ginobefun

统计数据

248

文章

0

粉丝

0

获赞

2953

阅读

1个月前

Anthropic 再发 Agent 神文：像人类工程师一样思考，解决「长程任务」难题 Anthropic 双 Agent 架构通过功能列表、增量提交与端到端测试，解决 AI Agent 长程任务上下文管理与持续性难题。 #AI Agent #长程任务 #Agent架构

#Anthropic #AI Agent #长程任务 #Agent架构 #上下文管理

1个月前

原来 Next.js 里启动静态化可以这么灵活，网站打开速度大幅提升 🔼 📚 dynamicParams 和 revalidate 参数详解 1️⃣ dynamicParams = true 的作用允许访问未在 generateStaticParams 中预生成的动态路由工作机制： - ✅ 预生成的内容（Top 1000）：直接返回静态HTML，极快 - ✅ 未预生成的内容：首次访问时动态渲染（SSR），之后缓存为静态页面示例：预生成：/article/baab8fef → 8-10ms（构建时已生成）未预生成：/article/xyz123 → 首次300ms（SSR），后续8-10ms（已缓存） 2️⃣ revalidate = 3600 的作用这是 ISR（Incremental Static Regeneration）机制，重点来了： 🔄 ISR 工作流程（关键！） 1. 在 1 小时内的访问：用户访问 → 返回缓存的静态页面 → 8-10ms ⚡️ - ✅ 不触发重新构建 - ✅ 性能极快 - ✅ 无任何影响 2. 超过 1 小时后的第一次访问（Stale-While-Revalidate）：用户访问 → 立即返回旧的静态页面（8-10ms） ↓ 后台静默重新生成新页面 ↓ 下一次访问时返回新页面 2. 关键特性： - ✅ 用户永远不会感知重新构建 - ✅ 永远返回静态页面（8-10ms） - ✅ 后台异步更新，无性能影响 📊 时间线示例时间轴： ├─ 10:00 - 构建完成，生成静态页面 v1 │ ├─ 10:30 - 用户访问 → 返回 v1（8ms）✅ ├─ 10:45 - 用户访问 → 返回 v1（8ms）✅ ├─ 11:00 - 用户访问 → 返回 v1（8ms）✅ │ ├─ 11:05 - 超过1小时，用户访问： │ 1. 立即返回 v1（8ms）✅ │ 2. 后台重新生成 v2（用户感知不到） │ ├─ 11:10 - 用户访问 → 返回 v2（8ms）✅ 新数据！ └─ 之后1小时内 → 都返回 v2 3️⃣ 是否获取最新数据？答案：是的，但有延迟策略 - ✅ 数据会更新：每小时后台自动重新获取 - ✅ 用户无感知：更新在后台进行 - ✅ 性能无影响：用户永远只看到快速的静态页面 4️⃣ 性能影响分析 ❌ 传统 SSR（无静态生成）每次访问 → 查询数据库 → 渲染页面 → 300-1000ms 慢 ✅ 静态生成（无 ISR）每次访问 → 返回静态页面 → 8-10ms 快问题：内容永不更新 ❌ ✅✅ ISR（我们的方案）大多数访问 → 返回静态页面 → 8-10ms 快每小时第一次访问 → 仍返回静态页面 → 8-10ms 快 → 后台更新 → 用户不感知下一次访问 → 返回新的静态页面 → 8-10ms 快最佳平衡：✅ 性能极快 + ✅ 内容自动更新 5️⃣ 测试结果验证 | 内容类型 | 预生成数量 | 响应时间 | 状态 | |--------|-------|---------|-----| | 📄 文章 | 1000 | 8-16ms | ✅ | | 🎙️ 播客 | 131 | 11-12ms | ✅ | | 🎬 视频 | 259 | 8-10ms | ✅ | | 🐦 推文 | 1000 | 12-13ms | ✅ | 性能提升：传统SSR (300-1000ms) → ISR (8-16ms) = 20-100倍提升 🚀 6️⃣ 推荐配置 // 新闻类网站（内容更新频繁） export const revalidate = 300 // 5分钟 // 博客类网站（内容更新适中） export const revalidate = 3600 // 1小时 ✅ 当前配置 // 文档类网站（内容更新较少） export const revalidate = 86400 // 24小时 🎯 总结 dynamicParams = true：允许访问所有内容（预生成的+未预生成的） revalidate = 3600：每小时自动更新，用户无感知，性能无影响最佳实践：✅ 热门内容预生成 + ✅ ISR自动更新 + ✅ 长尾内容动态访问

