很多人第一次使用 Claude Code 时，都会有一种很奇怪的感觉： 它好像真的“记得”我之前做过什么。 你让它连续改几个小时代码，它仍然知道： * 当前在修哪个 Bug * 刚刚改过哪些文件 * 哪个方案已经失败过 * 下一步应该继续做什么 甚至隔了很久回到项目里，它还能接上之前的工作。 但问题是： 大模型的上下文窗口再大，也不可能无限大。 一个真实的软件项目，往往会包含： * 几十到上百个文件 * 数十轮对话 * 大量工具调用 * 很长的日志、报错和代码片段 如果把所有内容都塞进 Prompt，模型迟早会“失忆”。 所以 Claude Code
从 Claude Code 源码里，我看到了下一代 Agent 的真正形态 不是更聪明的模型，而是更成熟的系统。 最近看了 Claude Code 源码。 npm 包里还原出的完整 TypeScript 源码， 4756 个文件。 刚看到这个数字的时候，我的第一反应不是“太夸张了”，而是： Claude Code 已经不是一个“会写代码的 AI 工具”了。 它更像一套完整的 Agent Operating System。
最近看 Claude Code 的设计思路时，我发现它和很多 AI 产品有一个非常不同的地方： 它并不是在追求“功能越多越好”，而是在刻意克制。 你会发现，Claude Code 明明已经具备非常强的能力，却始终没有把所有工具、所有按钮、所有高级功能一次性摆在用户面前。甚至官方新增一个工具都非常谨慎。 一开始我也觉得奇怪：既然模型已经这么强了，为什么不干脆把所有能力都开放出来？ 后来我才发现，这背后其实有一个非常重要的设计原则： 渐进式披露（Progressive Disclosure） 也就是：默认只展示当前最需要的能力，复杂能力只在真正需要的时候才出现。 为什么 AI 工具不是越多越好？ 很多人做 AI
最近折腾了一阵华为昇腾 910B，目标很简单：在自己的机器上把 Qwen3.5 系列模型跑起来，而且最好还能兼容 OpenAI API、支持工具调用、支持超长上下文。 最后我选择了 vllm-ascend。 这一套下来，最大的感受是： * 能跑，而且跑得不算慢(至少在 Ascend上 不算慢) * 但坑也不少 * 很多问题不是模型的问题，而是镜像、驱动、卡型、参数组合的问题 下面放一个性能测试图: 一、环境说明 我这里的环境大概是这样： * 机器：华为
简介 Qwen3-ASR 系列包括 Qwen3-ASR-1.7B 和 Qwen3-ASR-0.6B，支持 52 种语言和方言的语言识别与语音识别（ASR）。两者均利用大规模语音训练数据以及其基础模型 Qwen3-Omni 强大的音频理解能力。实验表明，1.7B 版本在开源 ASR 模型中达到业界领先水平，并可与最强的商业闭源 API 相媲美。主要特性如下： * 一体化：Qwen3-ASR-
大多数人把 Claude Code 当成"更强的 Copilot"在用。 打开终端，输入指令，等它写代码。这个用法没错，但你可能错过了它真正的价值。 Claude Code 不是代码补全工具，也不是简单的 AI 对话助手。它是一个基于文件系统作为上下文、终端为交互方式、操作系统为执行环境的通用 Agent 产品。换句话说，它是一个超级智能体。 这个定位的差异，决定了你能用它做什么。如果只是写代码，那它和 Cursor、GitHub Copilot
AI时代的挑战 在 AI 大模型盛行的今天，字符串处理变得比以往任何时候都更加重要 提示词工程（Prompt Engineering）： * 需要精确构造和格式化输入文本 * 多行提示词需要合理的缩进和格式 * 动态参数需要安全的字符串拼接 AI 输出处理： * 大模型返回的结果往往包含多余的空白、转义字符 * 输出格式不稳定，需要大量的 ETL（提取、转换、加载）过程 * 需要清洗、标准化处理来保证数据质量 实际场景： // AI 返回的不稳定输出 String aiResponse = """ { "name&
实现效果 实现思路（Architecture & Design） 1. 系统目标与边界 * 目标：将任意常见音频/视频格式经转码为 16k 单声道 WAV → 做说话人分离（Diarization）→ 对每个说话人片段进行ASR 转写 → 轻量标点/情绪/语言修正 → 输出结构化分段结果。 * 交互形态：提供 1. 同步 HTTP（小中型文件） 2. 异步 HTTP + Redis（大文件） 3. WebSocket
功能点 * 基于令牌窗口的多轮对话 * 多用户 * 多会话 * 聊天记录持久化 实现思路 使用大模型流式输出接口 + Langchain4J的记忆管理 + Redis缓存 + 数据库持久化 进行实现 使用 spring-webflux 进行流式输出 Langchain4J版本: 1.3.0 此时的最新版 数据库设计 我们首先需要先设计两个表来存储聊天数据，这样在用户更换了设备也可以同步之前的聊天记录 ai_chat_log 对话记录表 create table ai_chat_log ( id bigint
启动命令 docker run -itd \ --device=/dev/davinci6 \ --device=/dev/davinci7 \ --device=/dev/davinci_manager \ --device=/dev/hisi_hdc \ --device=/dev/devmm_svm \ -v /usr/local/Ascend/driver:/usr/local/Ascend/driver:ro \ -v /usr/
