登录社区云,与社区用户共同成长
邀请您加入社区
当 GitLab 提示Git 无法判断某些文件到底保留谁的修改,所以需要你手工处理。
图 7:本章总结Vector Store 不负责让模型变聪明。它负责把资料找准。找得准,模型才有机会答得准。找不准,后面的 Prompt 再漂亮,模型也只能胡说。源码层面,它就是一套统一抽象:Document 入库,Embedding 生成向量,VectorStore 保存索引,Retriever 调用检索,最后返回 List[Document]。工程层面,它是一套选型问题:小数据用轻量方案,快速
采用了倒排索引等优化技术,能够实现高效的搜索和数据处理性能,满足大规模数据的实。采用分布式架构,可以轻松处理大规模数据,并支持水平扩展,提高系统的可扩展性。提供了强大的全文检索功能,可以对文本数据进行高效的搜索和分析,支持复杂的。和插件,使得开发者可以轻松集成和使用,同时其查询语法简洁明了,易于上手。提供近乎实时的搜索和分析功能,确保用户能够及时获取最新的数据和信息。支持多种语言的数据处理和检索,
先来三个不虚构的场景: 事故 1:一行改动,全线降级 某 AI 客服系统,有工程师在周五下午悄悄把系统 prompt 里的一句话从"你是一个专业客服助手"改成了"你是一个友好的助手"。周一早上,QA 发现对话质量全面下滑——但没有人知道是这行改动导致的,因为 prompt 只在源码里,git blame 也得先知道去哪找。排查花了两天。
Claude Code 是 Anthropic 推出的命令行 AI 编程助手,深度集成在你的终端中。它能理解整个代码库、执行命令、编辑文件、管理 Git 工作流,帮助你完成从简单问答到复杂重构的各种任务。自定义键盘快捷键,修改。# 重新绑定 Ctrl+S# 添加和弦快捷键。
在 Hermes Agent 中,Skill 可以理解为一种“按需加载的能力说明文档”。它不是模型参数,也不是一个独立程序,而是一组可以被 Agent 读取和遵循的任务说明、流程、命令、模板、注意事项和验证方法。Skill = 可复用的任务知识 + 操作流程 + 必要资源什么时候使用这个 skill;论文结构应该如何组织;摘要怎么写;相关工作怎么写;实验部分怎么检查;常见问题有哪些;最后如何验证输
基于 Lucene 内核开发、由 Elastic 公司维护的分布式、实时、可扩展JSON 全文检索与数据分析引擎,核心开发语言为 Java,兼容多语言客户端接入,是当前互联网主流的开源搜索引擎与时序数据存储分析组件。核心技术特质:天然分布式架构、近实时数据写入与检索、支持水平无限扩容、内置容错高可用机制、无需复杂部署即可实现集群部署,兼顾检索性能、海量数据存储与多维统计分析能力。核心业务能力:主打
通过 Cursor Agent + Claude API,你可以为任何遗留项目自动生成结构清晰、内容完整的文档。这套方案不仅适用于初始文档生成,也适合在代码迭代中持续同步。你不再需要手动整理模块关系、编写枯燥的 API 说明——把这些交给 AI,把精力留给更有价值的架构设计。
《多平台商品搜索与比价系统技术架构》 本文介绍了一个支持多平台数据聚合的智能搜索与比价系统架构,主要包含以下内容: 系统采用分层架构设计,包括前端应用层、服务层、数据处理层和数据存储层,各层级通过标准接口通信。 关键技术选型包括:Spring Boot后端框架、Elasticsearch 8.x支持混合检索、Qwen和SPLADE向量模型实现文本向量化,以及Selenium用于动态页面采集。 数据
会被理解成「新建一个叫 main 的分支」,和你要的改名完全是两回事,所以。分支,并且设置成默认关联(以后直接。就能直接推送到远程,再也不用写。如果你现在已经把本地分支改成。
通过 Cursor Agent + Claude API,你可以在不深入了解遗留代码细节的情况下,安全、快速地完成大规模重构。让 AI 先分析:不要急着动手,先让 Agent 生成拆分方案分步执行:从抽取公共工具开始,再拆分路由测试驱动:要求 AI 同时生成测试,并用测试验证重构结果迭代修复:遇到错误时,直接把错误信息喂给 AI 让它自己修这套方法不仅适用于 Flask,也可以推广到 Expres
