- 博客(242)
- 收藏
- 关注
RSS订阅原创 【大模型】Agent 安全防护设计
摘要： Agent安全涉及防范智能代理（具备工具调用、长期记忆、自动执行等能力）的多维威胁，如提示词注入、工具层注入、数据外泄等。企业需构建六层防护架构：1）Prompt隔离层（指令不可覆盖）；2）工具沙箱（白名单限制）；3）权限系统（RBAC/ABAC）；4）Memory隔离（数据脱敏）；5）执行审批（高风险操作人工确认）；6）输出过滤（敏感内容检测）。主流框架通过策略（如OpenAI的JSON约束、Anthropic的安全指令优先级）增强防护，企业需按基础级（如日志审计）、进阶级（如沙箱）、高阶级（如红
2026-03-23 14:54:54
215
原创 【大模型】简单介绍现在最火的openclaw具体架构
OpenClaw内置Headless Chrome，通过 Chrome DevTools Protocol (CDP) 实现点击、输入、滚动、截图、抓取DOM，能力包括自动填表、自动登录、自动抓数据、自动操作网站。保存用户信息、任务结果、经验总结；OpenClaw默认四个核心工具：read、write、edit、bash，即读文件、写文件、编辑代码、执行命令；每个 Agent 有独立配置：agent_config、system_prompt、model、tools、channels、memory。
2026-03-09 20:42:47
681
原创 【大模型评测】Demystifying evals for AI agents原文
摘要： 本文探讨了AI智能体评估的挑战与方法。智能体的自主性和灵活性使其评估变得复杂，但有效的评估能提前暴露问题，提升产品信心。评估方法包括单轮与多轮测试，结合代码、模型和人工评分，针对不同智能体类型（如编程、对话、研究）设计特定评估策略。关键步骤包括定义明确任务、构建平衡问题集、设计稳健评估框架，并结合多种评分方式。评估应贯穿智能体开发全周期，早期投入可加速迭代，避免后期被动修复。文章还介绍了评估框架工具，强调任务质量比工具选择更重要。
2026-03-06 18:11:39
424
原创 【大模型】如何写一个Agent ？
本文系统介绍了智能Agent的实现原理与应用实践。首先阐述了Agent的核心概念（感知-决策-行动-记忆循环）和基础架构（LLM+记忆+工具集）。然后详细讲解了ReAct模式及其Python实现，展示了如何通过交替思考与行动完成任务。进阶部分介绍了使用LangChain快速构建Agent的方法，以及自主规划型Agent（AutoGPT范式）的实现思路。文章还提供了智能助手Agent的完整架构设计，包含记忆管理、任务调度等模块，并演示了多场景应用示例。最后总结了关键设计原则（工具可靠性、提示词清晰等）、常见问
2026-03-06 16:24:00
200
原创 【大模型】系统级智能体（System-Level Agent）概述
系统级智能体（Agentic AI）是基于大模型的自主智能代理，能够主动规划、分解和执行复杂任务。其核心架构包括推理引擎、内存机制、调度模块和执行者等组件，通过多智能体协作实现任务处理。相比传统工具链，系统级智能体具备自主性、协同能力和长期记忆等优势，已应用于自动化编程、数据分析等领域。代表性系统包括Auto-GPT、BabyAGI等，采用不同协作策略。尽管面临稳定性、安全性等挑战，但未来将向人机协作、跨模态集成等方向发展。开发建议包括模块化设计、数据准备和监控机制等。
2026-03-06 14:15:43
412
原创 【大模型】OpenClaw 如何实现自动构建、代码检查、自动部署
OpenClaw是一个基于LLM的任务执行系统，其核心原理是让AI理解任务后调用系统工具执行操作，而非直接部署。系统采用ReAct模式循环：LLM解析指令→规划步骤→调用工具（Shell/API/Git等）→处理结果→判断后续操作。它能自动完成项目构建（如执行pip/npm命令）、代码检查（结合linter工具分析）和部署（运行脚本/Docker/CI）。关键技术包括Shell执行、文件访问、Git控制和任务规划器。这种架构让AI获得终端操作权限，存在潜在安全风险（如恶意命令执行），因此需谨慎部署。整个系统
2026-02-28 17:19:45
1026
