如果你使用过 Cursor、Claude Code 或其他 AI Coding 工具，应该遇到过这样的情况： 同样一个模型，同样一句需求，在一个项目里表现很好，换到另一个项目却经常答非所问。 你让它修改一个接口，它改错了文件；让它增加一个功能，它没有遵守项目现有的架构；明明项目里已经有一个工具类，它却重新写了一套；甚至你已经告诉它某个规则不能违反，它还是会继续这么做。 很多时候，问题并不是模型不会写代码。 而是它不知道足够多的东西。 这也是 Context Engineering 开始受到关注的原因。 如果说 Prompt Engineering 关注的是「我应该怎么告诉模型」，那么 Context Engineering 更关注：为了让模型完成任务，我到底应该让它知道什么？ 这两个问题看起来很接近，但面对复杂 Agent 时，区别会越来越明显。 1. Prompt Engineering 解决什么问题 Prompt Engineering 并没有过时。 在简单任务中，一个好的 Prompt 仍然非常重要。 例如： 请把下面的 方法重构一下： 要求： 1. 保持接口兼容； 2. 降低数据库查询次数； 3. 增加异常处理； 4. 给出修改后的代码。 这里已经包含了任务、约束和输出要求。 对于一次性的文本生成、代码生成、总结、分类等任务，这样的 Prompt 通常已经足够。 但软件开发中的很多任务并不是一次性的。 例如： 给这个项目增加用户注册功能。 这句话真正包含的信息其实非常少。 Agent 要完成它，至少还需要知道： 项目是什么框架？ 目录结构是什么？ Controller 怎么写？ Service 怎么写？ 数据库表在哪里？ Model 怎么定义？ 验证规则是什么？ 异常怎么处理？ 返回格式是什么？ 认证体系是什么？ 测试怎么写？ 哪些代码不能修改？ 如果这些信息没有进入 Agent 的上下文，那么你即使把 Prompt 写得再漂亮，也很难得到稳定的结果。...

最近看到一个新词：Agentic Coding，了解了一下。 近几年，AI 写代码已经从一个新鲜功能变成了开发者日常工作的一部分。 最开始，我们让 AI 补全一行代码；后来可以让它生成一个函数、一段 SQL，甚至生成一个完整的页面。再后来，Cursor、Claude Code、GitHub Copilot 等工具开始能够读取整个代码库、修改多个文件、执行命令和运行测试。 这时候，事情开始发生变化。 以前我们更习惯说： 「让 AI 帮我写代码。」 现在越来越接近： 「把这个开发任务交给 AI，让它自己完成。」 这就是 Agentic Coding 值得讨论的地方。 它并不是简单地把代码生成能力做得更强，而是把 AI 在软件开发中的角色从「代码助手」进一步推向「任务执行者」。 从代码补全到 Coding Agent 最早一代 AI 编程工具解决的问题其实非常明确：预测开发者接下来可能要写什么代码。 开发者输入前面的代码，AI 根据当前文件和上下文预测后面的内容。 这种模式本质上还是： 开发者 ↓ 写代码 ↓ AI 提供建议 ↓ 开发者确认 后来，AI Coding 进入了第二个阶段。 开发者不再需要逐行告诉 AI 怎么写，而是可以直接描述一个需求： 给用户登录接口增加 Refresh Token。 Access Token 有效期 30 分钟， Refresh Token 有效期 7 天， 并增加 Token 刷新接口。 AI 可以生成多个文件、修改已有代码，并根据项目结构调整实现。 这已经不只是代码补全，而是基于任务生成代码。 再往前一步，Coding Agent 开始拥有更多实际操作能力。...

OpenClaw +QQ机器人助手 OpenClaw 适用于任何操作系统的 AI 智能体 Gateway 网关，支持 WhatsApp、Telegram、Discord、iMessage 等。 发送消息，随时随地获取智能体响应。通过插件可添加 Mattermost 等更多渠道。 1. 搭建 OpenClaw 可参考官方文档 ，按需选择适合的安装方式。 如果服务器上安装了1Panel,可以直接从应用商店安装 2. 接入 QQ 1. 申请 QQ 机器人 打开 QQ 开放平台，注册登录，然后创建 QQ 机器人。地址： https://q.qq.com 创建完成后，进入机器人的开发管理页面，找到 AppID 和 AppSecret，复制保存好，等会要用。 还要把你云服务器的 公网 IP 添加到 IP 白名单里，然后保存。 在沙箱配置里给你的 QQ 账号（或者 QQ 群）添加访问机器人的权限： 2. 给 OpenClaw 绑定 QQ 机器人 安装 qqbot 插件 https://github.com/BytePioneer-AI/openclaw-china 远程登录到云服务器上，执行命令来安装 @openclaw-china/qqbot 插件。 openclaw plugins install @openclaw-china/qqbot 安装插件成功后,配置QQ 机器人参数，用之前保存的 id 和 secret ： openclaw config set channels....

