找到 2318 篇与 技术教程 相关的结果 - 第 18 页
-
新媒体高阶运营增长实战训练 新媒体高阶运营增长实战训练 图片1 课程介绍 针对课程中提到的每一个点，从公号的定位、内容选题、粉丝增长、营销转化到用户管理等各方面，都总结出来了大量特别实用、能落地的工具或者方法。且搭配三节课特有的“魔鬼训练营”模式，每一个方法背后都有高强度的实战训练+助教1V1点评指导，确保每一个人都能拿去实操和获得切实能力提升，而不是听了一堆案例然并卵。 学习地址 百度：https://pan.baidu.com/s/1DFawVMvMbvl5RB8xQEKo_Q 天翼：https://cloud.189.cn/t/q6bI3u7BzERb 阿里：https://www.aliyundrive.com/s/kjXo2MYSwdF 下载后请先检查文件完整性，如有问题请在评论区反馈
-
小白的短视频美感剪辑课程 小白的短视频美感剪辑课程 图片4 课程介绍 小白的短美感剪辑课程是一个专为初学者设计的课程。通过学习本课程，你将了解短剪辑的基础知识和技巧，包括画面剪辑、音乐选择、字幕添加等。我们将引导你掌握如何用简洁而有趣的方式讲述故事，提升你的制作技能和美感水平。作感兴趣的小白加入！ 学习地址 百度：https://pan.baidu.com/s/1_EDO3FRjiFNLPUnrctC5aA?pwd=0xj5 天翼：https://cloud.189.cn/t/36vABbumeQfe（访问码：1wh7） 阿里：https://www.aliyundrive.com/s/1qxLvn6egZw 夸克：https://pan.quark.cn/s/0d870387fcff 下载后请先检查文件完整性，如有问题请在评论区反馈
-
mitmweb在linux上进行反向代理及浏览器中实时查看请求响应 背景 大家好，我是逐日。最近我们做软件测试的同事遇到一些问题，测试app时，网络链路是这样的：app--》后端nginx的ip+端口--》后端服务。一般为了便于定位是前端app还是后端的问题，会使用fiddler、charles等进行网络抓包。常见的方法是这样的：手机和电脑连同一个wifi，保证手机能够访问电脑上的服务（telnet要通）。比如电脑ip：192.168.1.1，fiddler/charles监听8080端口，手机设置wifi的代理为192.168.1.1:8080，这种情况下，fiddler、charles就承担了代理服务器的工作。 问题在于，fiddler、charles基本只能代理http、https类型的流量，对于纯粹的tcp私有协议，那自然是没有办法。 最近，我们这边有两款app，都因为不同原因，不能抓了。 一个app是因为，app发出去的http流量，为了安全，会转换为tcp流量，在服务端的tcp网关，再还原为http流量，然后再传输给后端nginx。链路为： app发出http--》app转换为tcp--》tcp网关（转换tcp为http）--》后端nginx（接收http流量）。 另一个app呢，也是因为安全问题，会将https报文中的body进行加密；服务端呢，是一个openresty（加强版nginx），lua脚本对流量进行解密，然后再发到后端java服务。 这两个的共同问题是，在后端没解密之前，抓到的报文都没法看，对测试同事是很不友好的。我们想要的，就是一个能在图形界面上实时看流量的软件，但明文部分的流量都在linux服务器上。 基于这个原因，最终找到了mitmweb这个linux上的代理软件。 解决方案--mitmweb mitmweb官网：https://www.mitmproxy.org/ mitmweb简易理解，还是和fiddler等一样，就是个代理软件。 一张图解释下我怎么用的，老的链路如下： 技术配图 新的链路如下，将mitmweb接到了nginx的后面： 技术配图 从上图能够看出，nginx拿到的流量，被转发给了mitmweb，然后再由mitmweb转给了java。既然流量都从mitmweb过了，那就相当于一个中间人，那就什么事都能干了，比如像fiddler、charles那样去改请求、改响应等等，都可以。 其实linux上的各种代理软件挺多的，难的是有图形界面可以实时查看经过的流量，而mitmweb就暴露了一个端口出来，可以经过浏览器来查看，大概长下面这样： 技术配图 mitmweb介绍 linux服务器上，能把网络流量进行图形界面展示的，确实是少数，更多的是命令行方式展示的，就像tcpdump那样。 而mitmweb其实也不例外，它还有两个兄弟命令： mitmproxy，命令行方式展示: 技术配图 mitmdump，可以抓包到文件里。 这几个命令的差异，可以看下这个官网文章： https://docs.mitmproxy.org/stable/ mitmproxy，数据都保存在内存里，所以使用它时，流量不要太大。