LangChain[1]是开源领域最流行的大模型编程开发框架，支持通过python/js语言快速构建AI应用。Dify[2]是开源的图形化大模型应用开发平台，可以通过可视化的画布拖拖拽拽快速构建AI agent/工作流。通过任务调度系统托管AI任务，可以进行脚本版本管理、定时调度、提升资源利用率、限流控制、可运维、可观测。
本文介绍了OR算法+ML模型混合推理能力建设思路及业务背景，此场景相比常规模型推理更具特殊性和复杂性，在工程实现上面临多维挑战，因此本文分别从性能、稳定性和扩展性三个维度分析问题和解法，并以推理框架架构演进为线总结了过去两年的分期迭代实践历程和收益，其中有一些较为通用的经验，希望能够给大家带来一些帮助或启发。
本文通过对话形式探讨了《程序员修炼之道》一书中关于程序员软技能的核心观点，重点分析了责任感、破窗理论、蜥蜴脑直觉、工具集优化、风险边界控制及高效沟通等话题。 作者以浅显易懂的案例拆解，指出了程序员的核心竞争力不仅在于技术能力，更需通过责任感、职业素养和系统性思维实现自我提升与团队协作优化。
当下AI领域最炙手可热的概念，莫过于MCP。MCP 指的是Model Context Protocol（模型上下文协议）。令人意外的是，一个协议系统的热度，甚至盖过了OpenAI发布的最新模型，成为行业讨论的焦点。随着Manus的爆火，全球开发者对Agent技术的热情空前高涨。MCP作为Agent工具调用的“统一协议”，短短两个月内即获得了OpenAI、Google等主要AI公司的支持，从一个边缘技术规范一跃成为AI生态的底层标准。它的崛起速度之快，堪称AI基础设施领域的“现象级事件”。而开发者社区也涌现出各种MCP服务，仿佛它已是AI工具调用的“终极答案”。然而，当最初的狂热稍退，我们不得不面对更复杂的问题：MCP真的适用于所有场景吗？它是否被赋予了过高的期待？本文将从MCP的起源出发，剖析其核心价值与局限性，澄清常见误解，并探讨它的未来发展方向。我们的目的并非否定MCP的价值，而是希望回归理性——只有明确它的实际定位和适用边界，才能真正发挥它的潜力。毕竟，技术史上从不缺少“神话”，而真正的进步，往往始于祛魅之后的清醒认知。
本文作者为支付宝技术部的李皓骅(亿晨)，他将在本文中讨论 Kotlin/Native 的包体积的优化方法，主要包括包括：编译参数优化、精细管理导出符号 + DCE 的优化方法（暂时未讨论 Kotlin/JVM 等情况）。文中提到的优化策略部分来源于社区的公开讨论，部分则是在阅读 Kotlin 源码基础上做出的扩展与定制，已取得一定初步成效。需要强调的是，优化始终是一个持续迭代的过程，未来仍有更多手段值得进一步探索，欢迎同行共同交流与探讨。
MCP 全称 Model Context Protocol，是由 Anthropic 公司在 2024 年 11 月推出一个开放协议，主要用于标准化应用程序向大语言模型提供上下文的方式。可以将 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为设备连接各种外设和配件提供了标准化方式一样，MCP 为 AI 模型连接不同的数据源和工具提供了标准化方式。
本文是一篇关于前端AI实践的技术总结文章。文章提出了“AI四象限”决策模型，并介绍了鸿雁AI Coder和Nextdy Aone Copilot两款工具链的应用与成效。通过十余个最佳实践案例，展示了AI在前端领域的落地场景及未来发展方向。
