公关描述

AI数据库的库内四层结构，KingbaseES 产品拆解

金仓数据库 KingbaseES 在 2026 年 10 月 30 日发布了 AI数据库产品。产品资料里给的核心特色是一句话，数据不出库，AI 也能用。支撑这句话的能力有三项。库内语义构建负责实体、属性、关系、口径、规则、标签六类语义对象的存储和版本管理。库内计算推理把 ONNX Runtime 装进内核，嵌入模型、重排模型通过 SQL 调用。库内原生数据安全管控沿用角色权限、行级访问控制、数据标签、审计。向量检索走 DiskANN，1 亿条 768 维向量、98% 召回率的实测里峰值内存开销较业界降低 95.4%，查询延迟降低 80%。王珊教授在开场致辞里提到，AI 时代的数据库既要保障数据准确可靠，也要为大模型提供业务语义支撑，她与杜胜、李宁等人共同启动了全球化战略。下午的开发者大会分内核能力与智能运维、迁移与开发、DATA+AI 三个专场，湘财证券、海能达、太保科技、神州数码、云和恩墨的用户和伙伴都有分享。 数据出库之后会发生什么 发布会材料把企业落地 AI 的痛点列成三条，业务语义缺失、数据流转成本高、出库后安全失控。传统给 AI 供数的库外链路在这三条上都有暴露。训练、微调或

Claude 《神鬼寓言 5.2》现已登陆 AI Gateway

来自 Anthropic 的Claude神鬼寓言 5.2 现已在 AI Gateway 上提供。 Fable 5.2 专为开放式技术工作而构建，并在编码、推理和视觉方面改进了早期的 Fable 模型。它可以在无人值守的情况下运行长时间、模糊的任务，并作为一个协调器将更简单的任务交给较小的模型，或者作为其他 Claude 模型在解决更困难的问题时的顾问。与早期的《神鬼寓言》模式相比，它的沟通更清晰，生成输出更快

CodeRabbit 扩展了代理软件开发并将交付量增加了 20 倍

CodeRabbit 使用 OpenAI 模型来管理和信任 AI 生成的代码，并使用 Codex 与相同的工程团队交付 20 倍的软件。

[百万人工智能工程师特辑]斯坦福大学如何教授人工智能原生工程 — Mihail Eric，摩纳哥

当编码代理可以一次完成去年的作业时，您会分配什么？在斯坦福大学 CS146S 的第二轮中，Mihail Eric 将开源维护人员带入了课程。学生必须学习一个不熟悉的存储库，提出更改，然后......

Copilot代码审核： API管理和审核概述更新

您现在可以通过 REST 和 GraphQL API 管理 GitHub Copilot 代码审查设置，从企业策略到个人存储库。 Copilot 的审查概述评论现在更加紧凑，… Copilot 代码审查：API 管理和审查概述更新首先出现在 GitHub 博客上。

ToyBlocks：用于机器人学习和评估的受控世界

我花一天做了个格斗游戏原型，判定全对，然后被「美术」劝退了

我花一天做了个格斗游戏原型，判定全对，然后被「美术」劝退了 源码仓库（v1.0.0） GitHub： github.com/JohnnySilve… Gitee： gitee.com/johnny-silv… Release（含附件）：v1.0.0 @ GitHub ｜ v1.0.0 @ Gitee 一个 1321 行的单文件 HTML，零依赖、无构建，双击即玩。里面有关羽和赵云，能走能打能放大招，判定框可视化、帧数据面板、逐帧步进都齐了。 然后用户打开看了一眼，说： 火柴人真的很丑，没办法玩下去了。 项目在这一句之后结束。 这篇不写「我多努力」，只写三件事：格斗游戏的代码到底难在哪、成本到底贵在哪、以及什么情况下应该在第三天就停手。 一、先说结论 格斗游戏的成本结构是「代码可复用、美术严格线性」。 代码那一半是一次性的：判定系统、状态机、帧数据表、命中结算，做完之后每加一个角色只是往表里填数据。美术那一半是严格线性的：一个角色的逐帧动作要 300~600 张图，加一个角色就是加三百张图，一点杠杆都没有。 而这个项目里还有一条更硬的限制： AI 出不了跨帧一致的逐帧动画 。生成模型没有