支撑和人交互，实时检查和修改流量。我没用过，可自行探索 mitmweb，数据都保存在内存里，同样，流量不要太大。支撑和人交互，实时检查和修改流量。 mitmdump，不支持和人交互，数据应该是流式的，不会一直存在内存里，支持把流量存到文件里。另外，支持指定自定义的python脚本（类似于hook），对流量进行各种操作。我感觉这个模式比较像xml解析的流式模式。 mitmdump -w outfile 保存流量到文件outfile中。 指定一个脚本，如下脚本会给响应都加上一个header： mitmdump -s examples/simple/add_header.py 另外，这几个命令，支持的平台包括：windows、mac、linux，当然，像在linux上，部分作用对内核会有些要求，具体看官网。 支持的协议 https://docs.mitmproxy.org/stable/concepts/protocols/ http1.0(含https) http1.1(含https) http2(含https) http3(含https) websocket dns tcp、udp四层代理 支持的代理方式 参考：https://docs.mitmproxy.org/stable/concepts/modes/ 常规的正向代理 用于代理客户端。 看官网这个图，正向代理就是说，下图的客户端自始自终，都知道自己要访问的是 http://example.com ，由于一些网络限制或者什么原因，决定经过mitmproxy来进行中转。 技术配图 代理某个软件、某个进程 https://docs.mitmproxy.org/stable/concepts/modes/#local-capture mitmproxy --mode local # Intercept everything on this machine. 本机全部流量 mitmproxy --mode local:curl # Intercept cURL only. 指定进程名 mitmproxy --mode local:42 # Intercept PID 42 only. 指定pid 这个着实有点惊艳，好像是这几年才出的作用，有点类似于proxifier那个付费软件。准备重点试试在windows上的这个功能。 在linux上呢，发现对内核要求有点高，说要Linux 6.8以上，我还以为我们的centos 7也能用上了呢，想多了。 WireGuard 这个模式好像是，mitmproxy 启动后，相当于一个WireGuard VPN server，然后WireGuard client都可以来连了。 这有篇文章：https://www.mitmproxy.org/posts/wireguard-mode/ 好像是安卓手机直接扫码，就能连上了： 技术配图 简易查了下，后续试试： 技术配图 反向代理 类似于nginx了，这就是我这个场景下准备用的。 透明代理 比较复杂，后面研究，反正就是改路由表。 https://docs.mitmproxy.org/stable/concepts/modes/#transparent-proxy tun interface 仅linux可用。 https://docs.mitmproxy.org/stable/concepts/modes/#tun-interface Upstream Proxy https://docs.mitmproxy.org/stable/concepts/modes/#upstream-proxy 技术配图 SOCKS Proxy 正向代理，不过不是http那些协议，而是代理SOCKS5协议。 dns server 作为一个dns服务器，支持dns客户端查询。 linux上安装mitmweb https://docs.mitmproxy.org/stable/overview/installation/ 按官网意思，下载二进制是最推荐的。 https://www.mitmproxy.org/downloads/ 我先选了个最新的版本：https://www.mitmproxy.org/downloads/#12.2.3/ 我看下图也说支持docker等方式： 技术配图 centos 7.9无法运行 [root@year-account-nginx2 mitmproxy-12.2.3]# tar -zxvf mitmproxy-12.2.3-linux-x86_64.tar.gz mitmproxy mitmdump mitmweb 由于缺少glibc_2.18版本，运行失败： 技术配图 由于我的CentOS 7.9 的 glibc 是 2.17，所以二进制是跑不起来的。要跑只能docker跑。 但我决定换一台机器。 