#Next.js #静态化 #ISR #性能提升 #自动更新

1个月前

小小里程碑，网站订阅数突破 5000 ❤️

#网站订阅 #里程碑 #5000订阅 #积极

1个月前

产品需求欲望模型

#产品需求 #欲望模型

1个月前

Cursor 大气！12 月 5 号之前 Opus 4.5 价格优惠，和 Sonnet 4.5 同价🌹

#Cursor #opus 4.5 #Sonnet 4.5 #价格优惠 #12月

1个月前

现场看球才够味，氛围感直接拉满！就是有些远，看不太清楚。

#现场看球 #氛围感 #距离远 #体验 #体育

2个月前

Skills explained: How Skills compares to prompts, Projects, MCP, and subagents Claude Skills 不就是把提示词存个文件夹吗？看了两篇关于 Skill 的好文章，做下阅读笔记。很多人初次看到 Claude 的 Skills 功能，第一反应是：这不就是把提示词存成文件吗？这个判断其实低估了它的意义。 Anthropic 专门写了篇长文解释 Skills 与 Prompts、Projects、MCP、Subagents 的区别。这篇文章值得关注，因为它不只是介绍功能，而是在说明 AI 应用开发的底层逻辑转变。从第一性原理看，Skills 的存在有其必然性。大语言模型需要上下文才能工作，但上下文窗口有限是物理约束，重复输入相同信息显然低效。面对这个矛盾，合理的解决方案就是建立按需加载的知识模块系统。官方给出了清晰的定位：Prompts 是即时指令，Skills 是可复用流程，Projects 提供知识库，Subagents 是专职助手，MCP 负责连接外部系统。这五个组件各有分工，配合使用才能发挥完整价值。举个实际例子。你可以创建一个代码审查的 Subagent，只给它 Read、Grep、Glob 这些只读权限，不给 Write 和 Edit 权限。当你修改代码时，Claude 会自动委派这个 Subagent 做安全检查，既保证了审查流程，又避免了误改代码的风险。再配合 Skills 里定义的安全审查标准，整个流程就能自动运行。这里有三个关键点值得注意。第一，Skills 不是功能增强，而是范式转变。过去用 AI 是即兴发挥，现在可以系统沉淀工作方法。第二，五个组件需要配合使用。单独用 Skills 只有 30% 效果，配合 Projects 的背景知识、MCP 的数据连接、Subagents 的任务分工，才能构建出生产级的工作流。第三，未来的护城河不在于调用哪个模型，而在于你积累了多少精心设计的 Skills。这跟 npm 生态类似，先发优势会越来越明显。对做 AI 产品的人来说，现在可能是时候从写花式提示词，转向设计可复用工作流了。

Claude Skills系统发布引发AI行业新变革· 66 条信息

#Claude Skills #AI应用开发 #工作流 #subagents #范式转变

2个月前

BestBlogs 一直使用客户端渲染，没有使用缓存机制，有不少群友反馈能感觉到明显的卡顿，希望优化性能。早上醒来和 Opus 探讨这个问题，它建议我使用混合静态化架构来提升，我觉得挺靠谱。目前已完成开发，今天开始测试，期待早日上线 🙂