本文探讨了**AI编程**从Copilot等辅助工具向**开发Agent**这一智能"同事"角色的深刻转变。这一演进不仅重构了开发工作流,更推动了**人机协同**成为软件开发的新范式,要求开发者从代码执行者转变为任务规划与质量把控者。未来,掌握与AI协作的能力将成为开发者的核心竞争力。
http://my.oschina.net/itblog/blog/547250http://baidu.blog.51cto.com/71938/16767981、ELK由ElasticSearch、Logstash和Kiabana三个开源工具组成。官方网站:https://www.elastic.co/products•Elasticsearch是个开源分布式搜索引擎,它的特点
cursor是AI时代的研发工具,作为『研发工具』,它给了我们一个机会,去结合AI做一些事情。比如:业务分析,整合创新,研发提效等。本文只是『如何启动cursor并能简单使用』的一个"如何起步"的简单说明。如何『用工具创造价值』还有待后续补充。
这篇文章系统讲解了Git日常开发工作流,重点介绍了三个核心命令的使用技巧: git status - 查看仓库状态的最佳实践,包括完整输出解读和简洁模式(-s参数) git add - 从基础用法(./-A/-u)到高级交互式暂存(-p参数),教你精准控制提交内容 git diff - 三种对比模式详解(工作区vs暂存区/暂存区vs仓库/工作区vs仓库) 文章通过实际场景演示了如何: 使用git
摘要 本文介绍了HarmonyOS中的时域AI超分技术实现方案。相比基于单帧图像的空域超分,时域超分通过融合多帧图像信息(利用相机抖动技术)实现更高质量的图像重建。文章详细说明了开发环境要求、项目结构,并重点讲解了使用Vulkan API实现时域超分的关键步骤:包括设备支持检查、创建超分实例、计算相机抖动值(采用Halton序列生成均匀分布抖动)以及具体实现方法。该技术适用于需要高质量图像放大的场
摘要 本文介绍了如何在HarmonyOS中使用OpenGL ES实现AI超分技术,将低分辨率图像智能重建为高分辨率图像。相比传统算法,AI超分能产生更自然、伪影更少的细节。文章详细讲解了开发环境搭建、项目结构配置、核心代码实现步骤,重点说明AI超分与普通GPU超分的区别:需要使用HarmonyOS原生缓冲区(OH_NativeBuffer)管理图像数据,并通过EGL扩展函数将缓冲区与OpenGL
对于一个网盘搜索引擎来说,搜索速度很重要,但比速度更重要的,其实是结果质量。过去几个月,我们一直在持续扩充万盘搜的数据规模。目前平台已累计收录超过 150 万条公开网盘资源,覆盖影视、动漫、课程、电子书、软件工具、AI资源等多个领域。数据量越来越大之后,一个问题开始变得明显:用户搜索到了结果,但未必是最想要的结果。例如搜索:美女 古风以前系统能够快速返回大量相关资源,但搜索结果更多是按照更新时间排
知识获取与分享社区是一个知识内容社区后端项目,整体可以理解为一个面向知识创作者的内容社区。注册登录↓发布 Markdown / 图文知文↓↓通过 Feed、搜索、详情页消费内容↓使用 AI 摘要和单篇知文 RAG 问答提升阅读效率用户身份如何安全管理;大文件和 Markdown 正文如何发布;Feed 流如何保证读取性能;搜索如何做到相关性、排序和深分页稳定;AI 问答如何围绕单篇知文准确回答;派
本文介绍了使用AutoDL平台和LLaMA-Factory工具训练Qwen2.5-0.5B-Instruct模型的全流程。主要内容包括:1)数据准备,将酒店评论和认知数据转换为Alpaca格式并注册;2)AutoDL平台配置,选用V100-32GB显卡并安装必要环境;3)下载模型权重和LLaMA-Factory工具;4)设置训练参数文件并启动训练;5)模型评测方法。文中提供了详细的操作命令和参数配
