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
我让AI设计工具搭建了我的作品集网站——客户注意到了
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
为什么同一模型的无服务器推理一致性会有差异
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
面向 AI 代理的服务器端工具：架构、延迟及何时切换
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