- 博客(727)
- 资源 (8)
- 收藏
- 关注
RSS订阅原创 客户端开发者学 Eino（04）：用 Function Calling 接入文件搜索工具
本文介绍如何通过 Function Calling 机制，让客户端模型主动调用文件搜索工具。开发者需定义工具描述（如 search_files）与实现（如关键词匹配），由 Eino 框架自动解析模型请求并执行。模型根据上下文生成调用参数，应用端解析后执行搜索，返回文件名与正文，最终实现“基于文档依据回答问题”的智能交互。
2026-11-09 17:52:13
210
原创 客户端开发者学 Eino（03）：从网络请求理解 ChatModel 与模型接入
本文通过一次客户端网络请求，解析Eino框架中ChatModel的调用链路：从配置API密钥、服务地址与模型名，到组织system/user消息，最终通过Generate发起请求。重点说明适配器如何将本地消息转换为HTTP请求，模型服务返回响应后由适配器解析为schema.Message。代码演示了完整流程，强调配置与消息数据分离，以及Stream实现逐段响应的能力，帮助客户端开发者理解模型接入的本质是网络请求与接口抽象的结合。
2026-11-06 14:33:52
191
原创 客户端开发者学 Eino（02）：读懂模型调用代码里的 Go 基础
本文以Eino模型调用代码为切入点，结合客户端开发者视角，解析Go语言中的核心概念：结构体（struct）、指针（*）、切片（[]）、接口（interface）及错误处理。通过对比Kotlin，阐明Go的导出规则、包导入机制与方法定义方式，帮助理解schema.Message等类型的设计逻辑，并以完整离线程序演示数据构造与调用流程，实现零环境上手。
2026-11-04 11:08:18
141
原创 客户端开发者学 Eino（01）：从一次模型调用理解 Agent 架构
本文以客户端开发者视角，通过一个冷启动性能分析场景，解析 Eino 框架的 Agent 架构。从模型调用入手，梳理 ChatModel、Tool、Agent、Runner 四大核心组件职责，类比客户端开发中的接口、Repository 与 UseCase，揭示 Eino 如何将大模型能力与业务逻辑融合。重点演示了模型接口的创建与调用流程，以及 Tool 如何封装真实业务能力，并通过 ReAct 循环实现 Agent 的动态决策与迭代执行，帮助开发者理解 Agent 应用的构建逻辑。
2026-11-02 16:31:32
224
原创 REA 真能“逆向一切”？拆解 AI 逆向原理与 Android APK 实战
REA 通过整合反编译工具与 AI 智能体，实现对无源码 APK 的高效逆向分析。其核心价值在于统一接口、结构化输出，提升分析效率，而非“恢复源码”。实测表明，AI 可精准定位业务逻辑（如刷卡成功判定），但受限于编译优化与混淆，无法还原原始变量名或完整工程结构。关键发现需结合上下文验证，且静态分析无法覆盖服务端规则与真实运行行为。因此，“看懂”不等于“复刻”，逆向成果仍需人工审慎评估。
2026-10-16 21:27:54
875
原创 大模型的评分是怎么算出来的？从一张试卷，看懂跑分与排名
大模型评分基于基准测试（Benchmark），如MMLU-Pro、SWE-bench等，通过设定题目、作答规则与判分标准生成分数。分数反映特定条件下的表现：正确率、任务完成率或偏好评分，受是否允许工具、答题次数、推理预算等因素影响。例如pass@5表示多轮尝试中至少一次成功，非单次成功率。高分不等于实际体验好，因测试题可能与真实任务不符，或存在数据污染。理解评分背后的规则与条件，才能准确解读榜单，避免误判。
2026-10-08 21:56:39
232
原创 Jev 是什么？用一张客服工单，讲清它为什么快、为什么仍会出错