原创 【大模型】上下文缓存机制到底是什么？
上下文缓存机制（KVCache）通过存储Transformer模型中已计算的Key和Value张量，避免重复计算历史token的attention结果，将复杂度从O(n²)降为O(n)。该技术在多轮对话、长文本生成等场景能显著提升推理速度、降低计算成本，但仅在当前会话内有效，不改变模型的最大上下文长度限制。与长期记忆系统不同，上下文缓存是纯粹的推理优化机制，通过重用中间计算结果来加速响应，而不会跨会话保留信息。随着上下文增长，缓存会占用更多显存，但对模型能力本身没有增强作用。
2026-02-28 17:12:12
497
原创 【大模型】Claude code的原理是什么？Anthropic 的 Claude Code 原理解析
ClaudeCode是Anthropic推出的智能编程代理工具，通过整合大语言模型与工具调用能力实现自动化编程。其核心架构包含五层：用户指令→Claude模型推理→代理决策→工具调用→执行反馈，形成闭环循环。关键技术包括：LLM决策引擎、结构化工具调用（文件读写/终端执行等）、多轮代理循环、智能上下文管理（压缩历史/工作记忆）以及沙箱执行环境。与普通聊天模型相比，ClaudeCode具备文件操作、终端执行和项目状态维护能力，实现了"思考-执行-反馈"的编程闭环，而非单纯回答问题。该技术融
2026-02-28 16:49:03
1600
原创 【大模型】现在最火的OpeClaw是什么东西？
OpenClaw是一个开源的 AI 代理系统，本质上是一个可以“替你执行任务”的 AI，而不仅仅是回答问题的聊天机器人，它的特点包括：(维基百科自动执行任务：可以管理邮件、日历、浏览网页、运行脚本、处理文件等，而不需要每一步都手动确认。本地运行（自托管）：软件运行在自己的电脑或服务器上（macOS、Windows、Linux 都支持），而不是在云端服务器完全控制。集成聊天平台：可通过 WhatsApp、Telegram、Discord、Slack 等 IM 平台下达指令或与其互动。扩展能力强。
2026-02-28 16:29:54
1922
原创 什么是认知科学？
认知科学是一门研究心智如何工作的跨学科科学，核心是探索人类感知、记忆、思维和意识的运作机制。它融合心理学、神经科学、语言学、计算机科学等六大支柱学科，经历了行为主义、认知革命和连接主义三个发展阶段。认知科学提出了计算主义、连接主义和具身认知三大理论模型，其研究成果已广泛应用于教育、AI、医学等领域。经典实验如"7±2"记忆法则揭示了人类认知规律，而前沿问题如意识计算化仍在探索中。该领域通过多学科交叉，持续深化对人类心智本质的理解。
2026-02-26 18:39:19
1005
原创 【大模型评测】模型评测QA问答
模型评测的核心目标是评估模型在真实场景下的可控性，而非单纯追求指标提升。评测需关注三大关键点：1）构建包含ID/OOD和多轮对话的测试集，通过方差分析和尾部分位数评估稳定性；2）指标设计要区分能力问题和风险问题，设置分维度门禁和一票否决规则；3）评测结论应明确模型能力边界和风险场景，为上线决策提供依据。当线下指标与线上体验出现矛盾时，往往反映评测未覆盖用户敏感点，需引入行为指标和风险阈值来优化评测体系。最终目标是通过系统性评估，实现风险可控的模型部署。
2026-02-10 11:09:46
368
原创 【大模型评测】模型学会「安全但偷懒」的策略，这是模型变差了吗？
文章摘要：模型表现下降需区分能力退化与策略调整。能力退化指模型无法完成原本能做的任务，而"安全但偷懒"是模型为规避风险主动选择保守策略。典型案例显示，客服模型为避免错误转向简单回答，考试策略调整也同理。关键判断标准是：强制回答时若能完成，则属策略变化而非能力下降。区分二者需通过强制测试、解除风险约束等方法，观察模型在能力释放条件下的真实表现。
2026-02-10 10:58:29
257
原创 【大模型评测】线下指标很好，线上用户体验变差，不是模型退化了，是评测错了。怎么理解？
摘要：模型评测结果与线上表现不符时，往往不是模型能力退化，而是评测体系设计存在问题。常见评测错位包括：指标奖励投机行为（如Accuracy上升但满意度下降）、评测维度与用户需求不匹配（如只测答题能力而非实际效用）、数据分布偏差（评测集过于理想化）、忽视尾部风险（平均分掩盖严重问题）、未测稳定性（忽略随机性影响）以及混淆模型与系统评估。有效评测应关注用户真实需求、风险场景和系统稳定性，而非单纯追求指标提升。当出现线下高分与线上体验不一致时，需优先检查评测设计是否准确反映了真实场景。
