登录社区云,与社区用户共同成长
邀请您加入社区
同时,版本还补充了 DeepSeek Harness 的 npx 回退能力,更新 MLX 依赖,修复 Linux 和 Windows 打包受到 macOS 假设影响的问题,并继续完善桌面端布局、滚动、连接状态、模型恢复与网关来源限制。从这些变更可以看到,v0.33.0 不仅增加了 Claude Desktop 的接入入口,也同时处理了模型管理、模型映射、自动模式、连接过程中的状态反馈、桌面端布局、
在传统的后端开发流程中,搭建一个生产级的 Go 微服务是一项系统工程。开发者需要手动完成:项目结构规划、依赖管理(go modules)、路由框架选型(Gin/Echo/Fiber)、数据库连接池配置(GORM/sqlx)、中间件链设计(日志、限流、鉴权)、Swagger 文档生成、Docker 容器化、以及 CI/CD 流水线搭建。对于一名经验丰富的 Go 工程师,从零到可部署状态通常需要 4-
在 Hermes Agent 中使用 OpenCode Go 订阅非常简单,主要有三种配置方式。OpenCode Go 是 opencode.ai 推出的 **$10/月**(首月 $5)的模型聚合订阅服务,用一个 API Key 即可访问 Kimi、DeepSeek、Qwen、GLM、MiniMax 等多款模型。
摘要: OpenCode Go + DeepSeek V4 Flash 是目前性价比极高的 Coding Agent 方案,尤其适合高频代码编写和调试的用户。首月仅需 5 美元,正常月费 10 美元,当前限时活动(DeepSeek V4 Flash 2倍额度)使性价比高达 12-24 倍(首月)。支持 1M 长上下文、Tool Calling 及第三方 Agent 接入,适合开发、Debug 和
本文介绍了将阿里云百炼API接入DeepSeek Harness的详细步骤:首先在阿里云百炼控制台获取API Key(需选择北京地域),然后通过Web UI或配置文件两种方式在Harness中配置自定义模型提供方,需设置基础URL和API协议等参数,并管理API Key的安全性。配置完成后发送测试消息验证接入是否成功。注意事项包括地域限制、密钥安全和配置变更处理等。
这是一个系列 Blog,作者将以一个 PHP 全栈工程师的身份,利用 AI 工具(claude code、codex、deepseek、豆包等):从零开始学习 golang 语言,并最终完成 ai-go-mall 开源项目的制作(可 gitee/github 搜索获取),全程记录分享。
表上线后,一个反直觉的现象:版面感知 OCR 用的明明是推理模型(qwen3.7-plus,开了),可记录里却是 0。我一开始怀疑是解析 bug,但很快排除了——不是没推理,是这个接口的 usage 里压根不单独上报推理 token。DashScope 的 OpenAI 兼容接口返回的 usage 只有标准三项,推理 token 已经被算进里了,只是不拆给你。部分Token 数content795
OpenCode Go 是 OpenCode 提供的低成本开源编程模型订阅服务。它通过一个 Go API Key 接入多个模型,统一处理模型选择、计费和使用额度。维度说明订阅价格$10/月每月使用额度$60核心卖点统一 API Key、可切换多个模型可用模型GLM、Kimi、DeepSeek、MiMo、MiniMax、Qwen 等隐私多数模型不用于训练,具体以官方模型说明为准与分别注册多个模型厂商
这是一个系列 Blog,作者将以一个 PHP 全栈工程师的身份,利用 AI 工具(claude code、codex、deepseek、豆包等):从零开始学习 golang 语言,并最终完成 ai-go-mall 项目的制作,全程记录分享。
AI 编码性能,已经与运行时性能、开发者生态系统一样,成为了一个值得考量的语言属性。在选择一门语言时,我们不仅要问:“它跑得快吗?”、“它的生态成熟吗?”,还要考虑:“AI 用这门语言完成任务,是高效还是费力?Go 可能不是 AI 生成效率的冠军,但它在自己的细分领域(生产级服务)中依然是出色的。哪个阶段用哪种语言,如何利用各自的优势来降低时间和资金成本。这已经超越了单纯的语法争论,成为了工程策略
ollama v0.31.2 这次更新,核心不是表面功能扩张,而是把本地模型运行链路中的几个关键薄弱点做了补强:老 NVIDIA GPU 终于支持 flash attention,iGPU 在视觉模型场景下可以通过 padding 适配可用内存,thinking 模型关闭 thinking 后的结构化输出被修复,GGUF 模型创建更稳健,Claude Code 场景下默认禁用 telemetry,
出了极高的工程性价比,无论是使用 Claude Code、Cursor 还是 Aider,都可以无缝接入 OpenSpec 的规格管理层。OpenSpec 对存量代码库的需求场景,相当友好,相比 Spec Kit 擅长的新项目场景,对于很多公司的开发更为适合。
