- 博客(89)
- 资源 (13)
- 收藏
- 关注
RSS订阅原创 让 AI 生成个报表界面，功能全对但没人会用——界面生成的设计判断力翻车复盘
OpenAI 发完 Intelligent UI 的当天晚上，我在本地沙箱里搭了个模拟器，让 AI 生成一个"销售运营日报"页面。结果它把「今日销售额」排到了第 6 位，导出报表按钮放在最后一个。功能全对——数据都有、组件类型也都对——但页面就是没法用。复盘走完现象、定位、根因、修复、边界五步，根因收敛为"渐进生成机制先到先得，模型没有全局信息架构规划"，对应官方自己承认的"设计判断力还在提升路上"。
2026-10-08 20:30:00
52
原创 GPT-6 会自己画界面了：从写页面到定规则，前端在 Intelligent UI 时代的新活法
10 月 7 日 OpenAI 把 Intelligent UI 做进了 ChatGPT：GPT-6 不仅能说，还能直接生成可交互界面，官方原话是"软件适应人，而不是人适应软件"。这篇文章从组件库、编译器、渐进渲染三个机制拆开这套智能 UI，再落到一个跟前端切身相关的问题：当界面可以现场生成，前端的活就从"写页面"变成了"定规则"——组件库怎么管、流式渲染怎么接、AI 生成的界面怎么验收。
2026-10-08 20:00:00
74
原创 让 Agent 点界面，比补接口贵 30 倍：computer use 成本实测
我以为"不用给老系统开接口，让 AI 自己点界面最省事"，结果按 computer use 的"截图→坐标→点击"机制把"让 Agent 去老后台导个报表"拆开算了一笔账：同样一个导出任务，账单比"补一个只读接口+两次调用"贵了三十倍。这篇复盘 token 都烧到哪去了——根因是"读数据也要先看图"+“等待变成轮询”，文末附成本护栏和判断标准。
2026-09-30 20:30:00
226
原创 Agents API 支持 computer use 了：让 AI 点界面之前，这笔账得先算清楚
09.29 DevDay 上，OpenAI 把 computer use 正式做进了 Agents API——之前还是"模型能操作界面"的能力演示，现在变成开发者可以调用的 API 能力。但这背后有一笔账：Agent 走"截图→坐标→点击"循环，每一步都在烧 token，成本可能比让 AI 直接调接口高一个量级。本文从官方定价出发，把"AI 点界面"和"AI 调接口"的成本结构拆开算了一遍，给出一张成本对照表和一套决策框架，文末附可直接勾选的检查清单。
2026-09-30 20:00:00
437
原创 Agent 跑了一整天，把开头交代的约定全忘了：上下文压缩下的静默漂移复盘
沙箱演练，不是生产事故。我在隔离沙箱里搭了个假订单后台，让 Agent 批量处理一张很长的订单列表。开头交代的两条约定——金额按分返回、库存字段禁止修改——它跑到后半程全忘了，还按默认习惯继续处理，产出静默错误。复盘走完现象、定位、根因、修复、边界五步，根因收敛为"上下文被自动压缩，早期细节在摘要里丢了"，跟上次导账翻车的"上下文过期"是两码事。
2026-09-28 20:30:00
225
原创 Agent 长会话设计实战：从对话上下文到持久状态，把记忆写进检查清单
GPT-6 官方明确说 persistent agent 能连续干几小时的活，提示缓存命中还能省最多九成的输入 token 成本——成本被官方补贴了，工程问题没人替你解决。长会话里 Agent 的"记忆"分三层：会话状态、工作上下文、跨会话记忆。本文按会话中、会话变长、会话结束三个阶段，把每一层该放哪、该留什么、该丢什么讲清楚，文末附一张可直接勾选的长会话设计检查清单。
2026-09-28 20:00:00
464
原创 AI 写的测试脚本把我接口刷爆了：限流、密钥、测试环境三道门我是怎么补的
