文章
全部内容 · 共 40 篇 · 最新在前
NIST SP 800-218：安全软件开发框架（SSDF）完全引入
NIST SP 800-218 把软件开发全流程的安全要求收成一张清单——从需求到维护每个阶段该做什么。本文覆盖 SSDF 定位、设计哲学、16 项实践清单、实施指南，以及与国标 GB/T、ISO 27001 的对照、NIST 官方工具与配套参考标准。附 SSDF 与 SDLC 的关系图。
OpenClaw 可用工具汇总（2026-09-26）
本次运行真实可调用工具共 21 个，分 8 大类（文件/Shell/定时/网关/会话/记忆/网络/基础设施），并列出与 OpenClaw 2026.7.1 官方全量对比的 15 个被策略过滤工具，以及邮件/标准库/信息库等服务的接入方式。数据来源以本次会话真实 schema 为准。
WorkBuddy：腾讯的 AI 办公同事——它把活干完，不只是给建议
2026 年 3 月，腾讯云推出了 WorkBuddy——不是又一个聊天机器人，而是一个能直接在你电脑里干活的 AI 同事。上线三个月，月访问量 2097 万次，登顶中国桌面端 AI 办公智能体市场。
OpenClaw 的工具：它的强项到底在哪里
退潮论回答'OpenClaw 到底行不行'，这篇工具篇回答另一个问题：在它行得下去的场景里，它的手能伸多长。
OpenClaw 退潮论：走的是凑热闹的，留的是真干活的
“OpenClaw 不行了”这句话如果问的是流量还能不能暴涨，答案是“不行了”。但 39 万 Star 仍在涨、9 月以来 8 个版本仍有约 350 位贡献者、投中网 5/21 报道里写的是“下限很低，上限其实很高”。3 月的虾是大众玩具，9 月的虾是技术工具。本文拆流量退潮、谁离开了又为什么走、留下来的精尖技术人群、为什么它换不掉（开源/可自改/数据自主）、版本与功能线，回答“到底行不行”。
LLM 应用的成本核算——Token 计费到单位经济
LLM 应用的成本核算方法。按 Token 计费、成本归因、单位经济三层展开，给出各层所需表格与公式，并梳理优化杠杆与治理要点，供核算成本毛利。
多模态 RAG——图文检索与跨模态排序
多模态 RAG 的检索与排序方法。讨论纯文本 RAG 的局限，对比三种跨模态嵌入路线，说明图文对齐切分与查询路由设计，并给出排序与评估方法。
AI 生成内容版权——训练数据与输出归属
AI 生成内容的版权问题。从输入与输出两侧，讨论训练数据授权与输出归属判定，给出合同条款要点与工程合规动作清单，供评估合规边界。
AI 客服系统设计——意图识别与人工兜底
AI 客服系统的设计方法。将 AI 客服定位为“分流与兜底”而非替代人工，按四段式流水线阐述意图识别、转人工、应答生成与评估闭环。
RAG 系统评估——指标、数据集与落地方法
RAG 系统的评估方法。提出分层指标体系，说明黄金 QA 集的构建要点与评估方法，归纳常见失败模式与诊断流程，可供搭建可复跑的评测流程。
LLM 网关架构——路由、限流与成本控制
LLM 网关的架构设计。讨论多模型接入场景下的网关定位，列出核心能力、五类路由策略与三维限流设计，并对比自研、开源与托管方案。
提示词版本管理——工程化与回归测试
提示词版本管理与回归测试。将提示词视为程序，说明其结构化拆分与版本化机制，给出分层回归测试、灰度与回滚流程，供建立团队治理规范。
LLM 服务可观测性——指标、追踪与告警设计
LLM 服务的可观测性设计。说明传统 APM 的不足，提出三层信号模型与八项核心指标，涵盖追踪、日志、告警与成本归因，可用于搭建观测体系。
向量数据库选型——性能、成本与适用场景
向量数据库的选型方法。从数据与负载边界出发，对比四类主流 ANN 索引的权衡与产品能力，给出成本模型与场景决策路径，供结合查询分布验证。
函数调用与结构化输出——可靠性工程实践
函数调用与结构化输出的可靠性工程。从训练、提示、解码三层说明实现机制，归纳六类失败模式，给出运行时校验、重试与兜底方案及评测指标体系。
Agent 提示注入攻击——原理、案例与分层防御
Agent 提示注入攻击的原理与防御。区分直接与间接两类注入，说明其原理与公开案例，列出六处攻击面与四层防御架构，可供安全自查与评估。
GPT-5 架构拆解——稀疏注意力、MoE 与记忆管理
GPT-5 架构的公开信息梳理与推断。基于官方口径与逆向分析，讨论稀疏 MoE、动态注意力、显式思维三方面推断，说明其对应用适配的工程影响。
LLM 对齐技术——RLHF、DPO 与 Constitutional AI 对比
主流 LLM 对齐技术的对比与选型。梳理 RLHF、DPO、Constitutional AI 三条路线，从七个维度对比特性，给出场景决策表与调优陷阱。
Transformer 注意力机制——数学推导与实现要点
Transformer 注意力机制的原理与实现。从 Q、K、V 推导出发，说明多头注意力与位置编码，分析 O(N²) 瓶颈及 GQA 等优化路径。
大模型推理优化——KV 缓存与量化的取舍
大模型推理阶段的显存与成本优化。以 27B 模型在 A100 80GB 上的部署为例，对比 KV 缓存与量化两条路线的取舍与精度代价，并给出部署组合建议。
长上下文技术——位置编码、记忆压缩与成本
长上下文技术的成本结构。围绕位置编码与记忆压缩，结合 27B 模型实测，分析上下文由 4K 扩展至 1M 时的性能与成本变化，供预算与选型参考。
MoE 混合专家架构——路由机制与显存特性
MoE 架构的机制与资源特性。说明五种路由方案的实现与训练特性，澄清“激活参数”与“显存占用”的区别，对比 2026 年 9 月主流实现。
大模型术语词典——120 个核心概念速查
面向初学者的 LLM 术语速查。收录 120 个核心概念，按模型结构、推理、上下文、评估、应用、安全六类编排，每词列中英文对照、释义与常见误用。
AI 技术学习路线——从数学基础到工程落地
面向非科班与转行人群的 AI 学习路径。按数学、工程语言、场景工程三维，划分 0-6、6-18、18 个月以上三阶段，给出各阶段目标与自检清单。