#客户端渲染 #卡顿 #混合静态化 #性能优化 #测试

2个月前

早上部署 bestblogs 服务端发现 openjdk 镜像已弃用，可以切换到 eclipse-temurin 提供的镜像

#BestBlogs #openjdk 镜像弃用 #eclipse-temurin 镜像 #服务器部署 #技术更新

2个月前

今天的 BestBlogs 精选推送来得有点晚，欢迎大家挑选感兴趣的内容阅读 😀

#BestBlogs #精选推送 #内容推荐 #晚 #积极

2个月前

看了 Rokid 发布会，买个新玩具😏

懒猫家族新成员亮相，AI算力舱引发热议！· 143 条信息

#Rokid #发布会 #新玩具 #消费 #积极

2个月前

还记得你何时加入 X 吗？我知道！ #我的X周年纪念日

#X周年纪念日 #社交媒体 #用户纪念 #X平台 #积极

2个月前

暴露年纪的时刻

#暴露年纪 #怀旧 #集体回忆

2个月前

逛逛，是不是有点眼熟(👀)

#逛街 #眼熟 #购物 #休闲 #街景

2个月前

说得真好

2个月前

各位有帮忙推荐的型号没？家里人想换个电脑，我一直用 Mac，这几年对其他笔记本不大了解 😀

#电脑推荐 #笔记本 #Mac #型号 #家用

2个月前

这是一篇难得的深度实践文章。作者既在个人项目中频繁使用 Claude Code，又在企业环境下为每月消耗数十亿 token 的工程团队构建 AI-IDE 工具，这种双重视角让文章兼具灵活性和严谨性。文章不是泛泛而谈，而是针对每个功能给出了明确的使用场景、实践技巧和常见陷阱。比如为什么要避免 /compact，为什么自定义子智能体反而会带来问题，Skills 和 MCP 的真正定位是什么。作为参考手册，它涵盖了从基础配置到高级特性的完整路径；作为经验分享，它提供了很多反直觉但有效的做法。如果你正在使用或考虑使用 Claude Code，这篇文章能帮你少走不少弯路。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#Claude Code #AI-IDE工具 #深度实践 #经验分享 #避坑指南

2个月前

今天升级了该 Skill，增加了 4 个分析框架：结构化思维、5W2H 分析、多元思维模型和逆向思维模型，同时把 skills 原始内容提交到项目了，可以到这里下载最新的版本今天的 Claude 额度已经躁完了，明天继续~

Claude Skills系统发布引发AI行业新变革· 66 条信息

#Skill升级 #分析框架 #结构化思维 #Claude额度 #多元思维模型

2个月前

跑完了，用了80分钟，浏览了440个资源 🤣 最近Claude Code 用的多，我感觉有必要好好研究下怎么更好的用起来。对比了一下 4 家的深入研究报告，发现 Claude 和 ChatGPT 质量都很高，Gemini 贵在内容广实用性不强，Perplexity 基本没法看。随后把这些研究报告和上关于 Claude Code 的优质文章一起扔给 NoteBookLLM 整理一下。 Claude 输出的研究报告：

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#Claude Code #研究报告对比 #NoteBookLLM #效率提升 #AI工具评估