在隔离沙箱里让 AI 生成回归脚本，配置一错、循环无节流，服务端三门全开，错误请求一路 200 打进不该进的环境。本文按「现象 → 排查 → 根因 → 复现 → 修复 → 边界」完整复盘这轮演练，根因收敛为环境门、密钥门、限流门三层，每层给可运行代码与真实输出；文末附上线前可勾选的检查清单。
2026-09-22 20:00:00
329
原创 我以为 MCP Server 加了 token 就安全了，结果换个服务照样能调
给 MCP Server 加 token 校验就安全了吗？我搭了两个 Server 做对照实验：一个只验签名、一个还校验 audience（这个 token 是发给谁的），用同一个"签名有效但 aud 指向别处"的 token 分别请求——只验签名的返回 200 放行并建会话，校验 aud 的返回 401 拒绝。输出是本地真实跑出来的。这轮复盘：token 校验不是"收到就信"，是有效、aud、scope 三件事都要对。
2026-09-20 20:15:00
254
原创 MCP Server 别急着上线，官方安全文档里的四件事你对照过没有
MCP Server 从本地 stdio 搬到服务器上之后，“能跑"和"能给别人调"是两回事。官方把授权标成"可选但强烈建议”，我照着规范盘了四件事：鉴权、最小权限、审计、限流，每件都有官方依据和落地动作，文末附一张可直接对照的上线前检查清单。
2026-09-20 20:00:00
200
原创 让 OpenAI 的 Agent 调我的 MCP 工具，它一个都没碰到
在将MCP Server对接OpenAI Agents API的对照实验中，Agent虽未调用工具却自信输出订单发货状态，根源在于工具描述过于泛化，导致在“按需加载”机制下未被选中。本地测试验证：改写描述为“按订单号查询发货状态”后，Agent显著提升调用率。结论：工具描述不仅是供理解，更是检索入口，应聚焦具体使用场景，以提升命中概率。
2026-09-15 20:15:00
311
原创 OpenAI 把 MCP 写进官方示例了：我的 MCP Server 改造笔记
OpenAI Agents API 公开测试，官方示例直接将MCP设为一等公民。需改造MCP Server：接入HTTP传输、配置server_label标识、按“按需加载”重写工具描述。核心变化在于工具描述需具备可检索性，确保Agent在任务中精准调用。本文梳理接入要点与改造清单，助力快速对接。
2026-09-15 20:00:00
374
原创 AI 去后台导个账，它把 A 公司的数据记到了 B 公司名下——一个过期上下文的翻车复盘
Agent在多租户系统中因依赖界面展示而非服务端会话，导致切换租户后仍使用旧orgId操作，引发“文件名属B、数据却为A”的错乱。根因是“错上下文”——将界面显示误认为真实身份。解法是：跨上下文操作前强制核对会话身份，显性化当前租户信息，关键写操作走结构化接口。方案不解决越权问题，但有效保障上下文一致性。
2026-09-11 20:15:00
544
原创 给 AI 看的界面长什么样——Agent 规模化之后，我把后台按这三层适配
OpenAI Agents API 推动后台界面从“人用”转向“Agent用”。本文从感知、操作、反馈三层提出适配方案：感知层用真实 button 与 label 提升可访问性；操作层扩大点击区域至 44px 并拉开间距，避免误触；反馈层通过 aria-busy、loading 和 toast 明确状态变化。高频操作建议增设 MCP/HTTP 结构化通道兜底。附三分钟自检清单，助力后台快速适配 Agent 生产环境。
2026-09-11 20:00:00
209
原创 让 AI 自己去点后台页面，它把我们的库存点没了