发布 0.169.0-alpha.7

发布 0.169.0-alpha.7

我看着一个 AI 引擎在 14 天里,从"记忆"走进了"搜索"

(这是"AI 可见性测量"系列第五篇。前情:我开源了一套测量品牌在 AI 引擎里可见性的工具(Python + Java 两版),并在 第三篇 里记录了六次"如果全自动就翻车、被人审拦下来"的瞬间。这一篇,是第七、八、九次拦截——以及一个更罕见的发现: 我亲眼看着一个引擎换了一代模型,行为就从"凭记忆回答"变成了"真联网检索"。全过程 14 天。 ) 10 月 31 日:它不联网 测量的方法之一,是给每个引擎挂上官方的联网搜索工具(web_search),然后问它"现在最好的扫地机是什么"。 智谱的 glm-4-flash 给了我一份 2023 年的答案:开口就是 "As of my last update" ,头名推荐 iRobot Roomba s9+ ——一台 2022 年的机器。响应里也没有任何搜索结果字段。 我写了个探针脚本验证,结论:这个模型不执行联网工具,它在用训练记忆答题。于是我把它标记为"记忆层"引擎,和真联网的 deepseek"搜索层"分开——这套"双层模型"后来成了报告的方法论框架。 11 月 2 日:它联网了 我给智谱账户充了值,把引擎升到新出的 glm-5.

parse_number() 作为 SQLite 扩展：C 与 Rust

研究：parse_number() 作为 SQLite 扩展：C 与 Rust 当我出去遛狗时，我很好奇编写一个 SQLite C 扩展有多容易/困难，该扩展添加了一个 parse_number() 函数，用于将 -$1,234.56 或 '12.5%' 等字符串转换为可以求和和排序的数值。我启动了常规 Claude 聊天（Opus 5.5）并提示：我正在考虑一个 SQLite 自定义函数“parse_number(value)”，它会删除“,”，“$”，“£”

Java实现微信扫码登录

在 Java 中实现微信扫码登录，核心是基于微信开放平台的网站应用与 OAuth 2.0 协议。你需要先在开放平台创建“网站应用”并通过审核，获得 AppID 和 AppSecret，并配置好授权回调域（必须是已备案的域名，本地开发需借助内网穿透）。 整个流程可以概括为：后端生成授权链接 → 前端展示二维码 → 用户扫码授权 → 微信回调你的接口并带上 code → 后端用 code 换取 access_token 与 openid → 获取用户信息并完成本地登录。 实现上有两种主流方式，你可以根据项目情况选择。 方式一：使用 WxJava SDK（推荐） WxJava 是微信开发领域使用最广的 Java SDK，封装了 token 管理、API 调用等细节，能显著减少样板代码。 引入依赖 &lt; dependency &gt; &lt; groupId &gt; com.github.binarywang &lt;/ groupId &gt; &lt; artifactId &gt; weixin-java-mp &lt;/ artifactId &gt; &lt; version

Muse Ember 现已在 AI Gateway 上提供

Meta 的 Muse Ember 现已在 AI Gateway 上提供。它是一个轻量级推理模型，适用于代理运行的大量部分，例如编码子任务、工具调用和文档分析。 Muse Ember 处理代理在单次运行中多次重复的有界任务，例如实现辅助函数、调用工具或总结文档。该模型通过 1M 令牌上下文窗口接受文本、图像和视频输入，因此代理可以通过

Kuken Industries 在几分钟内搜索 70 年的图纸

Kuken Industries 使用 OpenAI API 搜索 70 年来的冷却塔图纸。工程师只需 4.5 分钟即可找到维修图纸，而这一时间则缩短为近一个小时。

[AINews] Anthropic IPO：现在何去何从？

2026 年 11 月 6 日 — ARC 奖测试了 Inkling 2 Small，Thinking Machines 解释了它如何捕获绕过护栏的早期检查站。

Copilot影响仪表板添加了聊天和VS Code代理使用情况

Copilot影响仪表板中的代理采用图表现在包括Copilot聊天和VS Code代理窗口，因此您可以查看九种Copilot体验的参与度。采用…帖子 Copilot 影响仪表板添加了聊天功能，VS Code 代理使用情况首先出现在 GitHub 博客上。

