汇聚 V2EX、Hacker News、掘金等 IT 社区的热门讨论与精华内容。
掘金精华掘金开发者原文摘录：功能要求在材料文件中需要切换Tab，预览 word 文档， AI 使用的微软的插件预览 office 文件，但是里面嵌入了微软的信息，这里的预览插件需要重新选型。页面的基本构成已经完成了，直接要更换预览插件即可。解决方案也简单，因为在页面展示，直接将文档转成 Html 、或者 PDF 即可。这里选择了转成 Html ，为了 CSS 能够隔离，使用了 iframe 标签，将 html 内容包裹即可。
掘金掘金开发者原文摘录：说白了就一件事：你提一个问题，它自动去搜索引擎搜、读网页内容、整合分析、给你一个带来源引用的回答。不需要自己搭知识库，不需要折腾 RAG 管线——搜索引擎就是你的"数据库"，各大引擎的 API Key 一配就能跑。LangChain 学了点、LangGraph 翻了三天文档没看懂、智能体概念模模糊糊。因为搜索类 智能体有个天然优势—— 数据不用操心 。
掘金掘金开发者原文摘录：拦截器链采用 责任链模式 ：每个拦截器处理完后，传递给下一个拦截器，形成一条处理链。下一篇我们深入 响应解析器 ，看看如何优雅处理 JSON、XML、Protobuf 等多种数据格式。💡 提示 ：生产环境记得关闭 LogInterceptor，或者使用环境变量控制，避免敏感信息泄露。
掘金掘金开发者原文摘录：看了个段子深有感触 年少时的我曾对父亲说： 你们那年代遍地风口 改革开放南下经商、当个中间商开个厂都能赚得盆满钵满、房价低到像白捡，遍地都是机会！身处 AI 时代，这一刻我突然懂了 不是上一辈不努力 是普通人根本抓不住时代的机遇。为什么AI 时代来临，大部分人吃不到红利 1.你是 AI 的消费者，而不创造者，你只会消耗token，而不是创造价值 大多数人是 AI 的消费者。
掘金掘金开发者原文摘录：尤其是他的 Browser Use 功能，让 智能体的联网能力拉到满中满。第三，安装 QoderWork 的 Chrome 浏览器插件，让 智能体像你一样操作浏览器。上图就是 QoderWork 自动在我的 Chrome 中打开技术派的 admin 页面，并帮我进行 ElasticSearch 的关键字搜索测试，关键字是【注意力机制】。更重要的是：QoderWork for Chrome 不只是测试代码成果， 还能协调多个 智能体并行测试复杂的网页交互场景，尤其是多人协作/多人在线应用这种人工测试比较麻烦的场景 。
掘金掘金开发者原文摘录：上一篇我们聊了会话生命周期那个事，把僵尸进程（ idle in transaction ）搞出来的资源耗尽问题给解决了。那么，如果说你遇到双十一大促，或者说月末财务结账这种并发特别高的情况，往往就会发现另外一种很头疼的现象。系统突然就不响应了，其实这就是**锁竞争与锁冲突（Lock Contention & Conflicts）**在捣鬼。业务线研发经常跑来找你，拿一段测试没问题的 UPDATE 代码。
掘金掘金开发者原文摘录：最近，antirez（Salvatore Sanfilippo，Redis 作者）发布了一些内容，核心就是反驳一个言论： “中国模型之所以强，主要是因为通过 API 蒸馏了美国模型 。” 他认为这种说法在机器学习原理上站不住脚，甚至是 “marketing from US labs” 或对 ML 的误解。antirez 的意思是：有些人把中国开源/闭源模型的进步，简单归因于“偷偷用 GPT/Claude API 生成数据来蒸馏”，这在严格的机器学习意义上是不成立的。所以白盒蒸馏闭源项目基本是不可能的 ，记住，是白盒（软的），因为白盒蒸需要让 student 不仅输出一样，还要内部“思考过程”和知识表示尽量接近 teacher。
掘金掘金开发者原文摘录：这是一场关于“人人都可以创造”的技术实践邀请。大赛分为初赛、复赛、决赛三大阶段，设置了超过百万元的现金激励。赛题设计兼顾创意广度与社会价值，设置“生活娱乐”“学习工作”“社会服务”“硬件交互”四大通用赛道与社会公益附加专题赛道，每个阶段都设置了晋级激励，让每一位参赛者真正实现“参与即有奖”。在丰厚的现金奖励之外，晋级决赛的选手还将解锁更多资源支持，包括官方荣誉背书、项目孵化与投资机会以及业内顶尖导师的深度指导，优秀选手更有机会获得行业投资。