OpenAI 说 agent 能操作界面了，我没光看热闹，在隔离沙箱里搭了个假后台，让 agent 自己去批量调价。结果它跑得飞快，对账时发现零星几个商品库存被清零——它把"编辑"点成了"删除"，还把确认弹窗当成了流程下一步。本文复盘完整事故链路，拆三个根因（视觉噪声、上下文缺失、默认猜测），给出三层护栏方案和适用边界。
2026-09-08 20:15:00
515
原创 AI 都要自己点界面了，我们这些做前端的反而机会大了
OpenAI 首席科学家在《An Alien Mind》里明确说，agent 已经能操作计算机和图形界面；GPT-6 Astra 也把 computer use 当成主打能力，还专门演示了"跑前端 QA 检查"。做了十几年 WebView，我的第一反应不是慌，是这行要换活法了。本文从 agent 怎么看界面讲起，给出前端在 Agent 时代的三个新活法：语义层让 AI 看得懂、形态层让人机双轨、治理层让 AI 不敢乱来，最后划清"哪些界面不值得为 AI 重构"的边界。
2026-09-08 20:00:00
418
原创 AI 帮我写了个筛选功能，上线后运营说没有使用数据——它绕过了 service 层
AI 在商品列表页加"只看有货"筛选，代码能跑、联调也过了，上线后运营却查不到任何使用数据。排查发现根因不在埋点，而在 AI 绕过了项目"组件必须走 service 层"的架构约定，直接调了 api，导致埋点、缓存、错误处理全部失效。修复分三步：把调用挪回 service 层、把约定写进 AGENTS.md 规则文件、补录埋点并接受历史数据丢失。核心教训是——隐性约定不显式化，AI 就永远看不到，就会一遍遍踩。
2026-09-02 20:15:00
286
原创 AI 代码上下文工程：四种项目事实写进 AGENTS.md，AI 写的代码少绕过封装、少破坏架构
AI 写代码功能越来越强，难的是写出来的代码"像不像自己人写的"。问题根源往往不在 AI，而在没把项目事实喂给它。本文先拆解 AI 编码时上下文的三块来源，指出"你没给的"和"没检索到的"才是翻车重灾区；再总结 AI 最容易漏掉的四类项目事实（已有实现、架构边界、依赖与版本、约定与风格），并给出三层落地方法：显式引用相关文件兜底、用 AGENTS.md 规则文件治本、靠上下文管理习惯收尾；最后用"复述确认 + 脚本扫描"双保险验证 AI 是否真的看到了约定，并提醒上下文工程不是越多越好。
2026-09-02 20:00:00
645
原创 AI 生成代码翻车实录：导出订单金额全部多了两个零，我查了半天才发现是单位没对齐
导出订单功能上线第二天，运营发现 Excel 里金额全部多了两个零。排查半天，根因是金额在数据库里按"分"存，列表页有除以 100 的换算，而 AI 生成的导出逻辑直接用了原始值。单位这种"隐性约定"没写进需求，就是翻车高发区。附排查过程和修复方案。
2026-08-31 20:15:00
814
原创 AI 代码需求实战：从“一句话需求“到“字段级 Spec“
写 AI 代码需求时，最容易忽略的是"数据长什么样"：字段名、类型、单位、归属、边界。我把需求从"一句话"拆到"字段级 Spec"三层，把 AI 最容易猜错的 4 类信息写清楚，翻车概率明显下降。附 4 类信息清单 + TS interface 和 zod 落地示例。
2026-08-31 20:00:00
947
原创 AI 生成代码越权翻车实录：普通用户能导出全量订单，我复盘了根因
一个"用户导出自己的订单"的接口，上线第二天被安全测试发现普通账号能拉走全量订单。代码逻辑全对、能查能分页能导出，就是没校验归属。根因是 AI 的上下文里根本没有"当前用户是谁、订单归属谁"这两个概念——它以为能查到的数据就是能看的。本文复盘了完整的排查、根因和修复，特别指出一个最容易踩的坑：修复时如果 userId 从前端任何可控位置取（query/header/body），等于没修，身份必须由服务端会话决定。
2026-08-28 09:00:00
661
