跳到正文

#教程/实践

今日 0 条
10月3日周六
  1. ByteByteGo23

    SSH 工作原理详解

    SSH 通过 TCP 连接建立安全通道,双方交换版本并协商加密算法。客户端验证服务器公钥后,各自独立计算会话密钥且不通过网络传输。认证阶段客户端使用私钥签名请求,服务器利用 authorized_keys 中的公钥验证签名以完成身份确认。

10月2日周五
9月30日周三
9月29日周二
  1. GitHub Blog73

    GitHub 开源 AI 安全智能体任务流:如何发现 24 个 Android 漏洞

    GitHub Security Lab 发布了开源的 Taskflow Agent,通过定制化的提示词工作流自动化 Android 应用的安全审计,目前已协助发现并报告了 24 个漏洞。

    推荐理由:GitHub Security Lab 开源了用于 Android 漏洞审计的 AI 任务流,提供了具体的 Prompt 设计思路和两个高危漏洞挖掘案例。

9月28日周一
  1. ByteByteGo78

    ByteByteGo 解析 Machine Payments Protocol (MPP):AI Agent 如何自主完成支付

    ByteByteGo 发布深度分析文章,解读由 Stripe 和 Tempo 共同发起的 Machine Payments Protocol (MPP),该协议旨在让 AI Agent 无需人类介入即可自主完成互联网支付。

    推荐理由:文章详细拆解了MPP协议的技术实现与微支付场景,为开发者提供了应对AI智能体成为主要客户时的技术准备思路。

9月27日周日
9月25日周五
9月24日周四
  1. GitHub Blog48

    GitHub Copilot 应用如何渲染包含 2,200 个文件的巨型 Pull Request

    GitHub Copilot 应用重构了 Pull Request 视图,以支持包含 2,200 个文件、超百万行变更及 400+ 评论的巨型 PR。该方案将文档高度拆分为确定性代码几何与动态块几何两个独立域,解决了因 Markdown 和异步资源导致的评论高度不可预测问题。通过延迟测量并锚定修正,确保了在极端负载下的滚动流畅性与性能。

  2. Simon Willison28

    Shadow roots 交互式示例解析

    Simon Willison 发布关于 Shadow DOM 的交互式示例,演示样式封装、继承、slots、parts 及 JavaScript 访问机制。内容展示 shadow roots 如何创建隔离的 DOM 树,包含私有样式表并与页面 DOM 进行受控交互。

9月23日周三
9月22日周二
  1. PyTorch78

    Shopify 如何利用 PyTorch 和 vLLM 构建持续学习循环

    Shopify 通过 PyTorch 和 vLLM 建立持续学习循环,将生产失败数据转化为模型权重更新,使 GraphQL Agent 在超越前沿模型质量的同时降低 96% 的服务成本。该流程包括定义质量评估标准、校准 LLM 裁判、利用自动研究优化基线、通过监督微调和 GRPO 强化学习更新参数,以及使用 Gist 压缩技术减少提示词长度以提升推理速度。

    推荐理由:原文详细拆解了从定义质量到模型微调及提示词压缩的完整闭环,为构建自进化AI系统提供了可复用的工程路径。

9月21日周一
  1. ByteByteGo35

    如何在廉价硬件上运行大模型:量化、卸载与蒸馏等技术解析

    在普通硬件运行大模型需通过量化、层级卸载、混合专家、知识蒸馏、剪枝及推测解码等技术降低内存占用与计算量。以8B参数模型为例,仅权重即需约16GB内存,且受限于RAM/VRAM容量及带宽瓶颈。这些方法旨在解决推理阶段的显存不足问题,使已训练模型能在资源受限设备上实现可用响应速度。

9月19日周六
  1. 宝玉的分享78

    宝玉分享用 GPT 6 Astra 制作 3D《桃花源记》的工作流与提示词

    宝玉使用 ChatGPT Pro 中的 GPT 6 Astra 生成了 3D 版《桃花源记》网页原型,并通过替换真人朗诵音频和优化工程细节完成了最终作品。他公开了用于将课文转化为交互式 3D 场景的详细提示词模板,该模板强调空间关系的真实连通性和叙事镜头的连续性。此外,他还展示了如何利用 Codex 进行文件结构优化和资源拆分,将 HTML 文件大小从 5.6 MB 缩减至约 777 KB。

    推荐理由:作者分享了利用 GPT 6 Astra 和 Codex 构建 3D 文学场景的完整工作流,并提供了可复用的详细提示词模板。

9月17日周四
9月16日周三
9月15日周二
  1. ByteByteGo40

    LLM 是否有金鱼般的记忆?

    LLM 本身无持久记忆,其“回忆”能力依赖外部应用将历史对话、摘要或用户偏好重新注入上下文窗口。随着对话增长,重复传输文本导致成本与延迟增加,且受限于模型上下文长度,旧信息需被移除或存储于向量数据库等外部系统。

9月14日周一
9月12日周六
9月11日周五
9月9日周三