2026-02-09 20:47:04
720
原创 【大模型评测】模型评测（Model Evaluation） / AI Quality / Eval Engineer 岗位区别
文章摘要：模型评测、AI质量和评测工程师三个角色各司其职：模型评测关注模型能力提升（构建数据集、设计指标）；AI质量把控用户体验与风险（错误分级、上线策略）；评测工程师确保评测可靠性（自动化流水线、版本管理）。三者形成研发流程闭环，分别回答"模型强不强"、"能不能用"和"评测是否可信"三个关键问题。职业发展可向算法研究、质量管控或工程平台三个方向延伸，大模型评测需综合这三方面能力。
2026-02-09 20:25:19
415
原创 【大模型评测】怎么做稳定性评测及可复现？
模型稳定性评测是确保线上可靠性的关键。通过重复采样（Bootstrap、子集采样、Prompt扰动）获得分数分布，分析均值、方差及分位数（如P5/P95）。稳定性标准要求Std<0.03且P5不低于基线3%。同时必须保证可复现性：固定随机种子、数据版本化管理（记录样本量/来源/过滤规则）。上线需满足N≥30次测试，固定数据版本和种子，并通过所有稳定性指标检验。这种量化评估方法能有效避免线上"翻车"风险。
2026-02-09 20:14:36
374
原创 【大模型评测】如何判断什么时候该扩数据 / 改指标 / 限功能？
摘要：线上AI模型问题可分为三类：能力不足需扩数据（错误稳定可重复）、指标错位需改指标（线下指标与用户体验不符）、风险不可控需限功能（低频高危错误）。决策流程应依次判断：错误是否可复现→指标是否真实反映价值→失败代价是否可接受。扩数据要针对性补充案例，改指标需引入用户行为维度，限功能则要隔离高风险场景。核心原则是：评测不是帮助模型上线，而是防止模型在不该上的地方上线。（149字）
2026-02-09 17:45:21
443
原创 【大模型评测】为什么：线下高分 ≠ 线上稳定？
摘要：模型线下高分与线上稳定存在本质差异，原因包括：1)数据分布变化（ID≠OOD）；2)线下平均指标掩盖线上极端错误；3)用户交互改变输入分布；4)线上错误会引发连锁反应。评测应遵循四大原则：关注尾部风险而非均值、加入OOD测试、重视多轮一致性、设置安全门禁。核心在于通过评测限制模型的最差表现，而非单纯追求高分。线上稳定性要求模型在真实复杂场景中不"翻车"，这比模拟环境下的优异表现更具实际价值。
2026-02-09 16:28:06
312
原创 【大模型评测】模型评测 / AI 测试岗位的核心能力都有什么？
本文系统梳理了AI模型评测能力的五个进阶层次：1）基础指标认知（准确率等指标的正确使用）；2）评测方案设计（数据集构建与指标体系）；3）泛化能力评估（识别分布变化与风险）；4）工程化实现（自动化评测系统建设）；5）风险决策（将评测转化为商业决策）。文章强调评测的核心价值不在于分数本身，而在于通过分层能力建设，准确预判模型在实际应用中的风险，最终实现从技术指标到商业价值的转化。每个层级都列举了典型能力要求和常见误区，为评测工程师的成长路径提供了清晰框架。
2026-02-09 16:17:19
655
原创 【大模型评测】从模型评测角度 介绍 主成分分析（PCA）和探索性因子分析（EFA）
摘要：主成分分析（PCA）和探索性因子分析（EFA）是两种常用的数据分析方法。PCA是一种数学降维技术，通过线性变换将多个相关变量压缩为少数综合变量，保留最大方差信息，适用于模型评测等工程场景。EFA则是一种统计建模方法，通过分析变量相关性识别潜在因子结构，适用于探索用户行为背后的心理机制。实际应用中可结合两者优势：先用EFA分析问题维度（如内容质量、交互体验等），再用PCA生成综合评分用于决策。这种组合方法既能解释用户需求，又能实现高效量化评估，适用于构建多层次的模型评测体系。
2026-02-09 15:23:24
1091
原创 【大模型评测】多轮对话数据集怎么构造？