Jev 是 TypeSafe AI 推出的专注选择与判断任务的模型，通过预定义选项实现高效、结构化输出。相比普通大模型需生成自然语言再解析，Jev 直接返回可程序直接使用的答案，减少“文字生成-解析”环节，提升速度。其核心优势在于：输出格式可控（如 JSON），支持并行判断，且通过 RLCD 训练增强概率校准，使结果更具参考价值。但即便格式正确，仍可能因理解偏差选错类别——“不幻觉”≠“不出错”。在客服系统中，它负责意图识别，后续流程仍依赖业务逻辑与生成模型协同完成。
2026-10-08 20:59:56
213
原创 iPhone 怎么用 Charles 抓包：从设置代理到查看 HTTPS 请求
本文面向 Charles 新手，介绍如何让手机通过 Mac 代理发送流量并查看 HTTPS 请求与响应。内容涵盖确认录制状态和代理端口、查找 Mac 局域网 IP、配置 iPhone Wi-Fi 手动代理、安装并完全信任根证书、为目标域名开启 SSL Proxying，以及验证抓包结果。文章还整理无法上网、看不到请求、证书过期和 App 证书绑定等常见问题的排查方法，并提醒抓包仅限本人设备或已授权流量。调试结束后应关闭代理、移除证书、清理或脱敏会话记录，避免账号、Token、Cookie 及业务数据泄露。
2026-08-14 19:09:03
681
原创 硬件从 POC 到量产：用一张流程图讲清 EVT、DVT、PVT 为什么不能省
一台样机能开机、能跑通核心功能，不等于它可靠，更不等于工厂能持续做出同样的产品。硬件研发分 POC、EP、EVT、DVT、PVT 和 MP，并不是流程在“消耗时间”，而是在把技术、设计、供应链和生产风险逐步变成可验证的事实。真正值得压缩的是等待、返工和无效范围；不能被压缩的是尚未得到证据支持的不确定性。
2026-08-12 14:27:52
379
原创 用 Charles 看懂 AI 对话“逐字回复”：客户端视角的 SSE 流式渲染
摘要： AI 对话的“逐字回复”效果通常基于服务端推送事件（SSE）技术实现，而非客户端模拟。通过 Charles 抓包工具可观察到：服务端持续发送 text/event-stream 格式的响应，客户端实时解析并渲染增量内容。典型流程包括：1) 客户端发起请求；2) 服务端返回分段的 chat.delta 事件（含 messageId 和 delta 文本）；3) 客户端逐次追加内容；4) 最终收到 chat.completed 事件结束流程。关键点在于区分网络传输分块与业务事件边界，确保流畅的用户体验。
2026-08-03 16:22:25
215
原创 英伟达 AI 平台的竞争力：从访存、互联到 CUDA 生态，为什么不只是“卖 GPU”
本文探讨了AI训练与推理中加速器的重要性，并分析了硬件性能之外软件生态对平台选择的影响。大模型推理的瓶颈常在于内存带宽而非算力不足，HBM高带宽内存通过缩短数据搬运路径提高计算效率。批处理通过复用权重提高吞吐量，但会引入延迟和显存占用等代价。多卡推理与训练的互联需求不同，训练更依赖卡间网络同步。NVIDIA的优势不仅在于芯片参数，更在于其长期演化的CUDA生态链，包括运行时、数学库、通信库等工具，形成了较高的迁移成本。
2026-07-24 17:25:43
310
原创 01 · 当 AI 学会“按规矩办事“——规范驱动 Agent 工作流总览
本文介绍了一种规范驱动的AI Agent工作流方法，通过五个核心概念（Run/Stage/Manifest/Gate/Profile）将AI任务执行工程化。作者指出传统聊天框模式的三大痛点：不可控、不可中断、不可复盘，提出借鉴CI/CD流水线思想，将AI任务分解为可审批、可恢复的阶段化流程。文章通过Python代码重构案例，展示了如何用YAML文件记录任务状态，并提供了可视化流程图说明各阶段协作关系。最后强调这种方法能实现任务可追溯、失败可重试、中断可恢复的工业化AI开发流程。
2026-06-30 17:37:42
450
原创 大模型“一兆上下文“到底难在哪？从痛点到工程视角的解法