fmt.Println(findMinimumTime(tasks1)) // 输出: 3。fmt.Println(findMinimumTime(tasks2)) // 输出: 4。并查集优化原理:每次占用一个时间点后,将其指向前一个可用位置,实现 O(α(n)) 的查找速度。// 从后往前分配未占用的时间点(贪心:尽量靠后)// 标记时间点是否被占用(题目时间范围 ≤ 2000)// 从 en
在上一期,我们已经完成 “建立 CLAUDE.md 文件、整理目录结构”,本期将完成:设计管理员模型、热重载配置
ai-go-mall 项目至今,已经使用 cc 实现了 `配置系统(带自动发现、环境配置文件、环境变量覆盖)、数据库连接(带读写分离,支持链式+函数式选项自定义 db)、模型自动发现和迁移、四层业务架构的基类实现、自动发现和注册路由、统一响应结构和函数(也支持链式调用和函数式选项)` 等一大堆的功能,却连个 CLAUDE.md 都没有,足以见得 cc 的强大,也可能说明了当开发者本身技术够硬时,这
这是一个系列 Blog,作者将以一个 PHP 全栈工程师的身份,利用 AI 工具(claude code、codex、deepseek、豆包等):从零开始学习 golang 语言,并最终完成 ai-go-mall 开源项目的制作,全程记录分享。
本文介绍了Eino-Embedding在RAG系统中的核心应用,主要内容包括: Embedding技术原理:将文本转换为稠密向量,通过余弦相似度度量语义相关性 环境配置:安装依赖和设置API Key(ARK和DeepSeek) 基础文本向量化:展示如何将文本转换为向量并计算相似度 文档处理:实现文档分块、向量化和语义检索 RAG系统构建:结合向量检索和LLM生成知识增强的回答 文章通过Go代码示例
Claude Code 支持通过环境变量配置外部模型适配,核心思路是将 DeepSeek 的 API 端点、密钥和参数以标准格式注入到 Claude Code 的运行时配置中。DeepSeek 提供了与 OpenAI API 完全兼容的接口,这意味着任何支持 OpenAI 格式配置的工具都能直接使用 DeepSeek。Claude Code 虽然不原生支持自定义 OpenAI 端点替换,但可以通过
再比如 PyTorch,它死死占据了深度学习研究 85% 的江山,因为深度学习的核心是模型权重,至于外面封装的那层皮是什么语言,PyTorch 根本不在乎。但到了 2026 年,Claude、GPT-5.5、DeepSeek 这些模型早已是“代码大神”,甚至在 SWE-bench 这种极其硬核的基准测试中,都已经达到人类高级工程师的水平。这话听着反直觉,逻辑却很硬:“Rust 编译器就像一位严苛但
文章摘要 《构建waddler:我们真的需要Spark吗?》介绍了作者Mehrab Rahman开发的一个极简ETL工具waddler,它使用Go语言编写,基于DuckDB查询引擎,通过YAML配置文件执行数据处理流程。文章探讨了从传统Spark集群转向轻量级单机方案的思考过程,分享了DuckDB在处理分析工作负载时的优势(如直接查询CSV/Parquet文件、GROUP BY ALL语法),以及
最小化:只做一件事,做好一件事可预测:行为简单明确,便于自动化测试无状态:不依赖外部资源,易于在 CI/CD 中运行容器原生:利用容器特性(hostname 即 Pod 标识)虽然功能简单,但它在 Kubernetes 的网络测试、服务发现验证、负载均衡测试中发挥着重要作用。
1. 定义 dp[mask]:表示已经为 nums1 的前 k 个元素(k = bits.OnesCount(mask))匹配了 nums2 中对应 mask 集合的元素,此时的最小异或和。这道题是经典的状压 DP,因为数据范围 n <= 14,我们可以用一个二进制掩码表示 nums2 的使用情况。最终答案为 dp[(1<<n) - 1]。时间复杂度 O(n * 2^n),空间 O(2^n),对于
装扩展 → 配路径 → 写代码 → Ctrl+F5 跑 → F5 调试”,其余体验跟 VS Code 完全一样,但多了 AI 侧边栏可以随时用中文问 “帮我优化这段 Go 并发代码”,Trae 会直接把修改 diff 应用到文件。左侧扩展图标 → 搜 “Go” → 安装 “Go” 官方扩展(ms-vscode.go)。- 运行:Ctrl+F5(或右侧 “Run” ▶️),等价于 `go run .
是保障 Kubernetes 节点稳定性的“守门员”之一。它通过一个精炼的测试逻辑,验证了 Kubelet 与容器运行时之间最基础的协调机制——cgroup 驱动一致性。结合社区中真实的失败案例来看,这个测试有效地防止了因配置不匹配而导致的节点资源监控错误、Pod 启动失败等严重问题。