-
Python + AI 自动批量重命名文件：一个最小可用脚本思路
用 Python 和 AI 思路整理文件名：先读取文件、提取规则、生成新名称、人工确认，再批量重命名。
-
代码暴增之后：AI编程项目如何守住交付质量
当代码生成速度突然跨越一个数量级，项目的主要矛盾会从键盘输入转向需求切分、变更审查、自动验证和上线决策。本文用一套交付质量账拆解如何判断提速是否真实，以及团队怎样把快速产出变成可维护的软件资产。
-
国产AI计算卡全景解读：从参数到场景的选择指南
面对AI浪潮，国产算力芯片百花齐放。本文梳理主流国产AI计算卡的核心参数与特性，解析算力、显存、带宽等关键指标，为初学者提供从技术规格到场景选型的入门参考。
-
让私有文档真正可调用：MinDoc、MCP 与 Dify 的分层接入方案
把 MinDoc 接入 Dify 并不等于复制一份知识库，而是通过 MCP 为文档查询暴露受控工具。文章按服务边界、部署基线、鉴权链路、工作流编排和验收指标拆解完整接入过程。
-
从握手到热更新：把MCP调用链读成一台状态机
理解MCP的关键不是背诵几段请求体，而是看清会话如何从能力协商进入可调用状态，工具目录怎样成为模型与执行端之间的契约，以及列表变化如何触发刷新闭环。本文按状态迁移重建完整排错视角。
-
让多个智能体各司其职：VB.NET语义分析器的工程拆解
复杂语义分析不宜交给一个无限职责的智能体。本文以VB.NET桌面应用为载体，拆解协调器、专门分析器、共享上下文、工具权限、实时界面和中断恢复之间的关系，并强调人格线索分析的非诊断边界。
-
别把多智能体协作做成接口拼盘：A2A任务闭环的设计方法
当多个智能体共同处理一件事，真正困难的不是发出一次请求，而是发现能力、约束权限、追踪状态并接住最终交付物。本文从失败路径反推一套可验证的A2A协作设计。
-
训练卡采购先算这五本账：昇腾平台的参数阅读法
NPU表格里的算力、显存、带宽和功耗只有放回模型、软件与集群约束中才有意义。本文给出一套从工作负载反推昇腾训练卡与推理卡的选型方法。
-
第一次搭建大模型知识框架：别从产品名单开始
理解大模型无需先背产品和参数表。本文用数据表示、训练与推理、上下文、能力增强、部署约束和风险边界六组问题，建立一套不易随市场变化而失效的入门框架。
-
谁发现谁、谁信任谁：ANP网络的连接逻辑与落地边界
ANP关注的不是单个模型怎样调用工具，而是不同主体的智能体如何发现彼此、验证身份并交换可理解的数据。本文用信任链视角拆解其流程、风险和适用边界。
-
接口统一之后：MCP系统仍需补齐的架构与安全设计
MCP用标准消息连接模型应用与外部能力，减少每个工具重复适配的成本；协议本身却不会替系统完成授权、信任判断和业务审计。理解主机、客户端、服务器、原语与传输层后，还要为真实部署补上最小权限和人工确认。
-
模型并不会亲自执行函数：工具调用链的状态、校验与权限
Function Calling输出的是结构化调用意图，真正执行、校验、重试和授权仍由应用负责。本文用天气查询案例还原一条可控的工具调用状态机。
