我做了一个开源 AI Agent，能自动设计原理图和 PCB
大家好！我想分享一下我的开源项目 EasyEDA Copilot。它能让 AI Agent 直接在 EasyEDA Pro 里创建和编辑原理图与 PCB。 我既做编程也做电子。大学学的电子专业，课上教的就是 EasyEDA。我觉得它比 Altium Designer 好学多了，所以自己的项目一直用它
「Slowth Money」：一个帮你管钱目标的本地 AI Agent
本文是 Hacktoberfest 开源 AI 挑战赛第三周：Slow and Steady 的参赛作品我做了什么个人财务常常让人焦虑。 理财对我们的心理影响不小，也占用了大量注意力。 所以我开发了 Slowth Money——一款从容的本地优先的储蓄与财务目标规划桌面应用，借助开源 AI 在公共资
用 Grafana k6 在 AWS 上做 API 压测，AI 自动生成测试报告
1. 引言开发应用或服务时，我们常常会问：它能承受多少并发请求？它依赖的服务又会有怎样的响应？即使验证了所有功能都正常运行，也不能保证随着需求增长，系统依然能保持原有的性能。 正因如此，软件测试不能只停留在验证功能需求上，还要评估性能、稳定性和响应速度等方面。尤其是负载测试，目的并非把系统压到崩溃为
你的 Coding Agent 用 sed -i，Linux 上正常 macOS 上报错？BSD 与 GNU sed 差异详解
图书： RAG Pocket Guide 系列图书： Pocket Guides for Developers —— 共 8 本小册子，涵盖 Agent、RAG、提示词、可观测性、事件、数据库和系统设计 —— 查看整个系列我的项目： Hermes IDE | GitHub —— 专为使用 Claud
Multirun：一个多 Agent 运行框架
让一个编程 Agent 把同一件不简单的任务做两遍，你会得到两份不同的实现——都还行，都说得过去。这种情况 Denis 已经留意了好几个月，却一直没管，因为只跑一次的话，你其实无可作为。单次运行只是个孤例：你看看 diff，觉得喜欢或不喜欢，就此翻篇，真正的问题根本不会浮出水面。 真正的问题是：另外
RAG 证据可验证：1500 万文档规模下的断言核查怎么做
你的检索演示做得很漂亮：往向量数据库里塞了一千份PDF，接上嵌入模型，现在它能以惊人的自信回答各种问题。你上线了，大家都赞不绝口。 然后语料库开始膨胀。一万份文档。十万。一百万。一千五百万。 什么都没崩。日志里没有报错。延迟正常。答案照样源源不断地出现，依旧自信，依旧文笔流畅。 只是错的频率更高了。
80 年前的数学书，怎么修好我的 AI 编程 Agent
下面这个场景，过去一年里几乎所有读到这篇文章的开发者都亲身经历过。 深夜十一点半，你正在开发一个功能，比如给现有的电商服务加上实时订单追踪。你打开顺手的 AI 编程助手（Cursor、Claude Code、GitHub Copilot 或 Antigravity），输入一段自己觉得挺合理的提示词：
2026 年免费把 Jira 接入 AI Agent 的实操指南
我一直在研究开发者如何把 AI 编程 Agent 引入现有工作流，而 Jira 是一个不错的切入点。很多工程团队早已用 Jira 管理 bug、功能需求、冲刺和待办事项。但问题是：Jira 里有张工单，并不意味着 AI 编程 Agent 就能自动接手它、完成代码改动、再把结果提交给你审阅。 与此同时
开发者内容推荐太单一？开源模型这样破局
本文是 Hacktoberfest 开源 AI 挑战赛第 3 周：慢工出细活的参赛作品我做了什么我做了一个开源小脚本 devto-digest，它会读取我的 dev.to 账号，每周给我发一封内容精选邮件。省去了每天刷屏的时间，让我“偷懒”得心安理得。 关注 119 个标签并没有让我的 dev.to
模型越大不一定越强：70B 模型靠多读资料胜过 280B
过去几年，打造更强 AI 模型的思路很简单：把它做大。 直到 2022 年，DeepMind 训练了一个叫 Chinchilla 的模型，参数量为 700 亿，却击败了他们自家参数量 2800 亿的老模型 Gopher——体积只有四分之一，成绩反而更好。 凭什么？Chinchilla 的架构设计并不