按更新时间排序
大多数关于提示工程的教学教程都遵循相同的流程：安装SDK，输入API密钥，调用 generateContent 函数，然后打印输出结果。模型会生成一些看似合理的内容，之后教学教程也就结束了。 但当你真正尝试将这个系统投入实际使用时，才会发现其实真正的准备工作根本还没有开始。 “API返回的文本”与“让用户感到可信的实际功能”之间的差距，正是需要耗费大量精力去解决的地方。 这个差距中充满了各种棘手的问题：模型生成的内容听起来和其他聊天机器人没什么两样；它会编造用户从未说过的话；它返回的数据会被用Markdown格式包裹起来；系统会在凌晨2点出现故障；而对于那些只是想得到答案的用户来说，系统展示的
日期和时间选择器这类组件，在设计文件中看起来可能很简洁，但一旦开始实际开发，就会发现它们会消耗大量的资源。你需要一个日历、一个时间选择器，以及一个能够保证这两者同步的状态管理系统，通常还需要范围选择功能以及对应的多语言版本。 本指南将介绍一些现成的选择器组件，你可以直接将这些组件应用到你的React项目中：组合型日期和时间选择器、日期范围选择器以及时间选择器。 所有这些组件都可以作为 Shadcn日期和时间选择器 组件使用，你只需通过一条CLI命令即可安装它们，而无需从头开始开发。 这些组件都是基于Radix和Base UI的基础架构构建的，下面介绍的版本是使用Base UI实现的。此外，这些
大多数分割教程都是从选择一个模型开始，将图像输入该模型中，然后调整超参数直到相关指标得到改善。但这种方法忽略了通常最为关键的一步：理解数据本身。 在本教程中，我们首先会对数据集进行详细分析，随后会根据这些分析结果来决定MONAI分割流程中的每一个设计细节。 我们将涵盖以下内容： 本教程适合谁？ 关于数据集 什么是MONAI，为什么使用它？ 什么是Dice评分？ 第1部分——建模前的数据分析 类别平衡对分割结果的影响 患者数量对数据划分的影响 第2部分——构建分割流程 单一配置对象 按患者分组的数据划分方式 由快照自动选择的转换操作 模型、损失函数与评估指标 结果解读 预测结果可视化 失败模式比
在本教程中，我将向您展示如何使用LangSmith来追踪和监控本地的AI代理。我们会构建一个简单的本地AI代理，然后为其启用LangSmith追踪功能，这样我们就能通过Web界面查看模型调用情况、工具使用情况以及请求处理延迟等信息。 我们将使用LangChain v1、Ollama、Qwen以及Python这些工具。除了用于实现观测功能的组件外，所有操作都在您的本地机器上完成，因此代理本身不会产生任何与模型API相关的费用。 目录 背景知识 什么是可观测性与监控？ 什么是LangSmith？ 开发动机与架构设计 步骤1：安装Ollama并下载模型 步骤2：安装Python相关依赖库 步骤3：启
当你为他人维护文档时，比如简历、一页的作品集或可打印的菜单，瓶颈往往不在于布局设计，而在于编辑流程本身。 任何微小的修改（“把这个项目符号上移”、“删除那行内容”、“这个链接已经失效了”）都需要由你这位使用代码编辑器的人来完成，尽管提出修改要求的人自己非常清楚他们想要做什么。 我在为一位家庭成员维护简历时遇到了这个问题。那份简历被制作成了一个静态的HTML文件，设计已经完成，内容也是由当事人提供的。但每次进行修改——无论是重新排列职位顺序、添加证书信息、修复链接，还是调整打印分页设置——都意味着要再次发送修改内容给我，然后让我去编辑文件。经过第十次这样的循环后，我终于意识到：其实应该让页面能够
检索增强生成技术，通常被称为RAG，已成为利用大型语言模型构建应用程序时最常用的方法之一。 与让大型语言模型完全依据其训练数据来回答问题不同，RAG系统会从外部知识库中检索相关信息，并将这些信息作为上下文提供给模型。 其基本原理非常简单： 将用户的问题转化为嵌入向量。 在向量数据库中搜索语义上相似的文档片段。 将检索到的这些片段传递给大型语言模型。 基于这些片段生成答案。 然而，这个看似简单的过程存在一个重大缺陷：用户提出的问题与包含答案的文档在表达方式上可能存在很大差异。 例如，用户可能会提出这样的问题： 为什么我的AWS Glue作业在处理了几百万条记录后速度会显著下降？ 而知识库中相关的
