qMLX：通过极致优化Mac Studio最大化我的AI幻觉
qMLX：通过极致优化我的Mac Studio来最大化AI“精神病”体验 2026年7月10日·12分钟阅读 原文：https://mrzk.io/posts/qmlx-maximising-ai-psychosis-minmaxing-mac-studio/ 目录 为何更换模型 真正的工作：修
Mesh LLM：基于iroh的分布式AI计算
Mesh LLM：基于iroh的分布式AI计算 2026年7月11日，作者：Rae McKelvey 当人们想象运行大型语言模型时，脑海中浮现的是数据中心——一排排属于他人的GPU、按量计费的API，以及随着业务成功而逐月增长的账单。你将提示词发送给一个黑盒，祈祷价格、模型和隐私政策都保持注册时的原
结构化输出 vs 工具使用 vs 预填充：2026年从Claude获取JSON
结构化输出 vs 工具使用 vs 预填充：2026年从Claude获取JSON 长期以来，强制模型输出JSON的技巧是在助手轮次中预填充一个左花括号。但这个技巧在当前版本的Claude模型上已经失效了，会返回400错误。如果你还在使用这种方法，一旦升级模型版本，代码就会崩溃。本文将介绍获取可靠结构化
在AWS Bedrock上构建生产级AI代理——值得关注的架构与代码决策
在AWS Bedrock上构建生产级AI代理——值得关注的架构与代码决策 原文：https://dev.to/aws-builders/building-production-ai-agents-on-aws-bedrock-architecture-and-code-decisions-worth
如何为你的AI代理构建评估框架（确保其在生产环境中不崩溃）
如何为你的AI代理构建评估框架（确保其在生产环境中不崩溃） 这个智能体通过了所有我手动测试的用例。然后有用户让它"预订更便宜的航班"，它愉快地调用了错误航班ID的预订功能，整整三天没人发现——因为我一直在运行的演示从未要求过"更便宜的航班"。 这就是陷阱。当你亲自运行测试智能体时，演示本身就是测试—
我把一个仅限Claude Code使用的网页阅读器变成了一个普通的MCP服务器
我把一个仅限Claude Code使用的网页阅读器变成了一个普通的MCP服务器 我在用智能体构建应用时反复遇到同一个问题： 页面是公开的，浏览器能正常读取，但我的智能体却会被拦截、重定向、限流，或者只拿到一个空壳 HTML，毫无有用内容。 这个领域已经有一个有趣的项目：insane-search。它
你的 CS 学位没好好教你的数据结构
你的 CS 学位没好好教你的数据结构 每个计算机科学课程都会反复灌输七种基本数据结构：数组、链表、哈希表、栈、队列、图、树。你可能闭着眼睛都能背出它们的 Big O 复杂度——说真的，90% 的代码用这些足够了。
为你的 AI Agent 选择合适的工具层：MCP、CLI 还是 Skills？
为你的 AI Agent 选择合适的工具层：MCP、CLI 还是 Skills？ 在软件工程中，选择正确的抽象层从来不是新问题。太抽象会让用户跳太多圈子（想想那些让人崩溃的 MiddlewareManagerAbstractFactoryProvider），太具体又会让重复代码满天飞。
更大的上下文窗口，并没有让我们的 RAG 变得更聪明
我们不再用「能塞进 prompt 多少个 token」来衡量检索质量。 长上下文模型出现后，很多人都做了同样的假设——如果 LLM 能读 128K token，检索似乎就没那么重要了。何必费心筛选文档，让模型直接读全部不就行了？ 听起来合理，但实践中完全不是这么回事。
量化会破坏 LLM 工具调用能力吗？在4GB笔记本GPU上的实测报告
"Q4 对工具调用安全吗？"这个问题在本地 LLM 圈子中反复被提起，而答案几乎都是基于个例的推测。作者在 4GB 笔记本 GPU 上构建了 QuantCall 基准测试，用 bootstrap 方法严谨测量了量化对不同模型工具调用能力的影响。