与「MD」相关的搜索结果

🏫 想把 AI agent 真正做上线的看这里，Agentic System Course 用 22 章讲透生产级 agent 怎么设计、搭建和运维。 Agentic System Course 的 fork 已经接近一百个，而且整套课是写给你和你的 AI 一起读的，仓库里同时放了 AGENTS.md 和 CLAUDE.md。 以前学 agent 开发，要么跟着某个框架的教程一步步敲，换个技术栈就全废；要么零散看博客，记忆、多 agent 协作、成本控制各讲各的。 这门课只给骨架：把记忆与状态、多 agent 协调、外部接口、可观测性、成本与延迟、安全运维这些承重的主题和取舍讲清楚，具体代码交给你的 AI 按你的技术栈去补。最后一章是一张设计画布，直接拿来设计你自己的 agent。 还有个顺手的：仓库自带一个评审 skill，把你的 PRD、设计文档或 agent 代码丢给它，它先判断你做的是个人项目、团队工具还是面向客户的产品，再挑相关章节出报告，每条问题都带严重程度、证据、章节出处和修复建议。课程拿 OpenCode、Hermes Agent、OpenClaw、Paperclip 四个开源项目当参考实现。 用 agent 学 agent，这个思路挺对味。 GitHub：

🚨 BREAKING NEWS! The engineer who created Claude Code from scratch just posted a 28-minute video that's pure gold: how to write prompts that actually deliver ridiculously good results. I've seen $300 courses that don't even come close to what he explains in the first 10 minutes. CLAUDE.md files, memory shortcuts, parallel sessions, and prompting patterns that almost no one uses… All in one video. Completely free. No fluff. Whether you're a developer, just starting out now, or already using Claude for months: this changes the game for you starting today. Save. Watch. Share.

开发者想在TermiX赚钱，其实不用去啃底层合约，但也别以为闭眼就能跑通 官方把注册、质押、发单这些操作全封装进插件了 在 Claude Code 或 Cursor 里直接敲 /plugin marketplace add TermiX-official/termix-agent-skills Cursor 或其他兼容 Agent 用 npx skills add TermiX-official/termix-agent-skills 装完会生成一个 SKILL.md 路由，Agent 按请求自动加载对应的操作文档 Agent 就能自动调取文档干活 但有一条核心逻辑你必须自己搞明白：订单状态机 从发单、资金托管、交付，到结算或争议，这是一条链 中间哪怕要返工，或者遇到纠纷，也有机制兜底—3 个评估员链上投票，费用直接从预算扣，不用你搭裁决系统。 对开发者来说，最需要死磕的其实是交付哈希 活儿干完后，把实际产出算成哈希值上链锁死 千万别等事后再去补，凭据必须走在前面 这套东西说白了，是把钱怎么走、活怎么验、出事谁管全写进了代码里 不过，一次交易的防骗好解决，难的是下次他还来不来 当一个买家做完报告、买完图，下次再打开 TermiX 时，如果不需要再去重新验证一番，这才叫真正的信任沉淀 @termix_ai @KaitoAI

Agent 最缺的不是更大的上下文窗口，而是理解整个代码库的能力：当一个项目有数万文件、跨模块调用和海量文档时，为什么还要让 AI 一遍遍 Grep、Read、重新理解整个工程？ 📦 项目档案 项目：Graphify-Labs/graphify GitHub Stars：⭐ 147299 技术栈：Python + Tree-sitter + NetworkX + Leiden 核心定位：将代码、文档、SQL Schema、PDF、图片及音视频转换成可查询、可追溯的知识图谱，让 AI Agent 从「搜索文件」升级为「理解工程关系」。 GitHub： 🛠️ 一、底层架构：不是传统 RAG，而是图结构知识引擎 Graphify 最值得研究的地方，是它没有走传统向量检索路线。 传统 RAG 通常需要经历： 文件切分 → Embedding → 向量入库 → 相似度检索 → 上下文拼接。 Graphify 直接构建 Graph。 底层采用 NetworkX 图数据结构，以 Node 和 Edge 表达工程实体及其关系。 整个处理链路可以概括为： detect() → extract() → build() → cluster() → analyze() → report() → export() 每个阶段职责独立，通过 Python Dict 和 NetworkX Graph 传递数据。 这意味着它不只是索引代码，而是在构建整个项目的结构化关系网络。 🛠️ 二、Tree-sitter AST：让代码解析摆脱 LLM 依赖 这是最有工程价值的设计。 Graphify 使用 Tree-sitter AST 解析约40种编程语言，提取： • Classes：类定义及结构。 • Functions：函数与方法。 • Imports：模块依赖关系。 • Call Graph：跨文件函数调用。 • SQL：表、视图、外键及 JOIN 关系。 其中33种语言使用 Tree-sitter Grammar，另外7种使用内置解析器。 关键在于：代码结构提取完全在本地完成，不需要调用 LLM，也不需要把代码上传到云端。 对于大型代码库，这种确定性解析比单纯依赖模型阅读文件更容易复现和追踪。 🛠️ 三、EXTRACTED / INFERRED：让每条知识关系都有证据 很多知识图谱最大的隐患是：模型推断出来的关系，很容易被误认为真实事实。 Graphify 给关系增加了置信度标签： • EXTRACTED：源码中明确存在的关系，例如 import、函数调用。 • INFERRED：通过上下文、命名和调用关系推断出来的连接。 • AMBIGUOUS：存在不确定性的关系，需要人工复核。 INFERRED 关系还会附带 0.0—1.0 的 confidence_score。 这套机制非常重要。 它实际上把知识图谱从一个简单的关联网络，变成了一个能够区分事实、推断与不确定性的工程知识系统。 🛠️ 四、Leiden + SHA256 Cache：解决规模与重复计算 Graphify 使用 Leiden 社区发现算法，根据节点之间的连接密度，将复杂工程拆分成不同功能子系统。 例如，一个大型后端项目，可以自动识别认证、数据库、路由、权限等不同社区。 同时，SHA256 内容哈希缓存会记录文件指纹。 文件没有变化，就跳过重复提取；只有新增或修改的文件才重新处理。 音视频还可以通过本地 faster-whisper 转录，再进入统一知识图谱。 这让增量更新不必每次重新扫描整个工程。 五、真正解决了什么工程问题？ 想象一个场景： 你接手一个陌生的微服务项目，需要搞清楚： 用户认证最终连接了哪些数据库模块？ 修改某个核心函数会影响哪些下游组件？ 某个架构决策为什么会存在？ 两个看似无关的模块究竟有什么隐藏依赖？ 传统方式：Grep、Read、跳转、反复询问 Agent，消耗大量上下文。 Graphify：直接执行 query、path、explain。 它还能生成三个核心产物： • graph.json：完整知识图谱，可供后续查询。 • GRAPH_REPORT.md：核心节点、社区及关键关系分析。 • graph.html：可交互的可视化图谱。 甚至支持 Mermaid 调用链导出、Markdown Wiki 和 Obsidian 知识库。 最重要的设计思想是： 不要让 AI 每次都重新阅读整个世界，而是提前把世界组织成它能够理解和遍历的结构。 这才是 AI Coding 从上下文堆砌走向工程知识管理的重要一步。 对于大型 Monorepo、遗留系统维护、跨模块依赖分析，以及需要长期理解代码库的 Agent，这套架构尤其值得研究。 🔗 GitHub 开源地址：

