Databricks 讲解如何在 AI Runtime 上将 Qwen 3.8 27B 微调时间缩短 6 倍
Databricks 演示通过系统性性能优化，将 Qwen 3.8 27B 在 AI Runtime 上的微调时间从 7 小时 44 分钟降至 1 小时 17 分钟，提速 6 倍。
推荐理由：原文给出从定位瓶颈到融合内核与数据打包的完整优化路径和量化结果，读者可迁移到自己的 LLM 微调任务。
内容类型
教程实践 最新动态
拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
574 条精选近 30 天 75 条共收录 3,102 条
更新
精选归档 · 第 2 页
Databricks：Blog精选AI 评分6161 OpenAI Developers：Blog精选AI 评分7575 OpenAI 工程师分享用 GPT-6 系列模型清理代码库的实践与提示词
OpenAI Core Experimentation 团队工程师分享用 GPT-6 Astra 和 GPT-6.1 Sol 在 Codex 中做代码维护的实践，团队已合并超过 1,400 个维护 PR，删除逾 80 万行代码。
推荐理由：作者以一手实践给出可直接复用的 Codex 提示词和模型成本对比，读者可按小任务起步迁移到自己的代码库维护。
Lydia Hallie ✨@lydiahallie精选AI 评分6969推荐理由：原文给出 Claude Code 空闲压缩的具体关闭参数和阈值设置方法，读者可直接迁移到自己的 settings. 配置。
LangChain：Blog精选AI 评分6363 LangChain 详解 Deep Agents 的上下文工程：如何记住信息而不塞满上下文窗口
LangChain 发布博客，介绍其开源 Agent 框架 Deep Agents 如何用 middleware 做上下文工程，应对长任务中的 context rot。
推荐理由：LangChain 以竞争分析 Agent 为例，讲清 offloading、summarization、skills、subagents 和长期记忆五类上下文管理技术如何通过 middleware 落地。
Google Developers Blog精选AI 评分7070 Google 用 Gemini 4 Argon 无人值守优化 20 万行 Python 代码库 ADK
Google 工程师用 Gemini 4 Argon 在 google/adk-python 上无人值守跑 11 小时，提出 6 项优化、审查后合并 2 项，使长会话内存会话准备时间降低约 40%，包导入加快 21%。
推荐理由：作者复盘了让模型无人值守跑通真实大仓库的完整工作流，含被否决的改动和可复用的 .agents/skills 设置方法。
Anthropic：Engineering精选AI 评分7272 Anthropic 自研版本控制系统 Scion，五个月完成 monorepo 从 git 迁移
Anthropic 发布工程复盘，因 Claude 使日均合并代码量从 2026 年 5 月约 2,500 增至 9 月超 30,000，五个月内自研版本控制系统 Scion 并完全替代 git，同时推出代码评审工具 Antique。
推荐理由：Anthropic 自建版本控制系统 Scion 的完整复盘，给出面向智能体规模负载的设计原则、架构细节和实测收益，可迁移到其他大规模仓库场景。
LangChain：Blog精选AI 评分6161 LangChain 发布 langchain-scaledown 集成，用 ScaleDown 约束解码模型管理长时智能体上下文
LangChain 发布 langchain-scaledown 集成，并在 LangSmith LLM Gateway 中支持 ScaleDown 的约束解码模型（CDM），用于降低长时智能体上下文管理的成本和延迟。
推荐理由：文章给出 ScaleDown 约束解码模型与 LangChain、Deep Agents 中间件的具体配置方法，读者可以按场景迁移用于压缩智能体上下文。
Vapi 产品与 Agent 方法精选AI 评分6767 Vapi 自研代码审查机器人如何将 PR 合并时间缩短一半
Vapi 工程师 Lat Ware 自研 Pedantic Review Bot，使 PR 从开到合并的平均时间从 130 多小时降到 65 小时。机器人会运行测试和小复现来验证发现，分析和发评论分属两个 job，只能评论不能批准或推送；2026 年 9 月 2 日至 10 月 2 日审查了 1,694 个 PR，在 276 个中提出 363 个 blocker 发现。
推荐理由：作者基于自家代码库做了提示词版本、多跑对比和范围指令等实验，给出可直接迁移的代码审查智能体实践结论。
Anthropic：Research精选AI 评分6969 Anthropic 自研版本控制系统 Scion，五个月内完成 monorepo 从 git 的全面迁移
Anthropic 发文详解其自研版本控制系统 Scion：因 Claude 使日均合并代码从 2026 年 5 月约 2,500 次增至 9 月超 30,000 次，git 难以承载，团队七人在五个月内构建 Scion 和代码评审工具 Antique 并完成迁移。
推荐理由：Anthropic 复盘自研版本控制 Scion 的设计原则与迁移经验，为面临类似 agent 规模代码压力的团队提供了可借鉴思路。
Tessl：产品与工程博客精选AI 评分6565 如何只用自己拥有的文件约束编码智能体
Tessl 博客文章介绍用四个可拥有的文件杠杆约束编码智能体：CLAUDE.md 指令、.claude/rules/ 路径级规则、.claude/ 下的能力配置和 .claude/hooks/ 钩子。
推荐理由：作者用同一工单三次实测对比 charter 各文件杠杆的效果，方法可迁移到自己的仓库，并指出机器可查与需人审的边界。