埃及语和尼日利亚英语加入 Open ASR 排行榜

从 0 到 1：把 Dify Chatflow 接进一个 qiankun 中后台

从 0 到 1：把 Dify Chatflow 接进一个 qiankun 中后台 摘要 ：本文完整记录了一次真实落地：在 Dify Cloud 上编排一个 Chatflow、拿到 API 密钥、把流式对话接进一个 React 16 + Umi 3 的 qiankun 子应用，并踩平了推理模型思考过程外泄、微前端绝对路径打偏、组件库丢弃样式 prop、Nginx 缓冲吞掉 SSE 这四个坑。文中所有数据都来自实际抓包与构建结果。 技术栈 ：React 16.12 · Umi 3.2.17 · qiankun · TypeScript 4.1 · Nginx · Dify Cloud 1.18 · DeepSeek 适合读者 ：需要在已有中后台系统里接入 AI 对话能力，且项目运行在微前端架构下的同学。 目录 0. 先看最终效果 1. 选型：Chatflow、Chatbot、Agent 到底选哪个 2. Dify 侧：搭一个 Chatflow 3. 拿 API 密钥（最容易卡住的一步） 4. 关于 .ifpkg：Dify 1.18 的导出变化 5. 项目侧：先摸清技术栈约束 6. 前端实现

发布 0.169.0-alpha.6

发布 0.169.0-alpha.6

【元宝搜索开发者征文大赛】AI时代，学得慢就不用学？用元宝搜索打造一个教程保质期，确保每一个教程符合你的现状

仓库： github.com/LucianaiB20… 在线预览： lucianaib2004.github.io/codefresh 一、背景：AI 跑得太快，我学得太慢 网上有句玩笑话我一直记得：「AI 时代，只要学得够慢，那就不用学了。」 第一次听到的时候我笑了，因为太真实。今天刚学会的命令，下个月可能就换了写法；昨天收藏的「保姆级教程」，过几周再打开，里面的版本号已经落后了一大截。照这个速度，等我慢慢悠悠学完，要学的东西可能已经被淘汰了，那还学什么呢？ 可笑完之后，我还是得学。我是一名在读大学生，平时喜欢折腾各种 AI 工具，也算半个独立开发者。像我这样的人，没办法每天盯着每个项目的更新日志，只能一点一点、按自己的节奏往前挪。学得慢不要紧，真正让人难受的是：你用心学的那份材料，本身已经过期了，而你完全不知道。 我自己就是这么被坑过的。浏览器收藏夹里有一个专门放教程的文件夹，塞满了「XX 从零部署」「XX 入门实战」之类的文章，收藏的时候总想着：先存着，等有空了照着做就行。前段时间我想把 OpenClaw 装起来玩，翻出一篇之前收藏的安装教程，一步一步照着敲。前几步还挺顺，后面就

数据集 #3046：不要为 HTML 页面的 Firefox 提供链接：rel=next HTTP 标头

datasette #3046：不要为 HTML 页面的 Firefox 提供链接：rel=next HTTP 标头 今天我在查看 Firefox 网络面板时，注意到对 Datasette 表页面的请求触发了对该表中下一页行的 HTTP 预取。发生这种情况是因为 Datasette 页面提供如下所示的 HTTP 链接标头： link: <https://latest.datasette.io/fixtures/compound_third_primary_keys?_next=a%2Cd%2Cv>;相对=“n”