摘要：大模型"一兆上下文"的核心挑战在于工程实现而非单纯容量扩展。其难点主要体现在：1）注意力计算量随上下文长度呈平方级增长；2）KV Cache显存占用过大。当前解决方案包括滑动窗口（牺牲信息完整性）、稀疏注意力（选择性关注关键token）及Index Share（减少重复计算）等工程优化。真正的技术竞争点已从支持长度转向使用效率，需平衡计算成本、显存占用与任务稳定性。对用户而言，长上下文并非越长越好，建议在对话占用超过70%时主动压缩信息或开启新会话。未来趋势将聚焦于提升长任务的信息检索精度和推理连贯性
2026-06-18 11:39:20
388
原创 摄像头技术调研前置知识：曝光、焦距与景深
本文系统梳理了摄像头技术调研中必须掌握的三个核心光学概念：曝光、焦距与景深。曝光决定了传感器接收的光量，由光圈、快门和ISO三者协同控制，直接影响画面亮度、噪点与动态模糊，是评估暗光性能的关键。焦距定义了镜头的视角范围，短焦广角视野开阔但易畸变，长焦视角狭窄利于远摄但要求更高稳定性，是决定摄像头覆盖范围与空间感知的基础。景深则表征了成像的清晰范围，受光圈、焦距和拍摄距离共同影响，浅景深利于突出主体，大景深则保障了对焦容错率与识别稳定性。理解这三者的内在关联与工程取舍（如亮度与噪声、视野与畸变、虚化与清晰范围
2026-06-04 17:08:51
627
原创 为什么大模型配置文件越来越爱用 YAML：和 JSON 对比，一次讲清核心语法与适用场景
摘要 YAML和JSON都能描述树形数据，但优化目标不同：JSON侧重机器交换，YAML侧重人类编辑。在大模型和Agent场景中，配置文件常需包含模型参数、工具列表、工作流节点和多行prompt，这正是YAML的优势所在。 YAML核心语法简单，常用功能包括对象、数组、字符串、多行字符串和注释。但需注意缩进、引号和多行文本等易错点。JSON字符串必须用双引号，而YAML更宽松，但类型判断可能产生歧义。YAML的多行文本处理（特别是prompt）和注释支持使其在AI配置场景中更具优势。
2026-06-03 11:12:54
556
原创 Codex CLI 入门：把终端变成可审查的 AI 编程工作台
Codex CLI 入门指南：AI 编程工作台核心用法 本文介绍 Codex CLI 的核心价值和工作模式，它通过交互式工作台实现代码审查、修改和验证的闭环流程： 核心特点： 支持本地代码库分析、文件修改、测试执行和 diff 审查 提供三种沙箱权限模式（read-only/workspace-write/danger-full-access） 交互式 TUI 和一次性任务（exec）双模式 推荐工作流： 定边界 -> 先计划 -> 小步执行 -> 看 diff -> 跑验证 关键命令包括： /status
2026-05-29 16:45:06
551
原创 AI 热潮像不像泡沫？普通投资者该怎么做投资判断
摘要 当前AI热潮呈现出典型科技泡沫特征，但泡沫不等于技术无价值。历史经验（铁路、互联网）表明，技术革命往往伴随资本狂热，最终留下基础设施而淘汰多数项目。AI投资需区分三类标的：基础设施供应商、平台型企业和行业应用者。普通投资者应避免重仓单一热门股，建议采用卫星仓位策略，严格设定投资上限和止损规则，尤其警惕杠杆风险。泡沫破裂后可能出现两类机会：估值合理的核心资产和成本下降后的应用爆发。关键在于用规则而非情绪参与，区分技术前景与股价合理性，保持风险意识以把握长期机会。
2026-05-09 16:20:51
718
原创 你拆开一个软著申请包之后，会发现团队真正提交的不是一张表
软件著作权申请并非简单的填表流程，而是需要提交一整套完整的证明材料。核心材料包括：申请表（定义软件基本信息）、说明书（展示软件功能界面）和源代码文档（证明实际开发成果）。这三部分材料需要相互印证，共同构成关于软件的统一叙事。申请表确保定义准确，说明书通过图文展示功能，源代码文档则选取关键代码证明实现。常见问题包括名称版本不一致、材料逻辑不连贯等。从管理角度看，软著申请是一次需要协调产品、研发、法务等多方的小型交付过程。对工程师而言，这是一次将技术实现转化为外部可理解材料的重要实践。
2026-05-09 11:52:52
288