open-euler 换了一台open-euler的机器，这个glibc是没问题的。 [root@xxx-openrestry ~]# cat /etc/os-release NAME="openEuler" VERSION="22.03 (LTS-SP4)" ID="openEuler" VERSION_ID="22.03" PRETTY_NAME="openEuler 22.03 (LTS-SP4)" ANSI_COLOR="0;31" [root@xxx-openrestry ~]# ldd --version ldd (GNU libc) 2.34 这个直接可以启动： [root@111-openrestry test]# ./mitmweb [21:33:11.813] Using a plaintext password to protect the mitmweb user interface. Consider using an argon2 hash for web_password instead. [21:33:11.818] HTTP(S) proxy listening at *:8080. [21:33:11.820] Web server listening at http://127.0.0.1:8081/ [21:33:11.870] No web browser found. Please open a browser and point it to http://127.0.0.1:8081/ 可以通过指定--web-host 0.0.0.0来允许ip访问: [root@VM-0-6-rockylinux mitmproxy-12.2.3]# ./mitmweb --web-host 0.0.0.0 [21:49:56.844] HTTP(S) proxy listening at *:8080. [21:49:56.845] Web server listening at http://0.0.0.0:8081/?token=70854dcc18c57019425f836187e88e53 [21:49:56.978] No web browser found. Please open a browser and point it to http://0.0.0.0:8081/?token=70854dcc18c57019425f836187e88e53 [21:49:56.978] You can configure a fixed authentication token by setting the web_password option (https://docs.mitmproxy.org/stable/concepts-options/#web_password). 然后访问，需要输入显示的token： 技术配图 技术配图 上述默认是在正向代理模式下运行的： 技术配图 正向代理 我是在公网云服务器测试，因为就这一台服务器，所以我先弄了个目标服务： [root@VM-0-6-rockylinux ~]# python -m http.server Serving HTTP on 0.0.0.0 port 8000 (http://0.0.0.0:8000/) ... 假设http://1.1.1.1:8000就是最终要访问的后台服务。 技术配图 mitmweb启动命令如下： ./mitmweb --web-host 0.0.0.0 --set block_global=false 假设我们要通过正向代理htp://1.1.1.1:8080来访问http://1.1.1.1:8000 可以这么写： curl -x http://1.1.1.1:8080 http://127.0.0.1:8000 技术配图 反向代理 不停服务，直接可以改： 技术配图 测试：这次没指定代理了： 技术配图 配置保存 但我发现个问题，上述已经改成反向代理了，不过程序关了一重启，又恢复原样，变成正向代理了。 可以这样，先： ./mitmweb --options > /root/.mitmproxy/config.yaml 然后自己再去config.yaml里慢慢改，我主要也就改了下： web_columns: tls icon path method status size time 改成了： web_columns: tls icon path method status size time timestamp web_host: 0.0.0.0 密码： web_password: '11111111' 效果如下： 技术配图 linux上后台多实例运行 我实际是下面这样运行，而且机器上会启动多个实例，多个实例共享配置文件：/root/.mitmproxy/config.yaml 