RAGFlow 项目全景报告：从文档解析引擎到 Agent 原生数据库

RAGFlow 是 InfiniFlow 团队开源的检索增强生成（RAG）引擎。它最初以 深度文档理解 立身，如今的定位已经扩展到了 面向智能体的数据库 。下面从项目定位、发展原因、优势、开发活跃度和主要特点几个方面展开。 🧭 项目定位与演进脉络 它到底是什么 大模型常常一本正经地胡说八道，RAG 就是给它配一个资料库。回答问题前先去检索相关内容，再让模型依据这些内容作答，答案就有了出处。 RAGFlow 做的是这条流水线的完整工程化。官方文档把它描述为基于深度文档理解的开源 RAG 引擎，面向复杂文档构建企业级工作流，并强调回答要带有可追溯的引用。, 项目当前的自我介绍已经升级为 agent-native database，也就是面向智能体的数据库。这个说法表明，它不再只想做知识库问答，而是想成为智能体取用上下文的底层基础设施。 版本演进时间线 从公开的更新记录看，近几个月的节奏相当紧凑。 这条线索来自项目主页的更新日志、官方发布说明与 GitHub 发布页。, , 🔍 为何能发展至今 抓住了 RAG 落地的真痛点 很多团队做 RAG，第一道坎不在模型，而在文档。PDF 里有表格、多

Vercel Container Registry 现支持 2 GB 压缩镜像层

Vercel Container Registry 现在支持每个最大 2 GB 的压缩镜像层，从 500 MB 提高到总镜像大小限制仍为 15 GB。注册表可与 docker push 、 docker pull 和 docker tag 等标准工作流程配合使用，并且推送映像会动态创建存储库。存储库可以公开供任何 Vercel 团队进行只读拉取访问，也可以通过仪表板与最多 100 个特定团队或具有 vercel vcr 权限的特定团队共享

与 Hacktron 合作寻找OpenAI系统中的漏洞

OpenAI 正在与 Hacktron 合作寻找漏洞、测试与第三方服务的连接，并利用前沿人工智能加强防御。

控制生物学 - Fabian Theis，亥姆霍兹慕尼黑

随着系统生物学努力以更高分辨率、更大广度和更多模式绘制生物学图谱，Fabian Theis 正在推动从绘图到预测再到控制生物学的前沿

GitHub Copilot 每周发布 — 11 月 2 日

本周，Copilot 来到了 JetBrains Air 和 Xcode 的编码助手，其更新可帮助您管理拉取请求、设置和代理会话。 GitHub Copilot 应用程序设置代理合并...帖子 GitHub Copilot 每周发布 — 11 月 2 日首先出现在 GitHub 博客上。

用于交互式世界模拟的全新 NVIDIA Cosmos 3 开放模型

基于大模型的 i18n 方案：把中文原文当 Key，轻松搞定多语言维护

基于大模型的 i18n 方案：把中文原文当 Key，轻松搞定多语言维护 做前端国际化，你一般怎么写文案？ 一种是大家最熟悉的语义 Key： t ( 'features.localeFiles.title' ) t ( 'features.localeFiles.description' ) 另一种是我现在的写法——直接把中文原文传给 t() ： t ( '语言资源文件' ) t ( '翻译存放在 src/locales/*.json 中，键名就是中文原文。' ) 前者叫语义 Key，后者直接拿中文原文当 Key。 这两种方式没有绝对优劣。但在一类场景里—— 源语言是中文、要持续用大模型翻译、前端技术栈还不统一 ——后者帮我解决了很多实际维护问题。 这篇文章就聊聊这套方案的运行时契约、CLI 工作流，以及我在 @10coding/i18n-trans 里做的一些取舍。 传统语义 Key 的几个痛点 语义 Key 的典型结构长这样： { "features.localeFiles.title" : "语言资源文件" , "features.localeFiles.description"

发布 rust-v0.169.0-alpha.5

发布 0.169.0-alpha.5

REA(rea.tools) 接入 WorkBuddy 实操：Electron ASAR 免解压静态分析到零代码复刻

一次不掺水的工具链实测：REA 用 Agent 架构调度传统逆向工具，对 Electron 应用可以不解压 ASAR、不运行程序就静态理清入口点、IPC 通道与 preload 脚本。我用 WorkBuddy 把它接进本地，走完「注册 mcp.json → 拉起服务握手 → 自建靶场 → v1 静态分析 → v1/v2 差异比对 → Vosk 离线模型零代码复刻 → 改版与 27 项自测」整条链路。本文按步骤还原，含 3 组提示词、结构级发现数据、端到端自检结果，以及逆向分析的合规边界。 我是小虎，浙大计算机本硕，破局行动家，《AI超级个体——一人公司完全指南》作者，专注于AI培训、超级个体打造、公司提效陪跑。 日常办公里，会议纪要和语音速记少不了，但按年收费的语音转文字工具动辄几百块。 大家好，我是小虎。 这次我把海外爆火的开源逆向工具 REA 克隆方案本土化：用国内的 WorkBuddy 接上开源 REA（rea.tools），不写一行代码，在自建合规靶场里免解压摸清桌面工具结构，并复刻出完全离线免费的语音转文字工具。 打开 WorkBuddy，点击左上角「新建任务」进入空白工作区