金融服务领域的人工智能应用面临实施困境,主要源于数据基础设施不完善。专家指出,超过40%的金融机构仍依赖电子表格管理数据,50%的数据被困在孤岛系统中,导致AI模型缺乏实时上下文。传统数据湖无法满足现代AI对即时数据访问、跨系统整合和严格治理的需求。解决方案在于构建统一数据平台,实现毫秒级响应、上下文检索和嵌入式治理。同时,遗留系统改造需采用增强策略,建立人机可读的统一数据模式。随着AI自主性增强
Delta是一款30k+ Star的开源Git diff增强工具,为终端diff输出带来语法高亮、并排显示等专业功能。它通过改进git diff、grep等命令的显示效果,支持语法高亮、词级差异标记、并排对比视图、行号显示,并优化了合并冲突展示和git blame输出。Delta与bat共享语法主题,提供20+样式自定义选项,支持深色/浅色终端。安装后简单配置即可替代默认git pager,显著提
书匠策AI不是替你写论文的,它是帮你过"最后一关"的。选题、框架、论证这些核心功夫还得你自己下。但在降重降AIGC这个让无数人崩溃的环节,与其一个字一个字熬到凌晨四点,不如让工具帮你把时间抢回来。微信搜一搜"书匠策AI",*,去试试。省下来的时间,够你多睡两个好觉了。咱们论文战场上见!💪。
本文介绍了Git版本控制系统的基本概念和日常开发中的核心操作。主要内容包括: Git的核心功能:作为代码"时光机",记录每次修改历史,支持版本回溯和多人协作 Git三区域模型(工作区-暂存区-仓库)及其行李箱比喻 90%日常开发会用到的Git命令: 初始化配置 状态查看 提交工作流 分支管理 提交信息规范(约定式提交)和实用技巧 撤销操作、解决冲突等常见场景处理 远程仓库操作和.gitignore
整体上,这个DSL的思路不是一上来就追求“最像”,而是先用多路召回把可能相关的标准诗句找出来,再通过后续相似度、ES分数和父文档回查进一步筛选,尽量避免真正正确的古诗文在第一阶段就被漏掉。但如果paragraph不止一句的话,句子间的召回结果可以互补,通常情况下,只要数据库有对应知识,很少会每一句都没有召回到对应知识。为了更好的检索出与输入切片相关的知识,也尽可能避免白话文召回不相关的知识,我们第
开源CI/CD滥用检测工具:防御自动化系统中的供应链攻击 Elastic Security Labs开源了cicd-abuse-detector工具,旨在检测GitHub Actions、GitLab CI和Azure DevOps流水线中的恶意篡改行为。该工具通过正则表达式提取50+种危险信号(如敏感凭证调用、特权触发器滥用等),再结合Claude LLM进行威胁分析,可识别凭证窃取、供应链投毒
Elastic 2026技术展望:为Azure开发者打造的全栈AI平台 Elastic在2026年推出四大核心创新:1)Elastic推理服务支持多模态统一索引,通过jina-embeddings-v5-omni实现文本/图像/视频/音频的跨媒体语义检索;2)AI Agent构建平台新增上下文管理、技能模块和企业连接器,配合GPU加速使索引吞吐量提升12倍;3)重构的列式指标引擎将OTel数据存储
上下文工程(Context Engineering)是一种优化AI系统性能的实践,通过精准筛选和动态管理输入信息,确保AI在有限注意力下获得最高效的上下文。它解决了大语言模型(LLM)的四大核心限制:静态知识、私有数据缺失、幻觉问题及上下文漂移。与单次交互导向的提示工程不同,上下文工程专注于构建长期可靠的信息架构,包含系统提示词设计、记忆管理、混合检索等模块。其核心策略包括选择性检索、外部记忆写入
作者:来自 Elastic。
作者:来自 Elastic了解当飓风来袭时,Kibana 检测规则、工作流以及 AI 智能体如何自动协同,在无需调度员介入的情况下,将分布在七个基地的 13.7 万名人员完成重新部署与转移。Agent Builder 现已正式发布。立即开始你的,并查看文档。Elastic 刚刚完成了一次自动化协调行动:在没有任何人工参与决策的情况下,自动完成了 13.7 万名人员在七个基地之间的疏散与重新部署。一