然后这里通过命令行参数指定，这个优先级更高： nohup /root/upload/mitmproxy-tool/mitmweb --mode reverse:http://1.1.1.1:9905 --web-host 0.0.0.0 --web-port 8168 --listen-port 8167 2>&1 & nohup /root/upload/mitmproxy-tool/mitmweb --mode reverse:http://1.1.1.1:9906 --web-host 0.0.0.0 --web-port 8268 --listen-port 8267 2>&1 & 总结 回头再试试其他的代理模式，及https代理之类的。好了，就这。 下载后请先检查文件完整性，如有问题请在评论区反馈
-
OpenAI 研发人员称使用 GPT-6 Astra 模型 请立刻更新 Skills 与提示词 否则会是负优化 使用 GPT-6 Astra 模型 请立刻更新你的 Skill 与提示词 OpenAI 研发人员@pvncher发文，现在的 GPT-6-Astra 越来越强，以前那些强制读全仓、频繁跑测试的 Skills 早就变成拖累上下文的负优化！过去为了让旧模型少犯错加上的规则，现在可能已经过时，甚至开始限制新模型。请重新检查项目里的 Skills、AGENTS.md 和任务提示词。 编程智能体已经取得了长足进步，最佳实践也在迅速变化。过去需求大量人工引导和脚手架搭建的工作，如今已无需如此。 如果过去一年一直在项目中使用智能体，那么在引导模型取得良好成果的过程中，很可能已经积累了大量冗长的指令。每次新版本发布后，都值得重新审视这些既有假设；到了 GPT-6 Astra，这项工作比以往任何时候都更加重要。 这些指令能够采用多种形式，Skill、AGENTS.md 和任务提示词都会影响模型完成工作的方式。 SKill 文件 Skill 文件是其中一种形式，本质上是以 Markdown 文件保存的提示词，有时还会附带脚本。一般而言，它们最适合为仅在特定任务中使用的工作流提供指导，或者说明插件的使用方法。 许多人习惯在项目中下载大量 Skill，但这种做法会带来疑问。每个 Skill 的名称和描述都会加载到模型上下文中，供模型判断何时使用。许多描述过于冗长；Skill 数量过多时，Codex 会开始缩短描述以适应上下文。模型最终只能看到每项描述的一部分，所以更难判断应当选择哪个 Skill。 更糟糕的是，不同描述之间可能相互矛盾，或者具有过强的自我推销倾向，导致模型加载对当前任务并无实际帮助的指令。 如果曾让 Codex 创建 Skill，它很可能使用过 $skill-creator Skill。近期，这项 Skill 的指南经过了多方面更新，以缓解实践中观察到的多种失效模式。 第一，Skill 描述应尽可能简短，同时清楚说明模型应在何时使用它。 明确其适用时机 不佳示例 创建并验证 Postgres 模式迁移。在处理数据库、查询、模型或持久化时使用。 良好示例 创建并验证 Postgres 模式迁移。在添加或修改迁移文件，或审查其部署上线时使用。 示例中的不良 Skill 描述可能会促使模型在接触任何数据库相关内容时都启用它，而合理的触发条件应限定为必须处理数据库迁移的场景。 第二，渐进式披露是判断 Skill 是否实用的关键指标之一。读取 Skill 会占用上下文，使对话更接近上下文压缩，并引入可能与当前任务无关的指导。对于包含多种工作流的 Skill，应将根文档设计为精简的路由入口，由它指向辅助文档和脚本。只需为模型提供足以判断查找位置的指导，无需迫使它读取当前并不相关的内容。 第三，许多 Skill 被写成了细致到逐步执行的流程或操作配方。模型理解细微差异与模糊性的能力已经显著增强，所以，过去能够改善结果的过度具体指导，如今反而可能妨碍模型发挥。 仓库中的 Skill 还会指导其他贡献者使用的智能体，而这些智能体可能采用不同模型。对 Sol 或 Luna 有帮助的指导可能会过度约束 GPT-6 Astra，因此需求考虑这些指令将由哪些模型使用。 AGENTS.md 由于模型在仓库中工作时始终会应用 AGENTS.md，因此应重新审视每条指令，判断当前任务是否仍然需要它。 对于修正拼写错误这样的任务，要求模型在每次编辑前阅读一整套文档或完整的仓库图谱显得过于繁重。GPT-6 Astra 能够自行判断需要阅读哪些内容，无需在每次修改前都被要求审查整个项目。 按任务需求读取相应文档 不佳示例 每次编辑前，都读取 architecture.md、database.md 和 deployment.md。 良好示例 涉及服务边界时查阅 architecture.md，涉及模式变更时查阅 database.md，准备部署时查阅 deployment.md。 