原创 Harness Engineering 不是噱头，但也不是终局：为什么 OpenAI 和 Anthropic 都在补这层系统
摘要（150字） Harness Engineering是AI工程领域的新焦点，旨在解决大模型在复杂任务中的系统性失效问题。不同于Prompt Engineering（优化提问方式）和Context Engineering（组织输入信息），它关注如何构建支撑系统，确保模型稳定交付。OpenAI和Anthropic的实践表明，当任务变长时，模型常因信息过载、缺乏验证闭环而失败。有效的Harness系统需包含任务规划、工具权限、验证机制和可观测性等组件，将生成与评估分离。虽然部分功能可能被未来更强模型吸收，但系
2026-05-07 21:20:59
363
原创 Midscene.js 原理拆解：它不是“自然语言点按钮”，而是一套会看屏幕的 UI 自动化运行时
摘要 Midscene.js 是一套基于视觉识别的UI自动化运行时系统，其核心创新点在于将传统UI自动化流程重构为四个层次：视觉理解、设备执行、结果校验和报告记录。与传统的基于元素定位的自动化工具不同，Midscene采用"先识别屏幕内容再操作"的模式，通过截图让AI模型判断目标位置，再转换为设备坐标执行操作。该系统特别适用于selector不稳定、自绘界面复杂、弹窗变化频繁以及跨端开发等场景，虽然执行速度和成本略高于传统方案，但提供了更接近用户真实视角的自动化能力。文章通过一个Andr
2026-05-06 17:25:07
881
原创 为什么 Transformer 能取代旧架构：它到底解决了什么问题？
Transformer 革命性地解决了传统 NLP 架构的两大核心问题：长距离依赖建模和并行训练效率。通过注意力机制，它摒弃了 RNN/LSTM 顺序处理的局限，使每个 token 都能直接关注全局上下文，动态决定信息参考权重。这种架构将文本理解从线性传递转变为网状关联，通过 Q/K/V 三元组实现精准的语义检索：用 Query 表达当前需求，Key 提供检索线索，Value 承载实际内容。相比传统方法，Transformer 不仅能更有效地处理歧义（如"团"在不同语境的含义），还大幅提
2026-05-06 11:14:35
334
原创 为什么大模型配置文件越来越爱用 YAML：和 JSON 对比，一次讲清核心语法与适用场景
摘要 YAML和JSON在AI时代配置文件中扮演不同角色：JSON更适合机器数据交换，而YAML凭借其人类友好的特性成为AI配置的首选。YAML通过缩进和短横线表达层级结构，支持多行文本和注释，特别适合处理大模型配置中的复杂内容（如模型参数、提示词和工作流）。虽然语法简单，但需注意缩进、引号和类型解析等细节。在AI场景中，YAML更符合工程师编辑需求，而JSON仍保持接口传输优势。两者互补，共同满足不同场景的数据表达需求。
2026-04-30 17:49:07
656
原创 DeepSeek V1 到 V4 完整技术路线：每一代到底解决了什么问题？
DeepSeek 技术路线从 V1 到 V4 的演进遵循清晰的工程逻辑： V1 先研究 Scaling Law，建立理论基础； MoE 优化 FFN 显存占用，MLA 压缩 KV Cache，共同构成 V2 核心； V3 将优化工程化，实现 671B 总参数量但仅激活 37B 的高效计算； R1 增强推理能力，后续改进训练稳定性和长上下文处理； V4 整合所有技术，形成高效、低成本、强推理的完整体系。 关键突破在于系统性解决显存、计算成本和模型能力的平衡问题。
2026-04-30 16:51:08
996
原创 BDD（行为驱动开发）入门：把“测试”写成“行为”，把“需求”写成“场景”
文章摘要 BDD（行为驱动开发）是一种将系统行为描述与开发流程结合的实践方法，其核心在于用清晰的语言定义系统行为，并将其转化为可自动验证的验收标准。关键点包括： 从"测试思维"转向"行为思维"，用should句式描述组件职责，如"OrderService should库存不足时拒绝下单"； 通过Given/When/Then结构化需求场景，将用户故事转化为可执行验收标准； 将场景拆解为可复用的步骤片段，实现从需求到代码的闭环验证。 BDD与Open