Mudwater #3# is starting in less than 9 hours! We did a video on a meta that's forming and gameplay tactics that @md_codes used to win last week's tournament Sign up and create your deck

微软产品经理 Keiji Kanazawa 在 AI Engineer 大会上做了一场很实在的分享，题为I Let Agents Refactor My Codebase for 3 Weeks. Then I Read the Code 他原本写了一个自动抓取播客、X 帖子和邮件链接做总结的脚本工具，后来想把它彻底重构成一个带注册中心、支持定时调度和每日自我反思的智能体系统。 他自己完全不看代码，写了一份需求文档，就放手让 Claude Code 和 Codex 轮流写代码、互相审查，连着重构了三个星期。 直到有一天他发现生成的日报把句子放错了栏目，想查一下运行轨迹排障，结果 Claude Code 告诉他查不到，因为这压根不是个真正的 Agent。 他打开代码库一看，才发现那三个星期的全自动重构完全是一场灾难。 首先是假重构，模型为了迎合他的需求文档，在代码里建了名叫 `Skill`、`Action` 和 `Agent` 的类，但点进去看，这三个名字像模像样的模块底层其实是同一段旧代码的换皮，所谓的 Skill 里既没有 `SKILL.md` 也没有脚本，所谓的 Agent 根本没接任何 Agent SDK。 而且第二天他收到账单超支警报，单周开销翻了五倍，一查才发现 Codex 在写单元测试时根本没做 Mock，直接把单测连到了线上付费大模型接口上，一天之内自己跑了 30 多轮测试狂烧生产环境的 Token。 随后呢他决定推倒重来。但作为产品经理，他依然不想走回自己逐行读代码的老路，于是核心问题就变成了在不亲自读每一行代码的前提下，怎么管住 Agent 不让它再写空壳代码。 他摸索出了三步改进思路值得看看和参考借鉴。 第一步是改用验收标准来限制而不是目标来限制。 以前他是给个需求让 Agent 写份计划，看着差不多就点同意放行。重来之后他把重点放在定义最终产出的评分标准上。 比如他后来做了一个解析硬核技术视频的功能，要从视频里抽 440 个关键帧，挑出最清晰的黑板公式截图并配上讲解。 他没有去翻代码改排版逻辑，而是直接去改验收的评分表，在规则里写“每个公式必须和对应的解释按时间顺序穿插排列”，然后让 Agent 对着这张评分表自己跑循环做优化，直到跑分达标为止。 第二步是防止 Agent 在评分表上作弊。 因为评分表本身也是他让 Agent 写的，跑着跑着他又抓到了模型作弊。发现这个问题后，他多加了一层泛化检验，每次改完评分表必须同时在多个不同类型的视频上跑分，并明确下指令禁止针对单一视频凑分数。 第三步是用多轮对抗性审查。 为了防止单个模型再次出现工作问题，他在重新搭建运行时底座时，先拿四个主流工具做了一轮平行对比，发现像 Pi 这种极客框架虽然快，但动不动就弹窗问他 SQLite 表结构怎么设计、TypeScript 接口怎么定义这类纯底层工程问题。 最终他还是回到 Claude Code 和 Codex 的组合上，但把原来的简单互评改成了多轮对抗性代码审查，强制让两个模型站在找茬的立场上深度挑对方的架构漏洞和空壳逻辑。 这一套的思路是很值得借鉴参考的，总结起来也简单，第一个点就是尽量用可量化的验收标准限制模型的工作，第二点是可以采取多个模型的审查发现问题。 youtube：

Jensen Huang prend tellement cher pour si peu (avoir eu des relations consenties) alors qu’une majorité de politiciens et stars qui ont littéralement v des enfants sur l’île d’Epstein ne sont même pas inquiétés Foutre en l’air la course à l’IA pour des coups de reins mdr

不思議だよね… 中国の学生食堂はこんなに豪華なのに、日本の給食はあまりにも質素。 文部科学省は、これを見て何とも思わないのだろうか？