摘要:Elastic推出的性能分析衍生指标技术通过OpenTelemetry eBPF性能分析器,将原始堆栈跟踪转换为时间序列关键指标,解决了传统性能分析的四大障碍:高存储成本、查询复杂、AI不友好和用户体验差。该技术在边缘侧完成数据分类聚合,显著降低存储开销,支持标准可视化分析,并实现跨信号关联。通过预置内核/运行时分类规则和自定义指标功能,用户无需处理原始堆栈即可获得CPU消耗明细。这项技术为
开源不是“代码高手”的专属游戏,而是持续贡献、持续学习的社区实践。从改一个错别字、补一行注释开始,跑通的完整闭环,你就已经踏入了开源世界的大门。👇互动时间你最近一次给哪个开源项目提了 PR?遇到卡点是什么?评论区留下你的PR 链接Maintainer 视角的 PR 诊断!
AI 部分分成两个能力。用户输入正文↓调用 DeepSeek↓生成不超过 50 字中文摘要↓服务端做格式清洗和截断第二个是 RAG 问答。用户围绕单篇知文提问↓检查该知文是否已索引↓从 OSS 拉取 Markdown↓按标题和长度切片↓写入 Elasticsearch 向量库↓向量召回相关片段↓按 postId 过滤当前知文上下文↓构造 Prompt↓DeepSeek 流式生成↓SSE 返回前端这
韩国金融科技公司Toss开源了JavaScript工具库es-toolkit,作为lodash的现代替代方案。该库具有三大优势:性能上比lodash快2-3倍;支持tree shaking使打包体积减少97%;提供lodash兼容层便于迁移。es-toolkit采用TypeScript编写,自带类型守卫功能,测试覆盖率达100%,已被Storybook等多个知名项目采用。它还支持与AI编程工具集成
不是之前的gsd,也不是gsd-2。安装命令是第一步:前置条件是git和node环境,都安装最新稳定版就行。第二步:执行安装命令第三步:安装后使用cmd命令窗口执行gsd第四步:第一次执行gsd会提示你完成模型配置等信息,直接选最下面的先skip跳过第五步到你C盘安装路径下去添加或修改auth.json,models.json,settings.json这三个配置文件,我的安装路径是C:\User
根因:Zustand selector 每次返回新对象,引用比较永远失败,无限触发 re-render修复:拆分 selector,分别订阅configstatuserror各字段。
2026年ElasticMeetup深圳站将于7月26日在腾讯滨海大厦举办,聚焦Elasticsearch与AI技术融合。活动邀请Elastic、腾讯等专家分享:Elasticsearch向量搜索及AI Agents应用(刘晓国)、腾讯云ES在千亿级AI Search的突破(陈曦)、AIAgent三大工程实践(李捷)、腾讯KInfra知识库架构实战(王志铭)。含主题演讲、茶歇交流及抽奖环节,需实名
OpenClaw 是一个本地优先的 AI Agent 框架,让用户通过命令行即可运行 AI 助手,所有操作在本地完成,数据不上云。核心功能包括:网关管理(启动/停止服务)、双界面交互(终端 TUI 和网页 Dashboard)、配置管理(向导式配置和诊断工具)。内置工具是 OpenClaw 的核心能力,涵盖文件操作(读/写/编辑)、命令执行(exec)、网络工具(搜索/抓取)和定时任务(cron)
流程混乱、缺乏规范→ Superpowers 或 Trellis规范存在但难以传递给 AI→ OpenSpec 或 Trellis任务复杂、需要多 Agent 分工目前 AI Coding 整体仍处于探索阶段,业界尚未形成统一范式。模型能力在快速演进,工具链在持续迭代,今天的最佳实践明天可能就会被更简单的方式替代。从现在开始积累属于自己业务线的数据资产。无论是代码规范、架构决策、任务拆解记录,还是