要求模型在每次编辑前读取文件，会迅速消耗上下文并拖慢工作速度。根据具体情境指向部分文档仍然有所帮助，同时还应确保这些文档持续保持最新。 以往的模型需要额外提醒才会运行测试并检查工作成果。GPT-6 Astra 会主动完成这些工作，因此沿用相同指令可能导致执行多余的测试。 GPT-6 Astra 工作细致，但在判断任务应推进到什么程度时可能更加谨慎。有时，它需要明确推动，才会持续推进。能够经过 AGENTS.md 明确授权某个已知安稳的具体工作流，例如本地测试套件： 本地测试使用可弃置的测试夹具，无法访问生产环境。请运行这些测试，修复由所请求变更导致的失败，并重新运行受影响的测试，无需在每一步都请求批准。 决策边界 描述操作边界时需要格外谨慎。如果旧模型曾在未经许可的情况下代为执行操作，项目中可能已经加入强硬措辞，要求模型事先征询意见。这类要求可能仍有价值，但 GPT-6 Astra 的判断能力已大幅提高，应当根据这一能力设置相称的边界。它也会严格遵守这些边界，因而可能在用户原本乐于让其继续执行的环节停下。 持久化 习惯了 GPT-5.6 Sol 接到请求后长时间持续执行的用户，可能会觉得 GPT-6 Astra 在判断何时停止方面更为谨慎。它可能在完成第一版完成后便返回请求审查，即使任务仍有后续工作尚待完成。 这正体现了预先定义完成条件的价值。如果任务包括让完成实际运行起来、检查结果并修复失败，就应将这些要求写入请求。要求模型在完成第一版实现后停下来接受审查，会促使它更早结束工作，因此需要确认这一决策是否确有必要。 如果希望模型在第一轮处理后继续探索，应明确说明探索目标以及停止条件。 新模型的发布也是清理项目的好时机。可以让 GPT-6 Astra 根据本文讨论的内容开展一次审计，随后着手构建此前未曾尝试的项目。 OpenAI 研发人员称使用 GPT-6 Astra 模型 请立刻更新 Skills 与提示词 否则会是负优化 下载后请先检查文件完整性，如有疑问请在评论区反馈
-
强大心态自信训练营视频课程 强大心态自信训练营视频课程 图片1 课程介绍 在人生的旅途中，我相信大家都想要成为一个“强大”的人，向往自己能强大以后不会被受欺负。那么如何才能让自己变成一个强大的人呢？真正强大的人会有非常强大的心态，这样的人是无坚不摧的，“强大”的人不会被任何事情打倒，因为“强大”的人内心很坚韧，他们都很会承受生活的苦难。然而真正“强大”的人，都会拥有这三种心态。让我们一起来看看吧。 学习地址 百度：https://pan.baidu.com/s/12Y40j3fWp-jSBd_8j4r7vQ 天翼：https://cloud.189.cn/t/iIBjUnERny6v(访问码:t8hd) 阿里：https://www.aliyundrive.com/s/9x7LdcUT1H4 夸克：https://pan.quark.cn/s/2bd1b9312d85 下载后请先检查文件完整性，如有问题请在评论区反馈
-
每天8分钟小白英语入门课 每天8分钟小白英语入门课 图片1 课程介绍 开口说英语完全没自信，是不是以为自己天赋不够？为什么背了那么多单词，还是不能用英语流畅对话？纯正的英语发音，幽默的学习方式，雅思达人教你不再害怕张口说英语！每天8分钟，小白都能听得懂学得会，并且用得上的英语课！ 学习地址 百度：https://pan.baidu.com/s/1_YyyufoyUe8P1XcgwQZIyA 天翼：https://cloud.189.cn/t/f6FVv2Aj6Vfa 阿里：https://www.aliyundrive.com/s/odLePdeoiM7 下载后请先检查文件完整性，如有问题请在评论区反馈
-
王朝阳：插画中的色彩与光影 王朝阳：插画中的色彩与光影 图片1 教程介绍 结合理论知识与案例实操讲解，循序渐进带你掌握色彩基础与光影运用，从色彩要素等基础知识，到作品的大色稿铺设、质感细节刻画和光影氛围营造，解析插画创作流程与思路，并演示大色稿的铺设、细节刻画的方法！ 学习地址 百度：https://pan.baidu.com/s/1Hx-QoFSzQwROPj9q4IbrzA 天翼：https://cloud.189.cn/t/nQ7rAjmaeAZr 微云：https://share.weiyun.com/jz6Taw9A UC：https://www.yun.cn/s/1d508d000b42414699d42fca51a26c94 文件信息 文件大小: 6566483238 字节 MD5: 22B55F4D4E96309B9B1938C3B84CD5C4 SHA1: F3255E57B93C017C43B332A843EF6452C9ED60FB CRC32: C46786A5 下载后请先检查文件完整性，如有问题请在评论区反馈
-