MeshyAI@MeshyAI精选AI 评分7070引用rewind@rewind02以下是如何用 Claude Opus 5.5 + Blender + Unreal Engine + Meshy 构建这样一款游戏…… 诀窍是给每个工具只分配一项任务，但有一种聪明的设置方式： - 第 1 步：安装 Claude Code、Unreal Engine 5 和 Blender 5.1+，除了 Claude 订阅外全部免费 - 第 2 步：通过 Blender 的 MCP 插件连接 Blender，并通过 Meshy MCP 配合 API key 连接 Meshy - 第 3 步：先用 Opus 头脑风暴 5 个游戏创意，选一个，让它在开始构建任何东西之前先扩展这个创意 - 第 4 步：告诉它你的 GPU，这样它就能把画质推到你的机器能运行的极限 - 第 5 步：Meshy 生成道具和角色，Opus 将它们导入 Blender 并进行清理 - 第 6 步：Opus 把所有内容带入 Unreal：关卡、光照、HUD、小地图 - 第 7 步：试玩，然后每次提示添加一个功能：战斗、敌人、任务 谁负责什么： > Meshy：3D 模型 > Blender：清理、摆放、材质 > Unreal：光照、物理、实际的游戏 > Opus：在一个聊天中运行这三者 而真正的成本…… 一次完整首次构建大约花了 4 小时，以及每周 Max 订阅约 19% 的额度 把第一关做好，之后的关卡会快得多，因为资源已经存在了
推荐理由：原文给出七步工具分工流程和实际耗时与费用，读者可以直接照搬搭建游戏的工作流。
Hugging Face 官方团队博客精选AI 评分7272 Hugging Face 工程师用 ML Intern 以约 103 美元自制 7 个小模型
Hugging Face 工程师 yuvraj sharma 用 HuggingChat 的 ML Intern 模式在几天内做出 7 个模型，包括可在 CPU 运行、99.7% 有效输出的 0.8B 提示词重写器，以及将柑橘病害识别准确率从 14.9% 提升到 52.8% 的 Qwen3.5-2B 微调模型等，全部计算成本约 103 美元。
推荐理由：作者总结了预算控制、基线评测和冒烟测试等提示词写法，让 agent 自主完成数据构建、训练与发布，方法可直接迁移复用。
Comfy Blog精选AI 评分6666 如何在单张 RTX 5090 上用 MiniMax H3 生成实时视频
ComfyUI 博客作者用智能体搜集各类优化，把 MiniMax H3 实时视频生成压缩到单张 RTX 5090（32 GB 显存）上运行，生成 30 秒视频耗时 23.51 秒，达 1.28 倍实时吞吐。
推荐理由：原文给出单张 RTX 5090 实现实时直播视频生成的完整优化清单和开源节点，读者可复现这套压成本思路。
NVIDIA Technical Blog：Agentic AI / Generative AI精选AI 评分6262 NVIDIA KGMON 团队分享 KDD Cup 2026 数据分析智能体的构建经验
NVIDIA KGMON 团队在 KDD Cup 2026 Data Agents 竞赛获得第二名，并发布构建可靠数据分析智能体的方法复盘。
推荐理由：NVIDIA KGMON 团队复盘 KDD Cup 2026 数据智能体赛题的九项实践，给出在固定小模型上构建可验证 agent harness 的可迁移方法。
LangChain：Blog精选AI 评分6161 LangChain 用 Stripe Link 和 Managed Deep Agents 构建可支付的智能体 Restock
LangChain 发布示例项目 Restock，一个在 Slack 上通过 Managed Deep Agents 运行的办公用品购买智能体，演示智能体如何安全完成支付。
推荐理由：原文给出了完整的智能体支付架构与凭证隔离做法，读者可以复用到任何需要花钱的智能体场景。
Anthropic：Claude.dev 开发者博客精选AI 评分6868 Anthropic 用 Claude Managed Agents 构建定时智能体自动化的实践指南
Anthropic 发布基于 Claude Managed Agents（beta）的每日简报参考实现，按计划读取 Slack 和 GitHub 来源并向 Slack 发布简报。
推荐理由：文章把定时智能体自动化拆成可复用的六个组件，并给出书签、台账和权限等可直接迁移的防错规则。
Tessl：产品与工程博客精选AI 评分6868 Tessl 工程博客：AI 不是笨，是瞎——企业级 Agent 记忆的三个关键设计决策
作者基于为跨公司工作的 Agent 构建记忆系统一年的经验指出，AI 失败的常见原因不是模型推理差，而是它看不到关键决策上下文，多数 agent memory 只是给瞎子更大的档案柜。
推荐理由：作者以自建系统的一手实测数据说明为何该把记忆当受治理的记录而非存储，三个设计决策和成本数字可直接迁移。
vLLM 官方博客精选AI 评分6363 vLLM 详解 DeepSeek-V4.1-Flash 优化：Agent 场景吞吐提升 5 倍
Inferact 与 vLLM 社区在 DeepSeek-V4.1-Flash 发布三周内完成优化，低并发速度提升 1.9 倍，150 TPS 约束下吞吐提升 5.3 倍。
推荐理由：vLLM 团队拆解了 SWA bounded replay 和一系列内核优化，说明五倍吞吐提升具体来自哪里，方法可复用于其他 Agent 服务场景。
- Lydia Hallie ✨@lydiahallie精选AI 评分6868引用ClaudeDevs@ClaudeDevs
对于低于 100K token 的提示，价格为每百万 token $0.10 / $0.50，缓存读取为 $0.01。 超过 100K token 时，每百万 token $0.50 / $2.50，缓存读取为 $0.05。
推荐理由：原文给出具体命令和阈值，让 API 计费用户能通过设置 autocompact 窗口留在更低的 token 定价档。
Unsloth AI@UnslothAI精选AI 评分6666推荐理由：原文给出完整微调方法和前后准确率对比，读者可在 4GB 显存上复现把 LLM 转成决策模型的流程。