特里·普拉切特的研究

我对特里·普拉切特的研究的评论 - 黑客新闻。特里·普拉切特（Terry Pratchett）曾经写过“横向财富”的概念。垂直财富是指你把钱花在富人的东西上——游艇之类的。横向财富是指你在致富之前花更多的钱在你喜欢的东西上：https://chibuikeani.blogspot.com/2017/02/the-price-of-happin...但是横向财富意味着不要让你增加的收入决定你的收入。

我用 Go + 系统 WebView 写了个纯本地 Postman：不装 Electron、不连云端

起因 我日常要调一堆内网接口。Postman 越做越像一个协作平台：账号、云同步、工作区、团队空间，启动要等，内存也不客气；国内网络下登录态还时不时掉。Insomnia 后来也走了同一条路。 我想要的其实很小：一个双击就能用的本地程序，能拼请求、发包、看结构化响应、管集合和环境变量、粘贴一条 cURL 就能还原，所有数据都只在我这台机器上。 于是有了 Kotae （日语「答え」，回答）：一个纯本地的轻量 API 调试工具，界面全中文，不连云端、不需要后端、不需要账号。目前到 0.2.3，Windows / macOS 都有安装包。 底座是 MyGo （Go 桌面应用框架，当前 0.7.4）：窗口用系统 webview、前端就是普通 Vite 项目，打包 / 安装包 / 自动更新 / 托盘 / 单实例由框架这一层解决。 先给几个数字，这样后面的技术取舍才有参照： 可执行文件 Kotae.exe 12.7 MB （Vite 构建的前端已经内嵌进二进制） NSIS 安装包 4.8 MB 前端运行时依赖只有 3 个 MyGo 插件 + mygo-runtime ， 没有 UI 框架、没有组件库

GLM 5.3 Flash 现已在 Token Pass 中提供

Token Pass 现在包括 GLM 5.3 Flash，以及 Kimi K3、GLM 5.3 和 DeepSeek V4.1 Flash（即将推出更多型号）。 GLM 5.3 Flash 是 Z.ai 的原生多模式编码模型，具有 1M 令牌上下文窗口。 Token Pass 是 Pro 团队每月 30 美元的订阅，每月提供 80 美元的积分，并通过 AI Gateway 运行。将其与任何编码代理一起使用，例如 fx 、 Pi 、 Cline 、命令代码等，或者使用 AI SDK 构建您自己的编码代理，并具有零数据重

衡量人工智能代理如何处理日常湿实验室科学

OpenAI 推出了 BioBasicsBench，这是一个包含 100 项任务的基准测试，用于衡量 AI 代理解释原始实验数据和处理日常湿实验室科学的能力。

[AINews] Inkling 2 Small：17A-594B 在 12T 代币上训练 68 小时，击败 Muse Spark

2026 年 11 月 5 日 — Inkling 2 Small 的训练运行和 METR 在 Anthropic 的人工智能研究研究的内部情况。

Slack 和 Teams 中的 @GitHub 已普遍可用以及更多

在 Slack 和 Teams 中使用 @GitHub 将对话转化为代码！调查错误、创建问题、实施更改以及打开拉取请求，所有这些都无需离开您的对话。新功能一起构建和审查…Slack 和 Teams 中的@GitHub 帖子已全面发布，更多内容首先出现在 GitHub 博客上。