数据结构与算法365天特训营 数据结构与算法365天特训营 图片1 教程介绍 平时工作你是否只能增删改查粘贴复制？因为没系统学过算法导致稍有逻辑的业务代码根本没有思路而严重限制了职业发展？非科班半道出家？在校期间因为水过了算法课而后悔？面试考算法却怎么都过不了？都没关系，现在机会来了！ 学习地址 百度：https://pan.baidu.com/s/1PiwwK4NPh3useV_ZgKlqEQ 天翼：https://cloud.189.cn/t/i6bqyuqym6Br 微云：https://share.weiyun.com/kgtvJhO9 UC：https://www.yun.cn/s/cb3a663e52ab479a94c3c963760d1a85 下载后请先检查文件完整性，如有问题请在评论区反馈
-
室内设计行业基础到进阶实战 室内设计行业基础到进阶实战 图片1 教程介绍 涵盖室内设计行业实战课的课程实训以及其他相关课程，让你从小白入门，2个月达到上岗就业。先从AutoCAD以及3DMAX的应用入门，从而依靠软件熟练加强设计图的制作能力，使得室内装饰材料与施工应用的得心应手！ 学习地址 百度：https://pan.baidu.com/s/1V7mVrTTd0z77E04NF4w9EA 天翼：https://cloud.189.cn/t/qAfam232aMVb 微云：https://share.weiyun.com/807RpABq UC：https://www.yun.cn/s/6f7a793e6294427395854a2653d4f5df 文件信息 文件大小: 18570928457 字节 MD5: 64545B4F495408EFEE6D1D1295CA44DE SHA1: A38BBE2448F831C9B293C30A0124B4D788BDFFA4 CRC32: 081BBC44 下载后请先检查文件完整性，如有问题请在评论区反馈
-
AI Coding 蜜月期之后，我们重新思考了 AI 提效 Google CEO Sundar hai 在 Cloud Next 大会上透露，公司新产生的代码中已有 75% 由 AI 生成，而六个月前，这个比例还只有 50%。OpenAI 里普通工程师的 AI 使用已经大部分转向了自研的 Codex；如今这部分工程师约 99% 的输出 Token 都来自 Codex，人工敲键盘的角色已经被压缩到近乎象征性。 光从这些数字看，AI 的代码生成能力似乎已经超越大部分工程师。 我们自己深度使用 AI Coding 半年下来，最开始也是这个感觉——直到真正把它放进企业系统里跑起来，才发现代码生成变快之后，露出来的是一堆过去被“写代码慢”这个瓶颈掩盖住的疑问。 这篇文章想聊的，就是我们在实践里踩过的坑，以及从中总结出来、觉得值得参考的几个结论。 一、与 AI Coding 的蜜月期 过去两年，AI Coding 的进展可能超出了很多人的预期。 从代码补全，到能够理解需求、搜索资料、分析代码、制定方案，再到自主修改代码、编写测试、运行验证，Coding Agent 已经开始从“辅助工程师写代码”，走向承担完整的软件开发任务。 我们自己也经历了一段明显的“蜜月期”。 过去，一个中型研发需求从接手到首次看到 Demo，往往要经历需求分析、代码阅读、技术调研、方案设计、内部讨论和实际开发。即便需求本身不复杂，从真正开工到见到结果，通常也需数周。 而在使用 Agent 后，这一过程被压缩到完全不同的尺度——一两天内完成需求理解、资料搜索、方案调研、代码设计、功能开发和测试，甚至一次性产出 2～3 万行 C++ 代码。有些相对独立的疑问，几小时甚至一两个小时就能得到完整结果。更令人印象深刻的是，它不只“写代码快”，还能先给出一套看起来相当专精的解决方案，再交由工程师判断是否采用。 这种体验很容易让人产生一种判断：既然 AI 已经能够完成这么多工作，那么软件研发是不是很快就会进入一个新的阶段——人负责提出需求，AI 负责完成完成？ 但真正进入生产环境之后，我们很快遇到了一个让我们重新思考这个问题的案例。 二、半天写完的功能，为什么卡了两周？ 前不久，我们希望让 DolphinDB 的部分 Join 算子支持跨时间分区计算。用户通常按交易日分区存储数据，以便分布式执行。但对于加密资产这类 7×24 小时连续交易的场景，交易数据不再天然以自然日为边界，跨天、跨时间分区的计算需求越来越常见，所以我们决定补齐这部分能力。 这个需求交由当时最新一代 GPT 模型驱动的 Agent 处理。 结果相当惊人：不到两个工作日，Agent 基本完成了从分析现有代码、理解需求、设计方案，到编写功能、补充测试、生成设计和使用文档的完整流程。初步测试也未发现明显问题。 按照传统研发流程，这类需求涉及底层执行逻辑、分区机制和多个 Join 算子，人工开发往往需要数周甚至更久。Agent 将这一过程压缩到了不到两个工作日。