原创 AI 生成代码安全审查实战：三条信任边界，从“看代码对不对“到“看边界在哪“
AI 生成的代码逻辑全对、能跑、返回正常，但安全测试一测就穿。原因在于安全漏洞不是"写错了"，是 AI 不知道你没告诉它的信任边界——输入从哪来、谁能操作、数据往哪流。本文提出三条信任边界的审查框架（输入边界、身份边界、数据边界），每层给出"AI 生成时的典型漏洞形态 + 审查方法 + 看似修了其实没修的反例"，文末附带可直接复用的安全检查清单和决策表。
2026-08-28 08:30:00
492
原创 AI 写的搜索缓存，同一个关键词不同分类返回了相同的结果——一个缓存键粒度的翻车
一个搜索缓存翻车：AI 写的缓存代码逻辑完全正确，但缓存键只用了关键词没加分类，导致不同分类的搜索结果互相覆盖。根因不是 AI 写错了，是 AI 对"缓存键的粒度"的认知不足——它知道 category 是可选参数，但没把它纳入缓存键。本文记录排查过程、根因分析、修复方案，以及沉淀的"缓存键设计检查清单"。
2026-08-25 09:00:00
692
原创 AI 代码 Review 实战：从看代码对不对到看 AI 懂不懂，我踩了一个坑之后调整了 review 方式
AI 写代码越来越快，但 review 方式不能照搬人代码那套。本文从一次"搜索缓存键粒度不够"的翻车出发，总结了 AI 代码的两种 bug 类型（"写错了"和"不知道"），给出了三档 review 策略（A 档 review 测试链、B 档 review 上下文、C 档逐行 review），以及一套可操作的"三步法"——列出假设、验证假设、修复假设。文末附带可直接复用的 review 检查清单和决策表。
2026-08-25 08:30:00
735
原创 AI写测试翻车实录：测试全绿，上线还是崩了——一个format函数暴露的盲区
一个format函数，AI写的10条测试全部通过，上线后传入null直接报错。排查发现AI生成的测试用例全部基于函数签名推导，只覆盖了"正常输入"路径，没有null/undefined/边界值。根因不是AI蠢，而是AI的测试思维是"乐观的"——它根据"这个函数应该怎么用"来生成测试，而不是"这个函数可能会被怎么用"。本文记录排查过程、根因分析，以及沉淀的"AI写测试检查清单"。
2026-08-20 09:34:13
166
原创 AI 代码测试分层实战：从A档到C档，AI写的代码我这么测
AI写代码越来越快，但"能编译"不等于"行为正确"。前两弹聊了质量防线和信任分级，第三弹补上最后一块——AI代码写完了怎么测。本文按信任等级（A/B/C三档）匹配测试策略：A档纯函数只做类型检查加snapshot，B档业务逻辑AI起草人审断言，C档核心代码人写AI补边界。附可直接复用的测试策略决策表，以及CI配置示例。核心观点：AI代码测试的关键不是"测多少"，是"知道什么时候不测"。
2026-08-20 09:32:01
433
原创 AI 重构代码库翻车实录：200 行死代码被删，上线后老功能没了
我把一个老模块的重构交给 AI，它把 200 行"没人引用的代码"判定为死代码直接删了，单测全绿，我点了合。上线第二天，一个用了好几年的功能开始报错。复盘下来核心原因不是 AI 蠢，而是它判断"有没有人用"靠的是静态扫描，遇到配置驱动 + 动态加载的那批代码，静态分析恰好是瞎子。文章写了我是怎么定位的、怎么修复的，以及后来定的"删除必须人签收"规矩。
2026-08-17 19:00:00
226
原创 AI 代码信任分级实战：从全信到三档，我在哪些代码上敢让 AI 自己跑
AI 写代码到底能信多少？我一开始全信，翻车之后才想明白：难的不是"AI 能不能写对"，是"写错了你知不知道"。文章把我手里的代码按三个维度（出事成本、错误可发现速度、回滚修复成本）分成三档——测试、脚手架、纯函数彻底放手；业务逻辑 AI 起草人必审；支付、权限、事务边界必须人写。附一张十秒决策表和两个边界说明，以及信任分级为什么是相对的。