仔细观察声子 TTS。推出领先基准的高质量设备语音。

用 Tauri 2 给 Mac 应用接 Touch ID，签名公证都做了，还是 -34018

我写了很多年前端，Rust 和 macOS 原生开发是做 OwnKeep 的时候才开始碰的。OwnKeep 是我业余做的一个 Mac 离线加密保险箱，Tauri 2 + Rust + React。Rust 那部分基本是我和 AI 一起写出来的，它给方案、写代码，我一行一行看，看不懂就一直问到懂为止。没看懂的代码我不合。 做 Touch ID 解锁的时候，这个习惯帮了大忙，因为这块几乎每一步都跟我想的不一样。 先看报错。签名、公证都做完了，Gatekeeper 打开没有任何提示，结果在设置里一开 Touch ID： biometric unlock failed: A required entitlement isn't present. 对应的系统错误码是 -34018， errSecMissingEntitlement 。 Touch ID 在 OwnKeep 里管什么 后面那些钥匙串配置都跟这个设计有关，所以先交代一下。 保险箱是一个加密文件，用一把随机的 256 位 DEK 加密。DEK 本身不落盘，文件里存的是被别的 key 加密过的 DEK。最开始有两份： 主密码经 Argo

发布 rust-v0.169.0-alpha.4

发布 0.169.0-alpha.4

生成一个AI面试复盘标题，只需要一个标题，不需要其他的任何文本。

AI 面试复盘：查漏补缺，迭代优化 一、为什么“复盘”要做成技术系统 面试结束后凭记忆回顾，得到的往往是模糊感受而非事实数据：你记得自己卡住了一道题，却记不清卡在哪一步；你觉得自己答得不错，却不知道回答里有几处逻辑跳跃。把复盘做成一条流水线后，输入是原始问答记录，输出是可执行的迭代任务，每一步都可追溯、可量化、可对比。 二、四层架构 层 职责 关键产出 采集层 录音转写、按题目边界切分问答对 QA 记录 结构化层 对每条回答做能力维度的打分与标注 结构化评估 归因层 汇总缺口，按频次和严重度排序 缺口清单 迭代层 生成复习任务，并在下一轮验证是否改善 迭代计划与对比报告 核心原则： 一次面试只提供样本，不提供结论 。任何单场结论都要落到“待验证假设”，由下一场面试证伪或确认。 三、代码演示 1. 数据模型与问答对切分 from dataclasses import dataclass, field, asdict import json, hashlib @dataclass class QA : q: str # 面试官问题 a: str # 候选人回答（转写文本） tag: str

引用尼莱·帕特尔的话

这些产品不够好，无法以成本来向人们推销。你不能告诉人们，你必须听他们后院数据中心的呜呜声才能了解人工智能概述和一些历史上最搞笑的深度假冒伪劣。这是不值得的。这对任何人来说都不值得。而且特工并不是真实存在的，他们可能还没有按照任何人希望的方式被使用。所有这些公司在这些产品上的支出都超过了他们的收入

设计模式与生活⑯：天冷了，出门这身得一层层配

周日晚上，把电车推到楼下充电。 天冷了，电池掉得快。以前三五天充一次，现在隔一天就得充一回。充满，周一早上骑到地铁站，晚上再骑回来，心里才踏实。 回屋翻衣柜。周一得穿厚一点。薄外套收进去，把羽绒服拽出来，袖口还留着上一个冬天的褶。 顺手把围巾和手套翻出来，搁在椅背上。 周一早上闭着眼也知道：先穿秋衣，再穿毛衣，最后套羽绒服；围巾塞进领口，手套戴上，背包甩到肩上。这个顺序一乱，穿上就别扭——先背包再套外套，背带勒在衣服里，取东西还得先把外套掀起来。 一件件穿，跟代码里造一个复杂对象，是一回事。 天冷了，出门前得一层层配 今天聊的 生成器模式（Builder，也叫建造者模式） ：把一个复杂对象的装配过程拆成一步一步，每步只干一件事，最后一次性交出成品。系列第十六篇。 01 先看“一口气把参数塞进去”的办法 最直接的写法，是把这身衣服做成一个构造器，参数一次传齐。 class Outfit { private final String base; private final String mid; private final String outer; private final List&

