从AI解决方案到知识共享：为社区构建MCP
这是一份针对 周末挑战：慷慨版 的提交 别只问 AI，把答案分享出来。 AI 是软件开发的真正倍增器，也是快速解决技术问题的理想伙伴。 但所有这些知识 — — 我们自己留着，或者说，我们失去了它们。 故事总是止步于此。 提问 → 回答 → 问题解决 — — 对话沉入聊天记录，消失不见。 然后另一个人
Copilot Studio 与 5 种不同的 Agent 构建器
我们都知道微软在 AI 和代理方面一直全速前进，随之而来的是变化（以及重命名 😎），但这也带来了重复和重叠。正是如此，我们在 M365/Power Platform 中得到了 5 种不同的代理构建工具。请注意，我没有包括 Foundry/Azure 构建工具，因为它们更多属于过程代码领域，而 M36
实践中的能动 AI 工程：AI 工程师与前置部署工程师如何使用 Claude Code、Codex 和 G 进行构建
一份实用的三工具指南，面向 AI 原生软件开发生命周期（SDLC）：规划、设计、构建、测试、部署、维护，针对 Agentic 编码重新构想。 2025 年 3 月，一个名为 METR 的小型非营利研究小组发布了一张图表，令许多工程领导者比平时更加坐直。 通过倒推六年的模型发布，METR 测量了 AI
使用 OpenTelemetry 实现 Claude Code 可观测性
像 Claude Code 、 OpenAI Codex 、 Google Antigravity 和 Cursor 这样的智能体编程工具，如今已成为日常软件开发的标配。 随着智能体系统日趋成熟，开发者交给它们的大部分工作都是层层委派完成的，一次交给一个 subagent。许多团队也在探索并采用共享
面向 AI 代理的 MCP 网关：使用 DigitalOcean Action 将 AI 代理连接到 SaaS 工具而无需共享凭据
每个 agent 演示之所以能够工作，是因为 agent 只需要回答。当 agent 需要执行操作时，生产才真正开始：克隆仓库、创建拉取请求、查询数据库、退款支付、提交工单。agent 一旦开始行动，四个问题会同时出现。凭证存放在哪里。谁有权批准写操作。失败时会发生什么。此次运行的成本是多少。 本文
Kong AI Gateway 2.0 在 Google Cloud 上：保护 GKE、Cloud Run 和 Vertex AI（Agent 平台）
在 Google Cloud 上运行的大多数团队不会只选择一种计算模型然后止步不前。一些服务部署在 GKE 上，因为它们需要细粒度的控制、sidecar 或 GPU 调度。另一些服务则运行在 Cloud Run 上，因为无状态的 HTTP API 不需要一个集群来照看它。越来越多的第三类工作负载加入
在旧电脑上运行本地LLM：简单的家庭实验指南
目录 为什么在家运行 AI 模型？ 什么是本地 LLM？ 您需要什么样的电脑？ 安装 Ollama 下载您的第一个模型 开始对话 如果模型太慢怎么办？ 创建家庭实验室助手 从其他程序使用 Ollama 添加网页界面 常见问题 家庭实验室项目创意 保持您的设置私密 接下来有什么？ 最后的想法 为什么在
如何构建能够知道自己不知道的AI系统：实用指南
大型语言模型（LLM）从根本上改变了我们构建内部业务应用的方式。它们使开发者能够创建智能软件，能够综合复杂的企业数据，回答内部查询，并自动化重复的工作流程。 然而，将LLM应用从本地原型迁移到生产企业系统时，可能会暴露一个关键的可靠性问题： 过度自信 。 标准语言模型被优化为生成统计上最可能的下一个
上下文长度是否线性影响推理成本？我们测量了为什么不是这样
简介 成本计算器按上下文长度线性定价：输入 token 增加十倍，费用也增加十倍。这就是费率表的构建方式，而市场自身的定价行为承认这并不是长上下文实际服务的成本。在 DigitalOcean 自家目录中，OpenAI 的 GPT-5.5 和 GPT-5.6 系列在 272K token 时调整费率：
GLM-5.3-Flash 是 DigitalOcean 上最便宜的模型，也是最冗长的。
在 DigitalOcean Serverless Inference 上于 2026 年 8 月测量。 我们询问 GLM-5.3-Flash SSH 默认使用的端口。它花费了 625 个输出 token 得到 “22”。 这是五次运行的中位数，而非挑选的异常值。 Qwen3.8-Max 回答同一问