2026-04-28 11:41:30
706
原创 客户端 AI 工程里的“上下文”，到底该怎么建设？
客户端AI工程中的"上下文建设"核心在于将隐性知识转化为AI可理解的工程资产。文章指出AI在客户端开发中的三大痛点：缺乏业务语义理解、容易猜测性生成、输出质量不稳定，并提出解决方案：通过分层组织上下文（仓库级/模块级/子业务级），重点建设AGENTS.md作为目录入口说明，配合精准召回、意图匹配和模糊搜索三种知识召回方式。强调上下文建设应融入研发流程，而非事后补充文档，才能持续发挥价值。
2026-04-27 16:47:17
461
原创 OpenSpec 学习笔记：客户端研发同学的 Spec Coding 实践参考
OpenSpec 学习笔记摘要 OpenSpec 是一种面向客户端研发的增量式规范编码实践，采用 Brownfield-first 设计理念，特别适合已有多年历史的 Android/iOS 项目。其核心特点是： 存量优先：不要求一次性补齐所有历史模块的 Spec，允许从单次变更开始逐步积累 变更中心：每个功能迭代/Bug修复视为独立 Change，包含提案、设计、任务和增量 Spec 流动工作流：可随时修改任何产物，无需回退阶段，适应客户端开发的不确定性 AI 友好：将需求边界、决策依据结构化，解决 AI
2026-04-25 19:32:35
1073
原创 Harness Engineering：从 Prompt/Context 到“可交付 Agent”的四层系统
摘要 Harness Engineering是一种将大语言模型的文本生成能力转化为可执行任务系统的工程方法。它通过四层架构解决长任务中的核心问题：记忆层防止关键信息丢失，执行层实现外部操作能力，反馈层确保质量验证，编排层管理任务流程。这种系统设计让AI代理从"能说"转变为"能做"，通过外部化工件（如规则文件）和阶段化流程（如SDD）确保任务可靠推进。关键价值在于将模糊的对话能力转化为可验证、可恢复的工程系统，解决长任务中常见的目标偏移、上下文腐化和执行失控问题，最终实
2026-04-20 11:51:31
682
原创 Harness Engineering 讲透：从概念分层到 Trae 落地
摘要 Harness Engineering 是一种围绕大模型构建运行框架的工程方法，旨在将模型的文本生成能力转化为可闭环执行任务的系统。它包含四个核心层级：记忆层（持久化关键信息）、执行层（提供工具能力）、反馈层（确定性验证）和编排层（任务流程管理）。与Prompt Engineering和Context Engineering形成递进关系，Harness Engineering关注如何让模型在工程系统中稳定执行复杂任务，而非单纯提升模型能力。代码场景因其天然具备Lint、测试等验证手段，成为该方法的典型
2026-04-15 10:45:21
1490
原创 Superpowers 入门科普：把“会写代码的 Agent”变成“按流程交付的软件工程师”（重点：brainstorming 技能）
AI-First战略的本质与实施路径 摘要（150字）： 真正的AI-First战略不是简单地将AI工具嵌入现有流程，而是围绕"AI作为主要构建者"重构整个产品生命周期。当开发周期从周级压缩到小时级，产品规划、质量验证等传统环节成为新瓶颈。关键在于建立AI可操作的工程环境（harness engineering），包括统一代码库、自动化测试、智能审查和自愈系统。组织形态将演变为少数架构师负责系统设计，多数操作员专注验证与优化。工程师的核心价值从编码转向质量判断，能够快速识别风险、发现缺口
2026-04-14 12:08:13
1522
原创 为什么你的“AI First”战略很可能是错的