多轮对话数据集是大模型评测的核心，它能全面评估上下文理解、状态记忆、目标坚持等关键能力。评测应聚焦1-2个核心能力，采用标准结构记录元信息。主流构造范式包括状态递进型、约束保持型、纠错型和目标驱动型。难度可通过轮数、信息密度和干扰方式调节。标注需关注行为而非答案，避免常见问题如对话过长或能力混杂。建议从100条5-7轮对话入手，优先测试上下文记忆和指令遵循能力，采用人工+LLM双标注确保质量。
2026-02-06 21:15:53
896
原创 【大模型评测】怎么构造 ID / OOD / 多轮数据集？
摘要： 本文系统介绍了AI评测数据集的构建方法，分为同分布（ID）和分布外（OOD）数据。ID数据需覆盖70%真实用户问题，来源包括搜索日志、FAQ等，需去重、分意图并标注标准答案；OOD数据侧重模型易错场景，如模糊表达、组合问题等。多轮对话需任务驱动，关注目标完成度而非单轮正确性。建议比例：ID 60%、OOD 25%、多轮15%。关键原则：评测集≠训练集、样本必须可判定、优先覆盖高风险场景。
2026-02-04 16:01:05
536
原创 【大模型评测】数据集一变，指标就失去可比性，我们应该怎么做？
摘要： 数据更新后模型评估需先判断可比性：仅新增样本或删除噪声可对比，其他情况（如分布改变、指标调整等）需谨慎。不可比时采用锚点机制（AnchorSet）——冻结的小型评测集，用于跨版本对比。标准流程：同时评估新旧模型在AnchorSet和新数据集的表现，确保模型不退步（Anchor指标稳定）、当前可用（新集达标）且风险可控（L3指标）。若无AnchorSet，可回放旧模型、难度校准或Pairwise胜率评估。决策需综合纵向对比、横向达标和风险兜底，最终结论示例显示模型通过测试即可上线。（149字）
2026-02-04 15:35:54
464
原创 【大模型评测】大模型的评测指标体系如何设计？
本文提出了大模型问答/对话能力的评测框架，重点评估搜索场景下的核心风险。评测目标包括正确回答、多轮对话能力，避免误导、答非所问等风险。评测集合分为ID（60%）、OOD（15%）、BadCase（10%）等5类。指标体系分为三层：L1业务级指标（问答成功率≥85%、多轮完成率≥75%），L2能力诊断指标，L3风险控制指标（幻觉率≤2%）。上线需满足所有L1指标且L3不触发风险，同时要求相比基线性能不下降超过2%。评测采用LLM-Judge自动评分和5%人工抽样相结合的方法，重点关注回答是否误导用户。
2026-02-04 15:17:00
975
原创 人形机器人的模型怎么进行测试？
人形机器人测试是一个复杂的系统工程，需要采用"金字塔式递进"的5层测试框架：从感知模型（L1）、决策规划（L2）、控制模型（L3）到系统闭环（L4）和真实环境安全测试（L5）。测试重点不在于模型准确率，而是关注极端情况下的稳定性、长期运行的可靠性以及人机交互安全性。关键测试指标包括摔倒概率、稳定裕度、任务完成率等，必须通过仿真、半实物到真人环境的逐步验证，确保机器人能在真实世界中安全、稳定、可重复地完成任务。
2026-01-27 16:14:54
687
原创 Lasso 回归 和 弹性网络回归（Elastic Net） 的区别
Lasso回归和弹性网络回归（ElasticNet）是两种常用的正则化线性回归方法。Lasso通过L1正则化实现特征选择，但处理高相关特征时不稳定；ElasticNet结合L1和L2正则化，既能特征选择又能稳定系数。ElasticNet需要调节α（L1/L2比例）和λ（惩罚强度）两个超参数，可通过交叉验证选择最优组合。实际应用中，ElasticNetCV可自动完成参数优化，适合特征多且相关性强的情况，而Lasso更适用于简单特征选择场景。两种方法都需特征标准化，ElasticNet在保持稀疏性的同时提供了更
2026-01-26 09:48:46
659
原创 Agent Policy 自动搜索（Failure-as-Reward）
本文提出了一种端云协同Agent的自动策略学习方法，其核心目标不是提升智能程度，而是最小化系统故障风险。该方法将故障分类映射为负向奖励，在固定场景下搜索"失败最少、代价最小"的策略。不同于传统强化学习，采用离线/模拟策略搜索和规则约束优化，重点处理稀疏奖励和硬约束问题。策略定义为风险评分、云端响应等决策参数，通过网格搜索、进化算法或LLM辅助生成候选策略。关键设计包括：故障惩罚权重大于成功奖励、安全优先的字典序比较、固定场景分布和可归因的失败分析。最终上线标准是零严重故障率而非单纯奖励最