任何应用程序在某些时候都需要与其他系统进行交互。移动应用会与后端服务进行通信；后端服务又会与支付网关对接；认证服务需要与用户服务进行交互；数据传输流程则要与存储系统相连。 问题不在于系统是否需要相互沟通，而在于应该如何实现这种沟通。 多年来，基于HTTP和JSON的REST架构一直是人们的首选方案。它运行稳定、使用简单，而且相关的开发工具也随处可见。然而，随着系统规模的扩大——无论是参与交互的服务数量增加、数据交换量增大，还是对实时通信的需求提高——REST架构逐渐暴露出了其局限性。 这时，远程过程调用、Protocol Buffers以及gRPC这些技术应运而生了。 通过这本手册，你将了解什
大多数关于 程序化广告 的教程都只停留在网页横幅这个层面。其实这很可惜，因为一旦你将这种概念应用到现实世界中，它会变得有趣得多。 如果你之前从未从事过广告行业的工作，也无需担心。你不需要任何广告行业的背景知识就能理解这些内容。只要你能阅读基本的Python代码，那就已经具备了所需的一切条件。 广告本身只是实现这一目标的一种手段而已。真正重要的技能是：如何将现实世界中那些杂乱无章的信息转化为软件能够处理的数据。 在这篇文章中，你将会了解什么是程序化广告，以及为什么它在网页上能够取得如此好的效果。你还会明白，为什么将这种技术应用到户外广告牌上实际上是一个数据建模的问题，并且你会通过编写简单的Pyt
在这篇文章中，你将通过亲手操作原始的Linux内核功能，逐步了解容器网络接口（CNI）的实际工作原理。而不是通过阅读YAML配置文件来学习。 容器网络接口（CNI）是Kubernetes系统中那些被称为“黑盒”的组件之一。大多数每天都在运行Kubernetes集群的人，从来都没有深入了解过它的内部机制。他们只知道自己使用的CNI的名称（比如“我们使用的是Calico”，“我们采用的是Cilium”），这种认知就如同你知道汽车上发电机的品牌一样——只是知道它的名称，并不真正了解它的工作原理。 CNI位于整个系统架构的最底层，位于kubelet之下、Pod们之下，它默默地负责转发每一个数据包。正因
当人工智能助手回答问题时，它会从寥寥几页内容中提取相关句子并加以引用。你的页面是否适合被人工智能系统引用，并非什么难以理解的现象，而是与你所使用的HTML代码的某些机械性特性有关——这些特性是可以被测量、评估并加以调整的。 本教程将详细介绍我对自己网站进行的那次审计过程：它发现了哪些隐藏在代码中的标题标签，以及如何通过一次简单的修改就能解决这些问题，同时还会讲解如何利用持续集成系统来防止类似问题再次发生。 重点在于：我的主页在可提取性方面的得分是65分（满分100分）。造成这一问题的原因在于有五个UI组件将其标题标记为 或 标签。将这六个标题修改为符合ARIA标准的段落格式后，页面的得分便提高
Max Korbacher解释了为什么仅仅依靠技术是无法构建出成功的内部开发平台的。他探讨了“先建设基础设施”这一思维方式所隐藏的陷阱，强调了明确的产品发展方向的重要性，并说明了如何通过DevEx和SPACE这些指标来衡量真正的价值。学习如何协调团队成员的工作、管理技术债务，以及如何营造一个充满活力的社区环境，从而确保平台能够得到长期的应用与推广。 作者：Max Körbächer
InfoQ现已开始招收三批为期五周的在线认证课程学员，这些课程将于八月启动，每批课程都由经验丰富的专家负责授课：Luca Mezzalira将讲授架构设计相关内容，Michelle Brush会讲解工程领导力方面的知识，而Katharine Jarmul则会探讨人工智能安全与隐私保护相关议题。 作者：Artenisa Chatziou
DoorDash开发了Entity Cache这一透明代理缓存平台。该平台基于Envoy和Valkey技术构建，旨在减少其微服务架构中的冗余服务请求。在DoorDash的服务网格环境中运行，该平台通过缓存机制、事件驱动的失效处理机制、故障应对措施以及性能优化手段，能够每秒处理超过150万次请求，并保持99.99999%的高可用性。 作者：Leela Kumili
本周于2026年7月13日发布的Java新闻汇总中，重点介绍了以下内容：Value Objects的功能重新引入（预览版本）；WildFly 41版本的正式发布；Open Liberty 26.0.0.7版本的更新；TornadoVM、Apache TomEE、Java Operator SDK以及LangChain4j的补丁版本发布；Micronaut的维护版本更新；一个新的扩展模块Quarkus Shim；以及Oracle为Fusion Applications开发的新AI Agent Studio。 作者：Michael Redlich
