前几天我在司内论坛的一个问答中提到了要写一个拉取网络文章文本的 skill，昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用，我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。 我们知道，大模型只会对话，聊天，所谓的工具调用也只不过是特化的聊天功能而已。但是各种天花乱坠的 skills，是如何在底层的 HTTP 中，与大模型——这个只会嘴遁的工具交互的呢？
我们以为自己在给 AI 套缰绳。写 Spec、定 Rule、设 Eval、调 Prompt——每一次按下回车，都像是在多拧紧一圈对它的控制。但如果你在某个深夜回头看过自己写下的那份 project.md，你会发现一件让人后背发凉的事——那根缰绳的另一头，系着的不是 AI，是你自己。你手里攥着的不是缰绳，是一面镜子。它正在你每一条 CI 规则、每一次 Code Review、每一份 Spec 里，悄悄把三百年来从未被言说过的你——写成另一种智能能够读懂的文本。这是一场已经开始、躲不过去、并且没有回头路的革命。你唯一的选择是——弄清楚它正在把你推向哪里。
Marvis 是少数几个让我重新兴奋起来的——不是因为它技术多前沿，而是因为它把前沿技术做成了一个普通用户能直接上手、敢放心用的东西。
随着 Claude Security、Codex Security 等新一代漏洞检测工具出现，漏洞检测正在从"发现代码缺陷"走向"理解项目上下文并检测业务风险"。
看了很多的文章和视频，我以为我理解大模型的工作原理了，直到看了vLLM的代码，我发现很多地方理解的太过表面。因此花了大概2个月的业余时间，深入阅读了vLLM的源码，本文算是对于学习代码的一个总结。另外由于当前主流LLM都是 Decoder-Only 架构，本文会聚焦LLM，不会像网络上其他介绍Transformers的文章从原始论文的 Encoder-Decoder架构讲起。
当 AI 开始快速生成大量代码，真正的瓶颈就不再是"写不出来"，而是"看不完、想不清、管不住"。 本文基于一个落地在大仓多服务（Monorepo Microservices）场景中的开源工程框架，回答一个核心问题：如何把 AI 协作从对话式编码，升级为可控、可审计、可复用的工程过程？
北京时间今天凌晨 1 点，谷歌 I/O 2026 在 Shoreline 圆形剧场落幕。整场 keynote 大约 1 小时 51 分钟，涉及十几款产品、三代模型、一个新 IDE、一个新 Agent、一套新搜索范式
你是否想过，Skill 其实也可以像神经元参数一样被训练。你总想着授它以鱼，像个训斥孩子的妈妈，一遍一遍对着它苦口婆心地说教——你给我记住！你不许这样！这样不对！但好的教育难道不应该试着授它渔，给他一本书、一个目标，让他自己实践、碰壁、改错么？于是，我做了一个 skill 自己训练自己——自己迭代，自己评测，自己回归，最后选出一个最棒的 checkpoint 给你。是不是还有点意思？