2026-01-22 11:27:41
518
原创 【大模型评测】多 Agent / 多策略 A/B 评测系统
本文提出多Agent/多策略A/B评测方法，强调在相同场景下进行行为级对比。评测聚焦Agent结构、决策策略和云侧配置等维度，通过轨迹日志记录和统计分析，评估任务成功率、安全性和效率等指标。系统采用统一场景池、标准化的Agent变体描述和详尽的轨迹记录，结合规则与LLM辅助分析，实现可归因的策略对比。评测结果需关注失败分布和极端情况，而非单纯追求"更聪明"的表现，为Agent系统的策略优化和上线决策提供数据支持。
2026-01-22 11:20:42
426
原创 【大模型评测】端云协同评测 JSON Schema + Failure Taxonomy
本文提出了一套面向工业级Agent系统的评测Schema设计方案。核心设计原则包括：聚焦系统行为而非模型输出、支持自动化评估、将故障分类作为一等公民、明确责任归属。Schema采用JSON格式，包含场景元数据、初始状态、事件序列、约束条件、预期结果等模块，支持对端云协同系统的鲁棒性、安全性和决策能力进行全面评估。特别设计了详细的故障分类体系（Failure Taxonomy），涵盖感知判断、协同决策、云智能、执行安全等维度的典型故障模式，并建立故障与指标、责任方的映射关系。该方案可与LangGraph和LL
2026-01-22 11:17:46
569
原创 端云协同 + Agent 怎么做？
摘要：端云协同与Agent结合构建智能系统，端侧负责实时感知与安全执行，云侧处理深度推理与持续学习，Agent作为决策中枢协调调度。系统通过三层分工（端侧执行、云侧分析、协同控制）实现闭环工作流，关键设计原则包括端侧独立性、信息摘要化传输和故障回退机制。典型应用场景中，Agent根据置信度判断本地执行或云端调用，形成"感知-决策-执行-评测"的完整链路。该架构的核心在于建立可靠的失败控制机制和评测闭环，而非单纯依赖模型能力。
2026-01-22 11:07:40
327
原创 端侧模型是什么意思？
本文介绍了端侧模型的概念及其与云端模型的核心区别。端侧模型指直接在终端设备本地运行的AI模型，具有低延迟、隐私性好、可离线使用等优势，适用于手机、可穿戴设备、车载系统等场景。文章对比了端侧模型与云端模型在运行位置、延迟、隐私等方面的差异，并列举了典型应用案例。同时分析了端侧模型的技术特点，包括模型压缩、硬件依赖等特点。最后探讨了端侧模型与端侧大模型的区别，指出前者侧重单一任务优化，后者具备通用理解能力，建议采用小模型与大模型结合的混合架构方案。
2026-01-22 11:01:40
1464
原创 Ordinary Least Squares（OLS，普通最小二乘法）是什么?
OLS（普通最小二乘法）是一种基础线性回归方法，通过最小化预测值与真实值的误差平方和来估计变量间的线性关系。其核心公式为矩阵形式的解析解β̂=(XᵀX)⁻¹Xᵀy，在统计学、计量经济学和机器学习中广泛应用。OLS需要满足线性关系、误差期望为零等经典假设，具有简单可解释、闭式解等优点，但对异常值敏感且仅适用于线性建模。作为回归分析的基础，它与Ridge、Lasso等方法密切相关，是理解更复杂模型的重要起点。
2026-01-21 15:52:30
466
原创 【大模型评测】评测集建设中 刻意破坏共现统计 方法
摘要：破坏共现统计是一种模型评测方法，通过故意拆解训练数据中的常见关联组合（如专业内容与严谨表达、复杂推理与流畅语言等），来测试模型能否突破统计依赖。典型例子包括：用错字连篇表达医疗问题、情绪化语气提出理性计算需求、给律师角色布置写歌词任务等。这种方法有效检验模型是否真正理解内容本质而非依赖表面特征，特别适合研究评测，因其基于真实用户可能的行为模式，能精准暴露模型依赖统计捷径的弱点。（149字）
2026-01-15 16:21:49
314
原创 Agent 技术综述：从大语言模型到自主智能体
一个能够感知环境，并通过行动改变环境，以最大化某种目标函数的实体。以大语言模型为认知核心，结合记忆、工具、规划与反馈机制的自主决策系统。一次从模型中心主义 → 行为系统中心主义的范式转移。它要求我们同时理解：语言推理系统工程人类协作未来的 AI，需要更可靠的 Agent 系统。