AI-First战略的本质与实施路径 摘要（150字）： 真正的AI-First战略不是简单地将AI工具嵌入现有流程，而是围绕"AI作为主要构建者"重构整个产品生命周期。当开发周期从周级压缩到小时级，产品规划、质量验证等传统环节成为新瓶颈。关键在于建立AI可操作的工程环境（harness engineering），包括统一代码库、自动化测试、智能审查和自愈系统。组织形态将演变为少数架构师负责系统设计，多数操作员专注验证与优化。工程师的核心价值从编码转向质量判断，能够快速识别风险、发现缺口
2026-04-14 11:23:45
516
原创 为什么大模型工具接口正在从 MCP 回到 CLI
摘要 CLI（命令行界面）正重新成为大模型调用工具的主流选择，主要原因在于其高效性。相比结构化工具调用方式MCP，CLI在常见任务中更节省Token、响应更快、调用更直接。CLI特别适合已有成熟命令行工具的场景（如文件搜索、批量图片处理等），能通过单条命令完成整个流程，减少模型调度开销。而MCP则在企业环境和高风险场景中保持优势，因其结构化参数和明确的安全边界更适合严格管控的环境。未来趋势可能是场景分化而非替代：个人和轻量级任务倾向CLI，企业和强管控场景倾向MCP。CLI的优势源于预训练模型对常见命令的熟
2026-04-14 07:38:13
1453
原创 Harness Engineering：把大语言模型从“能说”变成“能稳定交付”的四层系统
摘要 Harness Engineering聚焦于构建大语言模型的工作系统，使其能力可稳定复用而非单纯提升性能。大语言模型存在无状态性、输出局限性、上下文窗口限制和概率性输出等结构性缺陷，这些问题在长任务中会被放大。Harness采用四层架构：记忆层（持久化存储）、执行层（可操作工具）、反馈层（确定性验证）和编排层（多任务协调）。代码领域因其"生成概率性但验证确定性"的特点成为Harness率先落地的场景，通过自动化测试等实现秒级反馈。工程师角色将从编码转向评估系统设计，将判断力固化为可
2026-04-01 15:51:03
642
原创 2026 年 AI 工程新范式：Harness Engineering 深度解析
摘要 Harness Engineering是AI工程的最新范式，关注如何设计系统机制确保模型可靠完成任务，而非单纯提升模型能力。它标志着从Prompt到Context再到Harness的三阶段演进（Prompt ⊂ Context ⊂ Harness），核心解决多步任务中的系统性失败问题。 2026年其兴起源于四个关键因素：模型能力临界点、长任务失败模式显现、累积误差导致的可靠性崩塌，以及模型商品化后的系统竞争。典型场景中，即使单步成功率95%，20步后的端到端成功率会衰减至36%，凸显验证与恢复机制的重
2026-03-30 16:29:23
2044
原创 大模型 Token 科普：什么是 Token？为什么输出 Token 更贵？
摘要： Token是大模型处理文本的基本单位，由分词器将字符串切分为数字序列。输入Token通常更便宜，因其可并行处理；而输出Token需自回归逐生成，计算效率低，成本更高。Tokenizer基于统计切分文本，同一字符串的Token划分稳定，但上下文变化可能影响边界。计费上，输入/输出Token分开计价，输出成本显著更高。前缀缓存机制可复用固定前缀的计算结果，提升效率，但前缀变化会导致重新计算，增加延迟与成本。理解Token机制有助于优化提示词设计，控制API使用成本。
2026-03-29 17:12:46
2012
原创 Skill 编写最佳实践：如何写好一个 Skill（从创建到迭代）
摘要 本文从工程视角探讨了Agent系统中模型能力与工程框架的关系，提出了以下核心观点： 模型能力与工程框架不是对立关系，而是互补关系： 模型（Big Model）决定能力上限 工程框架（Big Harness）决定能力兑现率和稳定性 将Agent系统分为四个层次： 工具可达层（长期基础设施） 试错闭环层（反馈回路） 认知型编排层（会被模型压缩） 模型选型层（决定上限） 指出两种常见误区： 过度依赖认知型编排（会被更强模型压缩） 错误的信息压缩策略（先摘要再喂导致信息丢失） 建议采用"索引+预览+