2026-08-17 18:30:00
453
原创 AI 生成代码翻车实录：数据库回填脚本上线后数据错乱，我的完整复盘
一个 AI 生成的数据库回填脚本，上线跑了一半崩了，因为没做事务包裹导致数据半新半旧，重跑又造成二次事故。文章完整复盘了事故的排查过程、三个翻车点的根因分析，以及修复方案和沉淀的"数据库脚本上线前检查清单"。
2026-08-13 09:00:00
344
1
原创 AI 代码生成质量管控实战：从 80% 生成率到四道防线，我只用了三个月
AI 代码生成把效率拉满，但"能编译"不等于"行为正确"。我用了三个月，从放任 AI 写代码到建起一套四道防线的质量管线——ESLint 风格卡点、架构一致性检查、关键路径行为测试、Semgrep 安全扫描。文章分享了每个阶段的真实踩坑和最后沉淀的"AI 代码质量评估矩阵"，以及在什么场景下这套管线不适用。
2026-08-13 08:45:00
153
原创 端侧模型部署翻车实录：精度对齐失败、灰度范围失控、版本不匹配的教训
端侧模型从 Web 端扩展到移动端，部署上线第一天就翻车了——移动端推理结果和 Web 端对不上。排查三天，发现三个问题：INT8 量化精度没对齐、灰度发布范围失控、模型和代码版本不匹配。每个问题背后都是一类可复用的部署教训，文末附上线前检查清单。
2026-08-07 12:01:12
355
原创 端侧模型多端部署实战：从格式转换到灰度发布，Web 和移动端统一部署流水线
本文分享了从Web端扩展到移动端时遇到的模型推理结果不一致问题及其解决方案。通过搭建统一部署流水线，实现了ONNX模型格式统一、多端推理后端适配（Web端采用WebGPU/WebGL/WASM降级策略，移动端使用原生ONNX Runtime）以及远程配置中心管理的灰度发布。关键优化包括模型格式转换的精度控制、资源泄漏修复和版本对齐，最终使移动端推理通过率从70%提升至与Web端一致的90%以上，同时支持灵活的多端协同更新。
2026-08-07 11:55:18
466
原创 两个Agent同时写同一个Tool，数据被覆盖了——我是怎么用乐观锁修好的
用户反馈"改的配置自动变回去了"，排查发现两个Agent在同一个时间窗口调用了同一个写Tool，一个"读→改→写"操作覆盖了另一个的结果。我试了两种方案——先试了加锁队列，发现太重；最后用版本号乐观锁修好了。本文记录排查过程、两次修复尝试、以及判别什么场景该用哪种锁的决策框架。
2026-07-30 17:09:44
347
原创 三种多Agent编排模式实测：顺序链卡死、路由分错、广播冲突，我是怎么选的
单Agent撑不住复杂任务时，我试了三种多Agent编排模式——顺序编排、路由编排、广播编排。每个模式都踩了坑：顺序编排中间环节超时整条链卡死，路由编排遇到模糊输入两个Agent同时跑浪费算力，广播编排两个数据源返回冲突结果无法合并。最后选了混合编排，按任务类型动态切换模式。本文记录每个模式的具体翻车日志、修复方案、以及最终的选型决策表。
2026-07-30 17:04:44
390
原创 端侧模型量化踩坑之后：我重新想清楚了“快、准、小“只能选两个
当模型量化导致准确率下降15个百分点时，上线还是不上线？本文基于真实踩坑经历，提出了一个分场景决策框架：核心功能谨慎量化、辅助功能可适度量化，但关键在于厘清"用户对不同功能的质量容忍度差异"。文末附可直接复用的量化上线决策清单，助你避开我踩过的坑。
2026-07-27 16:19:36
295
原创 端侧模型量化实战：从 INT8 到 INT4，我把模型体积砍掉一半之后发生了什么
