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
Token 计费为什么总对不上？聊聊分词背后的账单逻辑
模型读的不是文本，而是整数。 在你的字符串和模型之间，隔着一个分词器。它悄悄决定了你要花多少钱、上下文窗口能装下多少内容，以及为什么模型数不清字母个数。 我一直把它当作预处理环节的细枝末节，直到我开始动手算账。 分词器到底做了什么它把文本切分成小片段，这些片段来自一个固定词表——通常有3万到20万个
使用 git range-diff 实际比较 Claude Code 与 Codex 解决同一工单的代码分支
书籍： Database Playbook 系列： Pocket Guides for Developers — 8 本关于 agents、RAG、提示词、可观测性、事件、数据库和系统设计的简短书籍 — 完整系列我的项目： Hermes IDE | GitHub — 一个面向使用 Claude Co
用 Gemini 4 Argon 大模型压力测试：15 条提示词零资产搭建 3D Flutter 赛车游戏
大多数 AI 编码基准测试都在测试标准网页应用或 CRUD 仪表盘。前沿模型已经能够一次完成这些任务，因此它们已经不再能告诉你多少信息。 为了真正对 Gemini 4 Argon （位于 Antigravity 内部）进行压力测试，我给它提出了一个更离奇的挑战： 使用 Flutter 构建一个 60
基于 FalkorDB 图的食品召回 Agent，实际覆盖 33 家门店
当供应商报告受污染的批次时，哪些店铺需要下架？我们构建了一个 AI 智能体，能够基于 FalkorDB 中的批次、返工和交付图谱来回答这个问题。在我们的演示批次上，它定位了 71 家店铺中的 33 家，展示每家店铺背后的记录，在记录用尽时向人工询问，并记住所学内容以便下次使用。 Live demo
Claude Code 并行子代理模式：扇出、扇入与同步策略实测
Claude Code 并行子智能体模式：扇出、扇入及实际有效的同步策略本文在人工监督和审阅下，得到了 AI 的协助撰写。 大多数并行子智能体实现之所以失败，是因为团队把它们当作独立的工作线程，而实际上它们是共享同一代码库的相互依赖进程。其结果是重复工作、上下文污染以及合并冲突，耗时甚至超过串行执行
Claude Code 使用本地大模型进行代码生成的实测复盘
我想要一个本地模型，因为它能给我带来隐私。而且如果我不得不把前沿模型作为主控节点使用，问题就在于成本：前沿模型很昂贵，而且订阅使用限制似乎一直在变小。 于是问题在于：昂贵模型能否负责思考，廉价模型负责输入，以及这样做是否能产出有价值结果。（在此测试中，“本地”模型是在租用的 RunPod 显卡上运行
在 eBay 搜索 237 件召回商品，仅 45 条列表标注了型号
这是一份提交，面向 Hacktoberfest 开源 AI 挑战赛第 2 周：副业由 @dronzer2code、 @soumyadeepdey 和 @t-rexbytes 构建。 想象一下周四下午在一个儿童寄售店（这是一个虚构的例子，不是真实店铺）。一位家长在接收台放下一个袋子：一个玩具消防车、一