很早就开始尝试用AI辅助写代码，当时的感受是：对于一些不需要太多上下文的小需求（最终的产物是代码片段，直接复制粘贴改改输入一般就能用）还是非常好用的；但当用于完整项目中时就一言难尽了，早期我用cursor最常遇到的是AI"小题大作"，直接往项目里各种新增脚本，新增大量的代码，有被无语到，以至于使用频率降低到最后退订（当然这里还存在我自己的问题，对于让AI Coding的需求不够具体）
如何把 8 年云端经验装进你的 AI 开发工具，让AI从"实习生"变成"持证上岗的专家"。分享如何用 Agent Skill 解决 AI Coding 领域的痛点问题，也分享如何解决 AI 不调用 Skill 等实践技巧。
近期包括Anthropic / Google / 微软 在内的科技巨头 发布了对2026年AI发展的预测，本文收集8家大厂预测报告，看看他们是怎么看2026年AI发展趋势的。
年初火爆现在热度依旧的OpenClaw为AI Agent带来了新的想象。如果说2025是AI Agent智能体元年，想必2026将会是AI Agent真正商用化的开端，而AI Agent商用化的前提是各行各业开始落地实际商业领域的AI Agent。 作为一名程序员/工程师，思考的更多的可能是如何将AI Agent落地实现的层面。工程框架往往是工程应用实现的基石，框架选型也是架构师们设计与实现一个AI Agent智能体的首要工作。由于篇幅过长，本文将分文两个部分来写：一理论篇 与 二实践篇。
2025年，具身智能领域仍在努力完成从实验室向产业化落地的惊险一跃。随着大模型在感知与决策层面的突破，以及国家战略资源的集中注入，这种跨越取得了一些实质性进展，但供应链重构、复杂场景验证以及商业模式闭环等层面的挑战依然严峻。这一年，从宇树机器人登上春晚舞台的惊艳亮相，到具身智能被正式写入2025年政府工作报告，并纳入国家“十五五”规划建议，行业获得了从政策到资本的全方位加持，到工信部人形机器人与具身智能标委会成立，再到机器人马拉松在北京亦庄拉开帷幕，钢铁躯体在赛道上的奔跑，成为行业狂奔的缩影。2025年，是名副其实的量产元年，也是资本狂热之年，更是泡沫与现实激烈碰撞的一年。
推开AI的门，你是站在门外怕迟到的人。很多人害怕迟到，害怕在众目睽睽之下，被视作一个犯错的学生。就如同，AI“呼的一下”就来了，并且发展迅猛，很多人也怕被它甩在后面，而我就是其中之一。 神经网络是了解AI大模型无法绕过的话题，是现代大模型的基石。但是别看它现在风光，在过去的半个多世纪，却是无人问津，甚至备受争议，以至于等到它再次复出时，不得不被迫改名换姓，叫作深度学习。我在第一个部分将围绕神经网络基本概念，并将自己学习过程中的疑问，融入到文章内容，希望有着同样疑问人也能有所收获。 第二部分，我会利用前文的神经网络的知识，为大家勾勒大模型的大致轮廓，先是大模型的推理，而后是大模型训练。由于GPU与大模型相生相伴，我也将在其后，分享一些AI浪潮下，它对基础设施有哪些新要求。大多数人其实很少会直接接触到大模型，而更多是通过Agent来使用它，因此在文章的最后，会简单分享一下人们是如何使用大模型的。
OpenClaw（原名clawdbot）突然就火了，了解后发现多终端协同的人机协同方式的jarvis正是自己的日常工作方式！在此之前，为了方便自己用 AI ，我基于 claude agent sdk 手搓了一整套工具链，打造自己的 Jarvis，IM接入功能算是基操了。 本文带大家快速体验一下 Agent Studio 在企业微信快速接入过程。
在过去的一年里，我们已经习惯了与 ChatGPT 或 Claude 进行对话。但现在的 AI 正在从“对话框里的聊天伴侣”进化为“操作系统里的执行者”。今天向大家介绍一个近期在 GitHub 上爆火的开源项目：Clawdbot。它不是一个简单的聊天机器人，而是一个运行在你本地设备、拥有“手脚”和“记忆”的 AI 智能体。
大模型推理性能优化比较复杂，千头万绪，涉及推理框架、模型特性、GPU硬件特性、算子优化、网络基础设施、通信协议、SLO等很多方面因素，优化的时候主要用工具分析Timeline，借力开源成果进展以及参考业界的各种论文和做法展开，总有一些东一榔头西一棒子的感觉。当涉及到灵魂拷问的时候，其实挺难回答，比如问：在某某芯片上的推理成本，还能降低到多少？ 但大模型推理加速也有一些内在规律：大模型推理性能的核心挑战源于算力、显存、显存带宽、通信带宽等资源不匹配或短缺。该挑战在宏观分布式架构、中观框架设计、微观算子实现、更细粒度的计算优化等不同层级上均存在。 本文提出分形思考框架，借鉴分形几何的自相似性原理，在全层级遵循 “看清楚 - 避免浪费 - 提升利用率 - 节约资源” 的统一优化逻辑，尝试系统性地应对各种大模型在不同硬件上的推理优化的复杂局面，当普遍认为优化空间不大的时候， 实践看还是能分析和找到优化方向和机会点，不容易遗漏和丢失重点。