端侧模型体积优化有三个量化等级可选：INT8 适合大多数场景，体积约减半、准确率损失较小；INT4 适合空间极度受限的场景，体积压缩近四分之三、但准确率可能掉 10 个百分点以上；Mixed Precision（混合精度）适合核心功能不可妥协的场景。本文基于 Transformer.js 0.4.3 的实践，给出分模型、分场景的量化等级决策表，以及一套可操作的量化后质量评估四步法，帮你避开“小模型可行，大模型翻车”的坑。
2026-07-27 16:13:30
325
原创 端侧模型上线翻车实录：性能优化做完之后，用户还是不满意
端侧AI模型上线后遭遇三大用户体验问题：1）低端机因流式输出频率过高导致UI卡死，通过requestAnimationFrame节流解决；2）用户误点未加载完成的模型造成白屏，改为加载进度可视化+按钮状态管控；3）用户误将小模型当作ChatGPT使用，通过输入意图判断+预期提示引导。案例揭示技术优化不等于体验优化，需建立端到端思维，文末提供包含6项关键检查点的上线清单，特别强调低端机适配、加载状态管理和能力边界提示的必要性。
2026-07-24 09:22:37
405
原创 端侧模型推理性能优化：从 5 秒到 2 秒，我试了三个层面的打法
本文针对端侧大模型推理延迟问题提出三层优化策略：1) 设备自适应，通过硬件检测自动选择CPU/WebGPU后端，避免低端设备性能倒退；2) 流式输出优化交互体验，将用户感知延迟从5秒压缩至1秒内；3) 混合精度量化平衡计算效率与模型质量。实验显示，Phi-3-mini模型经优化后，中高端设备推理延迟从5秒降至2秒左右，用户留存显著提升。文章结合Transformers.js实战案例，揭示了WebGPU在低端设备可能劣于CPU的反直觉现象，并提供了可复现的性能对比数据与实现方案。
2026-07-24 09:20:41
511
原创 WebView到AI产品，最值得掌握的3个核心能力——从自己产品里总结的能力地图
你一个写 WebView 的，怎么就开始做 AI 产品了？中间补了哪些东西？ 这个问题让我想起 5 月份刚开始做 TLDR Scholar 的时候。那时候我以为前端转 AI 最大的门槛是「学不会 Python」，后来发现自己完全想偏了。Python 可以边写边学，真正卡住我的是另外三件事。
2026-07-20 11:07:11
413
原创 WebView 在 AI 时代的三个被低估的价值——从自己的 AI 产品里找到的答案
前阵子跟一个做 AI 产品的朋友聊天，他看了一眼我的技术栈，很直接地问我：“LLM 和 WebView 八竿子打不着的关系，你是不是技术惯性太大了？”
2026-07-20 10:59:37
195
原创 MCP Client实战翻车记：两个Server同时跑，AI调错了Tool
让一个 Agent 同时调两个 MCP Server。一个查 SQLite 数据库，一个查本地文件系统。Agent 跑了一轮，返回了一个答案。我看着答案觉得不太对，对了一下原始数据——AI 给出了文件系统里的"张三"，但用户问的是数据库里张三的订单记录。
2026-07-13 08:55:53
192
前端面试题全套，包含各类型的面试真题，比如：JavaScript面试真题-210页，ES6面试真题-84页，Vue面试真题-237页，React面试真题-156页等等
2026-05-06
db4o管理工具，适用yap、db、data等数据库文件
2023-03-21
软件工程的试题及答案
2009-01-01
XMLEditor-java源码实现.zip
2021-09-18
计算机算法复习及试题（含答案）
2009-01-05
计算机组成原理试题及答案（2）
2009-01-01
计算机网络（第四版）潘爱明译 课后习题答案
2009-03-07
算法设计与分析复习提纲试题
2009-01-05
计算机组成原理的试题和答案
2009-01-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人