LeanNav | 精选开发者导航。nav.leanku.com https://nav.leanku.com LeanNav | 精选开发者导航。 一个简洁的精选开发者导航网站。 旨在整合高质量网站、工具等资源，分享给更多需要的人。 汇集全球优质编程资源、设计素材和实用工具，为开发者提供最高效的上网导航。 如果你感兴趣或者需要分享、建议、反馈… 请邮件联系我： [email protected]

闻言录｜字句成录，回响为闻。 https://www.wenyanlu.cn 闻言录｜字句成录，回响为闻。 一个以诗词、句子为核心的现代数字平台。 大道至简，极简设计。 换一句，多维度推荐 开放收藏、投稿功能 提供开放API 公开服务状态 AI集成 完善中 如果你也喜欢或者有想法、建议、问题等 请邮件联系我： [email protected]

从零到一搭建个人AI知识库 为什么要搭建个人AI知识库？ 电脑里存了几百个文档，却怎么也找不到上周写的那份技术方案； 收藏了无数篇优质文章，等到想用时却像大海捞针。 在这个信息过载的时代，我们每个人都在知识管理的泥潭中挣扎。 AI知识库，正在改变这一切。想象一下：当你需要某个资料时，不用在十几个软件间来回切换，只需在一个搜索框里输入问题，AI就能立即从所有文档中精准定位，不仅给出答案，还会把相关内容整理好放在你面前。 本篇将介绍从零开始，一步步搭建一个属于自己的AI知识库。 一、理解核心概念：什么是RAG？ RAG（检索增强生成，Retrieval-Augmented Generation） 传统的AI大模型（如GPT）虽然知识渊博，但它们有一个致命缺陷：知识是固定的，且可能产生“幻觉”（编造出看似合理但完全错误的信息） RAG的出现完美解决了这个问题。它的核心思想可以形象地理解为“给AI递小抄”——在回答问题前，先从外部知识库中检索出最相关的信息，然后将这些信息连同问题一起“喂”给AI，让它基于给定的材料进行回答。这就像一场开卷考试：AI不再是凭记忆瞎编，而是有参考资料可以查阅。 一个完整的RAG系统包含两个阶段： 阶段一：索引构建（离线） ——把文档“搬进”知识库 加载：读取PDF、Word、Markdown等各种格式的文档 切分：将长文档切成语义完整的小块 向量化：通过嵌入模型将文本块转换成高维数字向量 存储：将向量存入专门的向量数据库 阶段二：检索生成（在线） ——回答用户问题 用户提问 → 将问题也转换成向量 检索：在向量数据库中找最相似的Top K个文本块 增强：将检索结果与问题组合成提示词 生成：AI基于参考资料生成准确回答 这个流程听着复杂，但现在有大量开源工具帮你自动完成这一切。 二、选择工具链 搭建AI知识库，你不需要从零写代码。以下几类工具可以大幅降低门槛： 2.1 大模型（AI的大脑） Ollama + DeepSeek：本地部署方案。Ollama是一个模型管理工具，设计思路类似于Docker，专门针对AI模型进行了优化。执行 ollama run deepseek-r1 就能自动下载并运行模型。数据完全留在本地，隐私无忧。 云API（DeepSeek API、OpenAI等） ：无需本地显卡，按调用量付费，开箱即用。 对于个人知识库，推荐先从Ollama + DeepSeek入手——免费、隐私保护、够用。 2.2 向量数据库（知识的仓库） 向量数据库是RAG系统的核心存储组件。以下是主流选择： 数据库 特点 适合场景 Chroma 轻量级，Python原生，上手最快 快速原型、个人项目 Qdrant 性能优秀（5-8ms），单服务部署简单 中小规模生产项目 Milvus 性能最强（4-6ms），但需3个服务（etcd+MinIO） 大规模、企业级 PgVector PostgreSQL扩展 已有PostgreSQL的项目 个人项目推荐从Chroma或Qdrant开始，资源占用低，部署简单。 2.3 一站式平台 如果你不想自己拼装各个组件，这些开源平台可以一站式搞定： AnythingLLM：开箱即用，支持多种文档格式，可本地部署. Dify：功能全面的开源LLM应用开发平台，支持可视化工作流 FastGPT：国产开源，知识库功能强大，高性能RAG框架 MaxKB：轻量级，知识库优先的垂直解决方案 三、动手搭建：两种路径 路径一：零代码/低代码 步骤1：安装Ollama并下载模型 # 安装Ollama（Mac/Linux） curl -fsSL https://ollama....