2026-03-27 19:54:46
7392
原创 别再争 Big Model vs Big Harness：用工程视角拆开 Agent 的“上限”和“兑现率”
摘要 本文从工程视角探讨了Agent系统中模型能力与工程框架的关系，提出了以下核心观点： 模型能力与工程框架不是对立关系，而是互补关系： 模型（Big Model）决定能力上限 工程框架（Big Harness）决定能力兑现率和稳定性 将Agent系统分为四个层次： 工具可达层（长期基础设施） 试错闭环层（反馈回路） 认知型编排层（会被模型压缩） 模型选型层（决定上限） 指出两种常见误区： 过度依赖认知型编排（会被更强模型压缩） 错误的信息压缩策略（先摘要再喂导致信息丢失） 建议采用"索引+预览+
2026-03-27 16:54:25
704
原创 如何给 OpenClaw 添加 Skill：目录结构、配置、/skill 调用（以 browser-use 为例）
摘要 OpenClaw技能管理核心要点： 技能目录结构：每个技能需包含SKILL.md文件，支持YAML元数据声明 加载优先级：工作区skills > 用户目录skills > 内置bundled skills 调用方式：通过/skill <name> [input]指令触发 常见问题排查： "Missing requirements"：检查依赖工具/环境变量 "Blocked by allowlist"：配置bundled技能白名单 配置管理
2026-03-12 15:36:51
4765
原创 OpenClaw 模型配置与火山 Coding Plan 支持清单（实践笔记）
摘要 OpenClaw模型配置的核心是providerId/modelId/auth profile三元组，三者必须一致才能正常工作。关键点： providerId是主键，修改时需要同步更新所有引用 modelId必须与服务端真实ID匹配，本地随意命名无效 确认当前使用模型：检查agents.defaults.model.primary路径，并验证provider/model/auth一致性 查看火山Coding Plan支持的模型：检查~/.openclaw/agents/main/agent/model
2026-03-11 21:54:15
3675
原创 OpenClaw 不回复排障：一次“配置都对但还是超时”的真实复盘
摘要 OpenClaw无响应问题排查指南： 优先执行openclaw doctor --repair修复服务不一致问题 使用curl直接测试模型接口确认问题范围 检查日志中的"service config non-standard"等关键信号 常见原因：升级后后台服务仍使用旧配置 关键命令： openclaw models status 查看模型配置 curl直连测试模型可用性 openclaw logs --follow检查错误日志 openclaw doctor --repair一键
2026-03-11 14:14:03
10541
5
原创 macOS 自带终端（Terminal.app）提效配置：最小工具链与工作流
摘要 本文介绍如何优化macOS自带终端Terminal.app的工作效率，通过最小化工具链配置实现命令复用、目录跳转、文件搜索等功能提升。核心工具包括fzf（模糊搜索）、zoxide（智能cd）、ripgrep（高速搜索）、bat（增强cat）等，只需修改~/.zshrc配置文件即可完成集成。文章提供了从基础安装到常用工作流的完整指南，帮助用户减少重复操作，提升终端使用效率。关键改进包括： 通过fzf实现历史命令快速复用(Ctrl-R) 使用zoxide实现智能目录跳转(z片段) 结合fd/fzf实现文件
2026-03-10 15:22:36
897
windows scoket编程
2011-11-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人