当时我们的第一反应不是怀疑，而是兴奋——AI Coding 的效率确实令人震惊。 但随着测试范围扩大，新的问题开始出现。 这些问题并不简易是“代码写错了”。Agent 对需求的理解基本正确，算法设计也没有明显问题。真正的问题在于，它并没有完整掌握几十万行代码背后那些分散的技术约束：哪些分区方式存在特殊限制，哪些数据类型尚未支持，哪些能力只存在于 SQL 层而函数式接口尚未完成，以及哪些历史遗留限制会影响新功能。 最终，测试阶段发现了若干大类、几十个预期外问题。 这次经历并未让我们降低对 AI 的判断，反而让我们更确信：AI Coding 已足够强大，真正值得重新思考的是——当代码生产速度大幅提升后，企业的软件研发体系应如何改变？ 我们后来逐渐形成了三个较为明确的认识。 三、效率的幻象——AI 提速之后，暴露的三个问题 问题一：代码生产提速了，交付却没有同步提速 一个需求从提出到上线，远不止编码。需求分析、方案设计、开发、Review、测试、发布，每个环节都可能是瓶颈。过去编码占用大量时间，提升编码效率收益明显；但 Agent 能在几小时内完成过去数周的工作后，其他环节的重要性迅速上升。 若 AI 将开发从五天缩至一天，但 Review 仍需两天，测试仍需三天，发布仍需两天，整体周期不会缩短五倍。甚至可能出现相反情况：AI 产生更多代码和 PR，Review 和测试工作量增加，原本不突出的环节成为新瓶颈——这正是阿姆达尔定律在软件工程中的体现。 我们看到的“两小时写完，后续几周解决问题”，许多时候并非 AI 写错，而是复杂系统中修 Bug 往往是在补充原有架构和能力的缺失。局部功能可快速完成，但要进入复杂生产系统，涉及的依赖、验证和兼容性远超功能本身。 所以，AI Coding 下一阶段的关键不是让 AI 写得更快，而是让整个交付链路能承接这种速度——Code Review、自动化测试、CI/CD、发布和运维，都需逐步进入 AI 驱动的工程体系。 问题二：AI 最大的障碍，不一定是幻觉，而是不了解企业 使用 AI 优化功能的经历让我们重新审视“AI 为何在复杂老系统中出错”这个常见问题。 最容易归因的是“幻觉”，但我们的感受并不完全如此。Agent 找到的资料、分析的结构、设计的方案可能都合理，问题在于这些信息往往只是系统事实的一部分。一个运行多年、数十万行代码的软件，真正约束不会全写在架构文档里——它们藏在历史接口实现、异常处理逻辑、事故后遗留的保护代码，或团队默认的规则中。人类工程师虽未必一次性看清所有，但至少知道“哪里可能有坑”，知道该问谁、重点检查什么。 Agent 则不同，它像一个能力很强但刚入职、未受公司培训的新人。给它独立的新系统（如内部新模块，无历史债、架构清晰），它能表现出色；但进入运行多年的大型系统时，面对“分区”“别名”等看似普通的功能，背后却可能存在大量历史代码和技术债。Agent 能理解一部分，却难以保证已覆盖所有隐藏约束。 所以，我们越来越认为，企业 AI Coding 的核心问题，不是简易增加 Token、文档或 Context Window，这已经不只是 Context Engineering，而是走向了更广义的 Environment Engineering。 问题三：AI 越会写代码，越容易重新造轮子 代码生成日益廉价后，“重新实现一遍”会变得异常容易。但企业真正稀缺的从来不是代码本身。 一家运行多年的科技公司，真正沉淀的是数据库、计算引擎、中间件、内部 SDK、业务组件，以及围绕它们形成的大量生产验证能力。熟悉技术栈的工程师默认会复用这些能力——遇到数据处理，不会重写数据库；需要复杂计算，调用已有引擎；需要业务能力，寻找现成组件。 而对 Agent 来说，如果这些能力没有被显式暴露出来，它很可能根本不知道企业已经拥有它们，于是转身就把轮子又造了一遍。 四、从 AI Coding 实践中得到的三个结论 在深度使用 AI Coding 之后，我们的感受并非“AI 不过如此”，反而是越来越清晰地意识到：AI 的能力已经足够强大，强大到足以实质性改变软件开发的生产方式。然而，恰恰是 AI 越强，越让我们看清一个本质问题——代码从来只是软件生产中的一个环节，而企业真正需要提升的，也远不止写代码这一件事。 从我们的实践来看，至少有三个结论值得重新思考。 从 Coding Efficiency 走向 Delivery Efficiency AI Coding 最容易被量化的，是代码生成量、Token 消耗、PR 数量和开发耗时。但这些指标，并不天然等同于企业真正关心的业务结果。 试想，如果 AI 让一位工程师一天开出十个 PR，而代码审查、测试和发布流程依然只能消化两个，那么企业得到的就不是十倍的交付能力，而是八个堆积在队列中等待处理的 PR。 因此，AI Coding 的 ROI，最终还是要回归到端到端的软件交付效率。