在资源有限的情况下，很多开发者通常是单机服务器，那么如何做数据备份就成了一个问题。 数据库备份看起来是一件简单的事情：定时导出数据库，将备份文件上传到对象存储，需要时再下载恢复。 但真正放到生产环境中，会遇到不少问题： 数据库正在写入，直接复制数据文件是否会产生不一致？ 数据库备份文件越来越大，如何减少存储空间和上传流量？ 服务器意外关机，错过的定时任务能否自动补执行？ 备份文件存放在 OSS 或 R2 中，如何保证数据安全？ 备份任务显示成功，是否意味着数据库真的可以恢复？ 本文介绍一套基于 Restic + systemd Timer + 对象存储 的自动化数据库备份方案。 数据库以 PostgreSQL、MySQL 和 Redis 为例，远程存储分别使用 Cloudflare R2 和阿里云 OSS。通过数据库原生工具生成备份文件，再交给 Restic 进行加密、去重和快照管理，最后利用 systemd Timer 定时执行。 这套方案适合单机或少量 Linux 服务器上的数据库备份，也可以作为进一步建设企业备份体系的基础。 一、整体架构与技术选型 1.1 整体架构 整个备份流程分为四个部分： 数据库备份：使用数据库原生工具生成一致性备份文件。 本地暂存：将备份文件写入本地临时目录，并进行完整性检查。 Restic 备份：对备份文件进行加密、数据去重和 Snapshot 管理。 对象存储：将 Restic 仓库保存到 Cloudflare R2 或阿里云 OSS。 整体架构如下： systemd Timer | v 数据库备份脚本 | +------------+------------+ | | | v v v PostgreSQL MySQL Redis pg_dump mysqldump BGSAVE | | | +------------+------------+ | v 本地备份目录 | v Restic +--------+--------+ | | v v Cloudflare R2 阿里云 OSS Restic 仓库 Restic 仓库 这里需要特别说明：Restic 不是数据库备份工具，而是负责备份文件的存储和生命周期管理。...