2026-01-15 16:17:51
950
原创 怎么理解这句话 “随着样本量的增加，即使是微小的差异也会变得具有统计学显著性” ？
统计学显著性（p<0.05）不等于实际重要性。大样本下，即使微小差异（如0.2mmHg）也会显著，因为随机误差被平均化导致标准误减小。此时更应关注效应量和实际意义，而非单纯追求p值显著。在AI评测中，样本量大会使微小指标提升显著，但需评估其实际价值。统计检验本质是检测"是否完全相等"，而非"是否有意义的差别"，因此需结合效应量、置信区间和领域知识综合判断。
2026-01-15 15:26:32
241
原创 Between-model variance、Within-slice variance怎么计算的
本文介绍了机器学习模型评估中的两种关键方差指标：切片内方差(Within-slice variance)和模型间方差(Between-model variance)。切片内方差衡量同一数据切片内样本得分的波动情况，反映题目稳定性；模型间方差则评估不同模型在同一数据切片上的表现差异，反映模型能力区分度。文章详细给出了两种方差的计算公式和步骤，并建议优质评测集应满足模型间方差显著大于切片内方差，以确保评估结果主要反映模型真实能力而非数据噪声。最后提供了Python实现示例，展示了如何计算这两种重要指标。
2026-01-15 14:38:55
530
原创 【大模型评测】多模态评测工程落地指南
《多模态评测工程落地指南》摘要 本文系统阐述了多模态评测工程的完整实施框架。首先从任务空间和能力层级切入，划分了从基础感知到高级推理的多维度评估体系。在数据构建方面，详细介绍了多源数据采集、分层标注方法和合规控制策略。评测方法部分重点探讨了prompt设计、多轮交互仿真和自动化评分技术，提出结合LLM评判与人工复核的混合评估方案。针对Agent类模型，制定了包含工具调用准确率、任务完成度等指标的专用评估标准。最后构建了涵盖错误分类、诊断流程和可视化分析的BadCase体系，形成完整的质量改进闭环。文章整合了
2026-01-12 17:41:14
530
原创 【大模型评测】2025大模型评测技术方向研究
摘要：本文系统梳理了2025年大模型评测技术的研究方向与实践方法。研究从通用能力、多模态、鲁棒性、偏见与公平性、安全性等多个维度展开，详细分析了语言理解、知识问答、推理能力等核心评测指标，并探讨了多模态融合评测的特殊挑战。文章介绍了OpenCompass、EvalScope等主流评测工具平台，总结了当前评测实践中存在的数据污染、文化偏差、可复现性等问题，并展望了未来评测技术向现实场景导向、交互能力评估、安全对齐等方向的发展趋势。研究特别关注中文大模型评测的本土化需求，为构建更全面的模型评估体系提供了重要参考
2026-01-12 17:40:18
799
原创 增程系统详细介绍
增程系统（EREV）是一种以电驱为核心、发动机仅作发电用的混合动力方案。其核心架构包含动力电池、驱动电机和增程器（发动机+发电机），通过三种工作模式（纯电/增程发电/混合供电）实现高效运行。相比传统油车，增程系统结构更简单、驾驶体验更平顺；相较于纯电车，它缓解了续航焦虑；相比插混车，其系统复杂度更低。中国市场的充电设施不足和混合用车场景使其成为现阶段理想选择，但未来随着快充和电池技术进步，增程系统或将逐步被纯电取代。当前技术难点集中在能量管理策略和NVH控制上。
2026-01-12 17:39:31
965
原创 Vibe coding 是什么？
Vibecoding是程序员和AI开发者中流行的一种编码方式，强调直觉驱动的快速开发，而非严谨的工程流程。它鼓励先写出能运行的代码，再考虑优化和规范，特别适合原型开发、AI项目和技术验证。Vibecoding不是写垃圾代码，而是将工程化延后，优先保证创造力和流畅感。在AI时代，这种方式尤其重要，因为人类可以专注于判断方向，而AI负责补全细节。不过，它不适合关键系统或长期维护项目。典型流程是从vibecoding开始，逐步过渡到半工程化和完全工程化阶段。
2026-01-12 17:35:06
1843
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人