2个月前

Claude 现在干活这么卖力的么？一个深入研究跑了一个多小时了 😱

AI编程工具激战：Claude Code、Gemini Cli崛起· 1256 条信息

#Claude #效率高 #人工智能 #深度研究 #积极

2个月前

Claude 把我常用的一些阅读方法打包成一个 Skill，太棒了~

Claude Skills系统发布引发AI行业新变革· 66 条信息

#Claude #Skill #阅读方法 #积极 #AI工具

2个月前

AI 编程时代，我们正在见证开发者的深刻进化：从「指挥家」转变为「编排者」。两者不同之处在于指挥家是与单个 AI 同步协作，像指导一位独奏者，你仍需全程参与。而编排者则是向一群自主 AI 智能体分配高层任务，像指挥一支交响乐团，你只需异步地审查它们提交的最终成果。这种转变的深层机理，是工作杠杆的转移。指挥家模式是「认知杠杆」：AI 放大你的个人执行力，但你的个人时间依然是瓶颈。编排者模式是「管理杠杆」：AI 成为你的数字团队，让你能并行处理多项任务，打破了个人注意力的瓶颈。这其实是整个软件工程史的延续。我们一直在不断抽象「如何实现」——从机器码到高级语言，再到框架，目的始终是让有限的认知能驾驭更复杂的系统。AI 智能体，只是这一趋势的最新、也是最激进的体现。当「如何做」被 AI 大规模处理后，开发者的核心价值就清晰地回归到两个最不可替代的要素： - 定义意图：思考和提出「做什么」和「为什么做」。 - 施加判断：对结果负责，审查「做得好不好」。这是一种解放。技术正迫使开发者从繁琐的实现中抽身，真正回归到定义问题和把控质量的最高价值角色。未来，开发者的价值将不再取决于写了多少代码，而是指导 AI 团队创造了多少价值。

#AI 编程 #开发者进化 #编排者 #管理杠杆 #定义意图

2个月前

和娃一起看苏超决赛

#苏超决赛 #亲子 #足球

2个月前

记录下这篇文章的阅读笔记，关于 MiniMax 和 Kimi 在大模型注意力机制上的不同技术路线选择。 1. MiniMax 选的：全注意力 (Full Attention) 这是一种蛮力但最扎实的办法。它就像一个记忆力超群、但也最耗费精力的学生。当他读到小说第 500 页的某一个词时，为了彻底理解这个词，他会把这个词，和前面 499 页的每一个词，都重新对比一遍。优点：绝对的全面。他绝不会漏掉任何一丝线索，理解的质量是最高的。缺点：成本高到爆炸。文章越长，这种回头看的对比次数就呈指数级飙升。这会吃掉海量的内存和计算时间。 MiniMax 的选择是：我们先用这种最好的蛮力办法，一边等待未来的硬件变得足够便宜，来解决成本问题。 2. Kimi 选的：混合注意力 (Kimi Linear) 这是一种更聪明、更像人类的巧办法。 Kimi 知道蛮力在读长文时是行不通的。它就像一个更有效率的学霸，采用了 3:1 的混合阅读模式：在 3/4 的时间用一种「线性接力」的方式阅读。当它读到第 500 页的某个词时，它不会回头去看 499 页的全部内容，而是只看第 499 页最后传过来的那个摘要。它在摘要上补充新信息，再传给下一页。这就像我们正常读书，只需要记住一个不断更新的上下文概要。这非常快，而且极度节省内存。在 1/4 的时间里处理纠错，它也怕阅读摘要传久了，会忘掉第 1 页的细节。所以每隔 3 层接力后，它就停一下，用一种压缩过的「全局眼光」快速扫一眼全文的内容大纲，确保自己对整本书的理解没有跑偏。核心差别 MiniMax 全注意力是用蛮力换质量。它赌的是未来硬件会进步，能撑得起这种巨大的消耗。 Kimi Linear 是用巧劲换效率。它用一种 3:1 的混合架构，在大部分时间跑得飞快，再用小部分时间回头看大局。 Kimi 的突破还在于，它证明了这套巧劲，现在就能用低 75% 的内存和快 6 倍的速度，达到甚至超过了蛮力办法的效果。

#MiniMax #Kimi #大模型注意力机制 #技术路线选择 #全注意力 vs 混合注意力

2个月前

精选文章第 70 期本周 AI 领域的热度持续聚焦于 AI 智能体的深入开发与工程实践，以及 AI Coding 如何在企业级场景中落地并量化提效。从 OpenAI、GitHub 的智能体平台战略，到阿里云、高德的实战经验，再到理想汽车的 VLA 自动驾驶模型，一个更智能、更自主的 AI 研发生态正在加速成型。以下是本周亮点内容 🔽

#AI智能体 #AI Coding #企业级应用 #智能研发 #生态