服务器运行久了，总会积累越来越多的重要数据：网站代码、数据库备份、上传文件、配置文件、日志以及各种业务数据。 这些数据平时可能不会引起太多关注，但一旦遇到磁盘损坏、误删除、服务器被攻击或者系统迁移，能不能快速恢复就显得非常重要。 很多人会使用 tar 打包，再通过 scp 或 rsync 上传到另一台服务器。这种方式虽然简单，但随着数据量增加，会逐渐暴露出一些问题： 每次都要处理大量文件，备份耗时较长。 多次备份会产生大量重复数据，占用存储空间。 缺少统一的历史版本管理。 需要自己编写脚本处理备份保留和清理。 备份文件缺少统一的加密和完整性检查机制。 如果希望有一套更完善的备份方案，可以了解一下 Restic。 Restic 是一款开源、跨平台的备份工具，支持增量备份、数据去重、加密存储和多种存储后端。通过它，我们可以用相对简单的命令，为 Linux 服务器建立一套自动化备份方案。 本文将从实际使用出发，介绍 Restic 的安装、配置、备份、恢复和自动化运维。 一、Restic 是什么？ Restic 是一款使用 Go 语言开发的开源备份工具，支持 Linux、macOS、Windows 等操作系统。 它的设计目标比较明确：让备份过程尽可能简单，同时保证备份数据的安全性和存储效率。 与传统的文件打包方式相比，Restic 有几个比较重要的特点。 1. 增量备份与数据去重 Restic 不会在每次备份时都重新上传所有文件。 它会分析文件内容，将数据拆分成不同的数据块，并通过内容识别和去重机制，复用仓库中已经存在的数据。 例如，服务器第一次备份了一个 10 GB 的目录，第二天只修改了其中一部分文件，那么第二次备份通常只需要保存新增或发生变化的数据块。 这样可以减少重复数据的传输和存储开销。 2. 自动加密 Restic 在保存数据之前会进行加密。 备份仓库中的文件内容、文件名等信息不会以普通明文形式直接暴露。即使备份数据存储在远程服务器或对象存储中，也不意味着存储服务提供商能够直接读取备份内容。 需要注意的是，加密密码非常重要。如果丢失了访问仓库所需的密钥或密码，又没有其他可用密钥，就可能无法恢复数据。 3. Snapshot 快照管理 Restic 使用 Snapshot（快照）记录某个时间点的文件状态。 例如： 周一备份了一次。 周二修改了配置文件，再备份一次。 周三误删了一个目录。 即使当前服务器上的文件已经发生变化，也可以选择周一或周二的快照进行恢复。 这意味着 Restic 不只是保存一份文件副本，还能帮助我们管理历史版本。 4. 支持多种存储后端 Restic 不局限于本地磁盘，可以将备份保存到多种存储位置： 本地目录 SFTP 服务器 HTTP REST Server Amazon S3 MinIO Backblaze B2 Microsoft Azure Blob Storage Google Cloud Storage 其他兼容存储或通过 rclone 接入的服务 因此，我们可以根据实际环境选择备份目标。...

在 Linux 服务器运维和日常开发中，定时任务是一个非常常见的需求。 例如： 每天凌晨执行一次数据库备份。 每隔 10 分钟清理过期文件。 每周定期检查服务器磁盘使用情况。 每天凌晨生成业务统计报表。 定期同步文件、刷新缓存或清理日志。 很多人的第一反应是使用 crontab。它简单、成熟，几乎所有 Linux 运维人员都接触过。 但 Cron 并不是唯一的选择。随着 Linux 发行版逐渐采用 systemd，systemd Timer 也成为一种值得关注的定时任务管理方式。 除此之外，还有 Anacron、at、APScheduler、Airflow、Kubernetes CronJob 等工具，可以满足不同场景下的任务调度需求。 本文将介绍常见的定时任务工具，并重点对比 Cron 和 systemd Timer，帮助你根据实际需求选择合适的方案。 一、常见的定时任务工具有哪些？ 定时任务工具虽然很多，但它们解决的问题并不完全相同。 有些工具负责在指定时间执行命令，有些负责在应用程序内部调度任务，还有一些则负责管理跨服务器的复杂工作流。 按照使用场景，可以大致分为三个类别。 1. Linux 系统级定时任务 这类工具主要用于在 Linux 系统中定期执行 Shell 命令或脚本。 工具 主要特点 适用场景 Cron 基于时间表达式执行周期任务 日常服务器定时任务 systemd Timer 与 systemd 服务管理集成 系统级任务管理 Anacron 支持错过执行时间后补执行 可能长期关机的机器 at 在指定时间执行一次任务 一次性延迟任务 其中，Cron 和 systemd Timer 是 Linux 服务器中最值得了解的两种方案。 2. 应用程序级定时任务 如果定时任务属于某个应用程序，可以考虑使用应用内部的调度机制。...

Vibe Coding 技巧：从 0 到 1 构建一个全栈项目 近年来，Cursor、Claude Code、GitHub Copilot 等 AI Coding 工具快速发展，AI 已经可以参与代码编写、项目分析、测试、Debug 和重构。 Vibe Coding 因此逐渐成为一种新的开发方式。 但 Vibe Coding 并不是“把需求告诉 AI，然后让 AI 把整个项目写出来”。 更合理的理解是： 开发者负责需求、架构、技术决策和验收，AI 负责大量具体的编码和工程执行工作。 核心流程可以概括为： 需求 → 设计 → 拆分任务 → AI Coding → 测试 → Review → Git → CI/CD 一、先建立项目上下文 使用 AI 开发项目，最容易出现的问题是 AI 不理解项目。 因此项目开始时，建议先建立基本文档： project/ ├── docs/ │ ├── requirements.md │ ├── architecture.md │ ├── database.md │ └── api.md │ ├── ....