这意味着，企业必须同步升级自动化测试、代码评审、CI/CD 流水线、发布策略和质量验证体系，让 AI 生成的代码产能，真正转化为可交付的软件成果。 简而言之，AI Coding 解决的是“生产代码”，而企业需要解决的，是“消化代码”。 建设 Agent 可理解的工程环境 当 Agent 面对一个复杂的企业系统时，问题往往不是它完全不会，而是它无法掌握那些分散在代码、文档和人员经验中的隐性约束。 企业需要重新梳理自己的工程环境，让架构更清晰、组件更可发现、知识更易检索、历史经验可复用、工程规范可表达、工具可调用，同时让权限边界对 Agent 透明。这些过去是为了便捷人的协作，现在同样决定了 Agent 能否真正工作。因此，我们认为企业需要建设的已经不只是传统意义上的 Context Engineering，而是一套更完整的 Agent Engineering Environment。 这也是我们做 DolphinX 时比较核心的考虑。 DolphinX 并不是简单地给企业增加一个 Coding Agent，而是试图为 Agent 提供进入企业软件环境所需要的完整条件：知识能够沉淀和检索，重复性的工作能够封装成 Skill，历史交互可以形成 Memory，企业已有能力可以经过 MCP 等机制被调用，同时用户身份、权限和执行过程也能够纳入统一治理。 这样，Agent 面对一个企业系统时，不再需要每次从零开始理解，也不需要把企业已有的知识和能力重新复制一份到外部 AI 系统中。 过去是工程师适应企业的软件环境；AI 时代，我们还需要让软件环境能够被 Agent 理解。 基础设施是 AI 的杠杆，不是替代品 AI 并不会因为能够生成 Python、SQL 或其他代码，就自动取代数据库、计算引擎、中间件和业务系统。PB 级数据仍然需要数据库存储和查询，复杂数据处理仍然需要专精计算引擎，实时数据仍然需要流处理，不同系统之间仍然需要可靠的数据服务和中间件，权限和审计也仍然需要由企业的治理体系负责。 AI 更适合做的是理解用户意图，然后选择和组合这些已经存在的具有确定性的能力。 以 DolphinDB 为例。它在金融、能源、工业等场景中经过了多年生产验证，沉淀了完善的数据模型、计算函数库、流处理框架和分布式执行能力。这些能力不是几行代码可以替代的——它们是企业在真实业务中逐步打磨出来的基础设施。Agent 不需要也没有必要去“重新实现”一个计算引擎，它只需要知道这些能力存在、理解如何调用它们，然后把精力放在理解用户意图和组合已有能力上。 写在最后：当代码不再是壁垒 如果代码本身正在变得廉价，那工程师的稀缺性在哪里？ 答案或许和直觉相反：人的价值不会消失，只会转移。当实现越来越便宜，判断、架构、经验和责任就会越来越贵。所以，AI 时代需要升级的不是 Coding 能力，而是整条软件生产体系——让 AI 承担更多“实现”，让工程体系承担更多“约束”，让基础设施承载更多“确定性”，而把人解放出来，去做真正需要判断和负责的事情。 未来的竞争，不属于写代码最快的 AI，而属于工程环境更好、基础设施更强、业务理解更深的人。 下载后请先检查文件完整性，如有问题请在评论区反馈
-
爆单学院8.0孵化体系运营稳定账号 爆单学院8.0孵化体系运营稳定账号 图片1 课程介绍 《爆单学院8.0孵化体系运营稳定账号》课程旨在帮助学员学会运用各种技巧和社交工具来推动爆单学院8.0孵化体系运营稳定账号的发展，有效构建社群，不断调整策略，拓展市场，增强企业影响力。课程内容包括如何“洞察”用户如何设计营销策略、如何让用户体验最佳等。课程将深入讲解爆单学院8.0孵化体系的学习心理，以及孵化体系本身的运营技术来指导学员提高爆单能力 学习地址 百度：https://pan.baidu.com/s/1WxLgTZ9WclY7WGYznr2Kyg?pwd=2qqm 天翼：https://cloud.189.cn/t/U73aAzaMvmYv（访问码：6bgx） 阿里：https://www.aliyundrive.com/s/NdTCRsA9SJe 夸克：https://pan.quark.cn/s/7b6a0e7a5daa 下载后请先检查文件完整性，如有问题请在评论区反馈
-
motioner精通3D的关键美学 motioner精通3D的关键美学 图片1 课程介绍 学习AE合成，将湖面光影与材质进一步雕琢，更带你讲画面贴近真实自然！并详情讲解合成通道如RGB Matte、Z Depth等实战妙用的核心技巧！让你再未来面对客户、导演的建议修改时，更有效率的调整画面，专注享受创作！ 学习地址 百度：https://pan.baidu.com/s/1Mx5jGFf9WCxjzqBr2-9fww 天翼：https://cloud.189.cn/t/VFraMjjYVbau 阿里：https://www.aliyundrive.com/s/JN5Z9HhAxuJ 下载后请先检查文件完整性，如有问题请在评论区反馈