GitLab发布了其DevSecOps平台的19.2版本，新增了自动化功能，这些功能专门用于处理那些由于AI编码工具生成的代码量远远超过了开发人员手工审核的能力而堆积下来的安全审查任务。这一更新于2026年7月16日宣布发布，其中有四项功能已经从测试阶段正式推出或进入公开测试阶段：依赖关系扫描自动修复功能、安全审查流程管理功能、GitLab Duo命令行工具以及自定义审查流程功能。 作者：Matt Saunders
Yelp推出了“Training Orchestrator”这一新内部框架。该框架取代了之前各团队单独使用的Spark训练脚本，现在采用了基于配置、以DAG结构为基础的执行模型。 作者：Claudio Masolo
Bhavuk Jain探讨了如何将基础人工智能技术转化为可扩展的移动产品。他详细介绍了开发“AI壁纸”功能以及“Circle to Search”工具过程中所遇到的工程挑战，说明了如何建立可靠的运行时防护机制、进行模型微调以及实现与操作系统的无缝集成。对于工程领域的领导者来说，他指出了在确保用户体验的同时，如何平衡模型响应延迟与基础设施成本问题，从而推出安全、可靠的人工智能产品。 作者：Bhavuk Jain
GitLab提出了一种新的绿色DevOps实践方法，展示了软件工程团队如何衡量其CI/CD流程所产生的碳排放量。 作者：Craig Risi
由字节跳动开发的Rspack已经发布了2.0版本。这一新版本在性能上得到了显著提升，依赖项也有所减少，并且更加注重现代ECMAScript模块的标准。主要的更新包括采用纯ESM核心架构、优化了静态分析功能，同时还增加了对RSC格式的支持。性能测试结果显示，构建时间的缩短十分明显。这个项目的发展势头非常迅猛，其通过npm平台的下载量每周都超过了500万次。 作者：丹尼尔·柯蒂斯
最新发布的Android Studio版本Quail 2现已稳定可用。该版本在IDE中扩展了“Gemini/AI Agent Mode”功能，使得多路AI对话可以同时进行，进一步推动了谷歌将基于AI的工作流程直接集成到Android Studio中的目标。此外，该版本还提升了调试和性能分析功能，使用户能够更轻松地测试那些处于实验阶段的新增功能。 作者：Sergio De Simone
谷歌云发布了一份新的指南，详细说明了各类组织应如何保护在谷歌Kubernetes Engine上运行的人工智能应用程序。该指南指出，从原型开发阶段到生产环境的过渡速度远远超过了传统安全模型的发展速度。这份文档提出了一种三层防护体系，涵盖了基础设施安全、模型数据完整性以及应用程序安全等方面。 作者：马特·桑德斯
由于AWS的计费系统发生了配置变更，导致在超过24小时的时间里，客户看到的预估账单金额高达数十亿甚至数千亿美元。AWS自身的警报系统确实检测到了这些异常情况，但未能及时停止账单生成流程，也未通知相关工程师进行处理；直到4.5小时后，客户才向该公司反映了这一问题。在问题处理期间，整个平台范围内的预算与成本异常警报功能都被暂时关闭了。 作者：Steef-Jan Wiggers
Jake Mannix讨论了如何让人工智能代理摆脱那些混乱、类似于“20世纪70年代的BASIC编程语言所使用的架构”。他说明了通过实现中间协议层，工程团队能够构建出具有版本控制功能的、结构清晰的“虚拟工具”。这种设计使得接口映射、动态数据结构转换以及运行时异常检测成为可能，从而能够在不降低系统运行速度的情况下，主动消除数据泄露风险。 作者：Jake Mannix
Anthropic详细介绍了其在各类产品中为Claude所采用的管控架构。该团队认为，确保智能体的安全性关键在于对其文件系统、网络以及执行环境设定明确的限制，而非依赖权限提示或安全防护措施。尤为值得注意的是，Anthropic通过对那些在“信任边界”或允许的数据传输路径上发生的故障进行分析，从而对相关设计进行了修订。 作者：Eran Stiller
GitHub重新设计了其问题管理系统的导航功能，采用了客户端侧架构，该架构结合了缓存技术、预测性预加载机制以及服务工作者，从而有效降低了用户所感受到的延迟。这一方案还利用IndexedDB、内存缓存以及后台同步功能来加快数据传输速度。据GitHub称，用户的导航体验得到了显著改善，延迟时间减少了4%到22%，而且在多种导航操作中都能看到这种效果。 作者：Leela Kumili