MarkItDown是一款由微软开发的Python工具,专注于将多种文件格式转换为简洁的Markdown文本,特别适用于大型语言模型(LLM)的文本分析管道。该工具支持PDF、Office文档、图像(含OCR)、音频、HTML等格式转换,保留标题、列表、表格等关键结构。相比textract等工具,它更注重为AI处理优化输出,而非人类阅读。安装需Python 3.10+环境,提供命令行和Python
作者:来自 ElasticAI 正在快速发展。企业级采用需要有目标地同步推进。过去一年有一点已经变得非常清晰:组织并不需要更多 AI 炒作,他们需要的是一条通往生产环境的路径 —— 一种能够将基础设施、数据与智能连接起来,从而创造真实业务价值的方法。这正是(AI Ecosystem)所要构建的能力。在 Elastic,我们相信 AI 的能力取决于其背后的数据基础。优秀的模型固然重要,但如果缺乏高速
Elastic举办的Elasticsearch Agent Builder黑客松吸引了全球开发者,他们利用AI agents结合Elastic工具解决各领域实际问题。获奖项目包括:PHAROS药物安全监测系统,能在60秒内分析FDA报告并预警;Gauntlet对抗测试框架,通过模拟攻击提升agent鲁棒性;以及肯尼亚HIV重复记录检测系统,10秒完成人工需数周的工作。这些项目展示了AI agent
摘要:Elastic在Google Cloud Next 2026大会上展示了多项AI创新成果,第五次获评Google Cloud年度合作伙伴。亮点包括:成为Google Distributed Cloud隔离网络环境的内嵌安全层;Jina Embeddings v3模型入驻Gemini Enterprise Agent Platform;采用Google Axion处理器提升25%性能;推出支持
本文探讨了AI编程中上下文噪声带来的成本问题,指出真正昂贵的不是命令执行本身,而是无关内容(如构建日志、搜索结果、重复警告等)挤占上下文空间。文章提出三套过滤工具:RTK(命令行降噪)、CodeGraph(代码结构导航)和Semble(语义搜索优化),它们分别在命令输出、代码结构和业务语义三个入口拦截噪声。重点介绍了RTK的工作原理,它通过前置过滤命令输出(如压缩git日志、聚合测试错误),可节省
本文介绍了如何将外部数据库数据同步到Elasticsearch并实现语义搜索功能。主要内容包括:1)创建Elasticsearch Serverless项目并设置索引;2)通过自托管连接器将MongoDB数据库同步到Elasticsearch;3)配置索引映射以支持语义搜索;4)执行全文搜索和语义搜索查询。文章还提供了相关资源链接,帮助用户快速上手Elasticsearch的AI驱动搜索功能。
把大模型 API 接进业务系统,真正难的往往不是“调通一次”,而是“稳定、可控、可追踪地调用很多次”。重试:网络抖动、服务端 5xx、限流时应该如何重试,哪些错误不应该重试;超时:连接超时、读取超时、业务总超时如何分层设置;日志:如何记录请求、响应、耗时、错误,同时避免泄露密钥和用户隐私;成本控制:如何通过 token 预算、模型分级、缓存、熔断等方式降低不可控开销。
很多研发同学每到周五都会遇到一个熟悉的问题:这一周明明做了不少事,但要写周报时,却突然想不起来具体完成了哪些任务、修了哪些问题、下周应该怎么规划。本文将起草一个可复用的技术方案:使用Python + Git 提交记录 + 任务文本 + 大模型 API本周提交记录汇总;本周完成事项总结;风险与阻塞问题提炼;下周计划自动生成;Markdown 周报导出;提示词模板与错误排查思路。需要说明的是,本文提供
这是一套 Windows 系统下,免费搭建Claude Code + Kimi Coding Plan的完整教程,全程使用开源免费工具,按固定顺序操作即可实现 Claude 调用 Kimi 能力,所有交互基于命令行终端。