d9bl

AI技术

作品集网站应该让潜在客户轻松回答三个问题：你做什么，你为谁工作，以及你能否真正交付？问题是，构建一个能够传达这三点的作品集往往比预期花费更长时间。我想看看 AI 设计工具是否能在不让网站看起来像另一个通用 AI 生成模板的情况下处理第一个版本。于是我在这些工具中使用了相同的核心需求——Figma

2026/9/3 397

IT技术

引言想象一下，你正在为自己的应用挑选一个 LLM 。你做了大量调研，想找出哪款模型最契合自己的使用场景。你可能在沙箱里用 DigitalOcean Serverless Inference 试跑过它，觉得效果不错，于是决定换用另一家提供同款模型的服务商，把它集成到应用里。可等到正式上线，模型的准确

2026/9/2 387

IT技术

每个 AI 代理最终都会遇到同样的结构性问题：模型能够进行推理，但若没有工具就无法行动。需要有人来运行这些工具，例如获取搜索结果、查询数据库、调用 API，而这个人通常就是你的代码。大多数团队采用同样的方式构建这一流程。模型返回一个工具调用，你的代码捕获它，运行工具，格式化结果并发送回去。重复此过

2026/9/2 407

AI技术

每次要把模型挂到端点后面，我都会做同一个偷懒的决定：随手挑上次用过的，或者最近刚读到过的那个，然后告诉自己“回头再正经跑一次基准测试”。可“回头”永远不会来——总有真正赶截止日期的活儿排在前面，而比较模型延迟这种事，哪怕不算拖延，感觉上也像是在拖延。所以我从没做过，一次都没有。于是我干脆写了个工具

2026/9/2 347

IT技术

介绍推理路由器是位于您的应用与模型服务层之间的中间件，它会根据任务将每个 LLM API 调用路由到合适的模型，而不是把所有请求发送到同一个端点。它解决的问题是大多数 SaaS 后端默认会产生的计费工件：当单一前沿模型处理所有请求时，简单的分类调用（94 输入 token）和复杂的推理调用（3,4

2026/9/1 423

IT技术

也许你会有这样的经历：本周你已经用同样的说明四次解释了 AI 模型。你反复谈到你们团队是如何组织一份演示文稿的；部署前会运行哪些检查；为什么暂存数据库不是 README 中提到的那个。每次你都要重新输入一次；每次，代理都能做得不错；但每次，下一次会话都要从零开始。这就是 Agent Skill

2026/9/1 395

IT技术

训练万亿参数模型成本高昂，而推理才是持续产生的运营开销。每个请求都会占用 GPU 显存、内存带宽、计算周期、批处理槽位和服务容量。模型权重必须常驻 GPU 显存。键值缓存（KV cache）会在生成过程中不断增长。服务引擎还必须以合理的延迟，在大量并发用户之间复用这些资源。我们来做一个简单的思想

2026/9/1 342

IT技术

第一次在技术面试中被问到“你的测试覆盖率是多少？”时，我没有给出好答案。到那时，我已经交付了几个真实的 Flutter 应用。它们运行正常，用户也在使用。但我的测试，如果能称之为测试的话，只是针对我曾经栽过跟头的定价函数写的少量单元测试，除此之外什么也没有。几个月后，我重构了一个任务完成流程（在

2026/8/31 388

AI技术

每个初学者在2026年都在悄悄问同一个问题：当AI模型能写代码时，为什么还要学编程？这种担忧是合理的，入门门槛确实比以前更窄了。但编程中变得便宜的只是敲代码这一环节，剩下的——知道该问什么、能分辨对与几乎对——反而比以前更有价值。如今，几乎每篇关于AI与就业的帖子底部都会出现这个问题，通常表述得很

2026/8/31 319

AI技术

在白板上规划一个多智能体系统，听起来很简单：给一个智能体派任务，让另一个接手下一步，再加个审核者，连上几个工具，一个智能体工作流就搭好了。可一旦这些智能体需要同时运行，事情就复杂了。串行工作流会把智能体锁死在固定顺序里：一个跑完，下一个才启动，下游全都得干等。这种模型思路清晰、容易推理，但随

2026/8/31 494