工作流程 SDK 现在通过 Vercel 上的 WebSocket 进行写入

工作流 SDK 现在默认通过 WebSocket 将事件写入和流写入发送到 Vercel 工作流，替换每次写入或流的每个写入组一个 HTTP 请求。除了升级到workflow@5.2.0 或更高版本之外，无需更改任何代码。部署升级后，新的运行将使用它。运行中的运行在他们开始的部署上结束。现有的流代码按原样工作。写入大量块（例如 AI 代币）的步骤会发送 t

Cult.fit 通过 Codex 增强操作能力

Cult.fit 正在使用 Codex 帮助跨职能团队构建工具、加快行动速度并改变工作完成方式。

[AINews] 交换季节到了

2026 年 11 月 4 日 — OpenAI 的 Linux 内核安全工作、Kimi K3.1 Pro 的开放权重以及 Ricursive 的 Ripple-65B。

使用指标 API 添加代码审查详细信息和解决率

企业和组织存储库级Copilot使用指标报告现在显示Copilot代码审查反馈的情况。每个 repos-1-day 行上的新 copilot_code_review 对象报告有多少个 Copilot 已审核…帖子使用指标 API 添加了代码审核详细信息，并且解决率首先出现在 GitHub 博客上。

Dharma 字段提取器：任何文档输入，JSON 输出中的结构化字段

《Go 后端开发者学 React：前端 HTTP 请求详解》

前端 HTTP 请求详解：从原生 AJAX、Fetch API 到 Axios（Go 后端开发者入门） 一、先搞清楚三个概念 你之前写 Go 后端，应该很熟悉下面这个场景： 前端调用后端接口： GET /api/users/1001 后端返回： { "id" : 1001 , "name" : "张三" , "age" : 18 } 前端拿到数据之后，把用户名称显示到页面。 那么前端怎么发 HTTP 请求呢？ 主要有三种方式： 原生 AJAX（XMLHttpRequest） ：早期经典的 HTTP 请求方式。 Fetch API ：浏览器原生提供的现代 HTTP 请求接口。 Axios ：第三方 HTTP 请求库，对请求和响应做了进一步封装。 先看对比： 对比 XMLHttpRequest Fetch API Axios 是否浏览器原生 是 是 否，需安装 是否基于 Promise 否，传统事件回调 是 是 是否支持 async/await 需要自己封装 是 是 JSON 响应处理 通常手动解析 response.json() 通常自动解析 HTTP 404/500 需要检查状态码 不

发布 0.169.0-alpha.3

发布 0.169.0-alpha.3

workbuddy接管我的浏览器，帮我干活了

大家好，我是晓凡。 不知道大家是不是和晓凡一样，经常会遇到下面这些扎心的问题： 双十一快到了，你是不是还在京东、淘宝、拼多多之间来回切换，比到最后忘了哪家最便宜？ 刷招聘网站，一页页翻下来眼睛花了，合适的岗位还是没几个？ 想学个技术，B站教程几百个，挑来挑去一下午过去了，课还没开始上？ 后台管理系统填表单，几十条数据一条条手敲，敲完手指抽筋还错漏百出？ 如果你中了两条以上，那这篇文章就是为你写的。 自从 WorkBuddy 上了「浏览器控制」功能，一些重复繁琐的事情我就都交给 AI 了：比价、筛职位、查演出、挑教程、填表单，全是它自己在网页上点点点，我负责喝茶看结果。 ▸ WorkBuddy 接管浏览器 先来试下，打开QQ浏览器，然后用百度搜索vibe知识大赏 WorkBuddy 接管浏览器，靠谱吗？ 有小伙伴可能会问：这玩意儿靠谱吗？会不会乱点？ 其实早就有各种 Skill 和 MCP 能操作浏览器，只是都不是官方方案 但这次是 WorkBuddy 官方出的插件，针对浏览器操作做了优化。 实际用下来，它比晓凡想象中稳得多——关键是每一步它都会把浏览器操作实时展示出来，看到不对劲随时可

引用保罗·福特的话

网络浏览器对于应用程序来说是非常非常强大的软件，并且访问该功能的成本似乎每天都在下降。 — Paul Ford，网络已经足够了 标签：浏览器、paul-ford、网络开发