掘金掘金开发者原文摘录：以前移动互联网兴起的时候，创业公司特别多，融资比较容易，所以那时候程序员特别好找工作，为什么当时那么多岗位？那时候“互联网+” 的兴起，全民创业，大众创新，房地产也十分火热，整体大环境在上升期，在企业里面，100个项目有 95 个是伪需求，客观的说千千万万的研发兄弟就是被伪需求养着的，你们想想是不是，自己的部门业绩一直亏损，但每年年终不能说拿到手软，但也过得去，尤其是早一批吃上互联网红利的人，基本都在一线城市定居了。那时候找工作很疯狂，经常转一圈一个下午就能拿四五个 offer ，甚至啥也不会的大学生就直接能进还不错的公司。后来业务需求定型，经济下行，业务不断的收缩，老板也意识到很多需求是伪需求，不单单是伪需求，真需求都不多了，投资
掘金掘金开发者原文摘录：先放个结论：按星哥的步骤配置完，你就能在本地工具里直接调用 DeepSeek V4 Pro 的免费额度，不用充值，不用复杂操作，5 步就能搞定！如果没有安装CC的，可以参考之前星哥的文章： 安装Claude Code和cc-switch cc switch是非必须的，如果你有其他的大模型软件比如 Cherry Studio ，也可以用这个来连接使用deepseek v4 pro。整个操作逻辑特别清晰，就是 “注册→建 Key→限模型→配工具→测试”，一步都不绕，星哥给大家拆解得明明白白： 先把 cc switch 下载好（大家可以用自己常用的渠道搜，或者找靠谱的资源站），安装完成后先别着急配置，等后面拿到 API Key 再操作。这
掘金精华掘金开发者原文摘录：1 板正式发布，并采用 MIT 许可协议正式开源。支持： 安装方式非常简单，一行命令搞定： curl -fsSL mimo.com | bash 。这个安装界面的颜值整的还挺高，不得不说，兄弟姐妹们，小米在外观这方面确实有一套。
掘金掘金开发者原文摘录：最近一年，我接触到的很多 AI 应用都在做同一件事：把大模型接进一个输入框，再把回答展示在聊天窗口里。这种方式验证模型能力很快，但当我把它放进教育场景后，问题也很快暴露出来。试题解析即使正确，也缺少教师讲解时的停顿、强调和反馈。系统能够“生成内容”，却还不像一个真正参与教学过程的角色。
掘金掘金开发者原文摘录：我发现，对于 Claude Code，群里、评论区、私信，问得最多的两个问题是：Claude Code 到底怎么用？甚至你用 PaiSwitch 可以切换任何底层模型（开源的）。今天这篇，我就把自己摸索出来的经验浓缩成 6 个实战 Case，每个 Case 都有具体的提示词、执行过程和最终效果，看完大家就明白了。TIPS：Claude 今天刚升级了 Fable 5 模型，AI 圈都在吹这个模型超过了 GPT-5.
掘金精华掘金开发者原文摘录：5 万字离职长文引发热议，真正刺痛很多人的，可能不只是某个团队的管理问题，而是大家都在同一种职场气候里闻到了熟悉的味道： 项目很急，方向常变；每个人都在努力，但很难说清楚努力最终沉淀成了什么。以前我们说前端是“把页面做出来的人”，后来变成“把体验做好的人”，再后来又要懂工程化、懂性能、懂跨端、懂数据、懂增长。到了 AI 时代，前端还要会用工具提效，会搭智能应用，会理解大模型能力边界。
掘金掘金开发者原文摘录：随着 DeepSeek、Qwen 等国产大模型以极高的推理能力风靡全球，我们正在见证 AI 认知能力的巅峰。然而一个尴尬的现实无法规避： 大模型的能力被死死困在了“纯文本”的对话框里。在传统的 ChatBot 交互范式下，大模型是一个“看得见摸不着的幕后智者”。面对冷冰冰的吐字，用户感受到的是极具距离感的“机器感”。
掘金掘金开发者原文摘录：同样的工具，在每个人手里呈现出来的结果是完全不同的，就比如说 Codex，营销号说他就是神，但就我个人的感受来说，不至于。我昨天用 Codex 接了阿里云 OCR 到派聪明项目中，结果一天扣了我 700 多块钱。更恶心的是阿里云 OCR 启用后就没办法关闭，除非程序上做限制。env 中加了 ALIYUN_OCR_ENABLED=false/true 这么一个全局限制，不然麻烦的要死。
掘金精华掘金开发者原文摘录：AI 编码工具读文件没问题，但遇到“项目怎么分层”“这个接口后面调用了谁”“改一个类会影响哪些流程”时，只靠搜索文件名和关键字就不够了。GitNexus 的思路是先把项目索引成代码知识图谱，再把这份图谱提供给 CLI、Web UI 和 MCP。接入 Codex 之后，Codex 可以直接读取 GitNexus 的项目上下文、功能聚类和执行流。这次操作基于一个多模块 Java 项目 bo-camunda-flow 。
掘金掘金开发者原文摘录：那么问题来了，只要你的数据库开始跑真实的业务，各种奇怪的毛病往往仅仅只是会跟着跑出来。通常来说的话，日常运维里面最让人头疼的报警，其实也就是“系统卡顿”了，或者说“数据库连接池被打满”的情况。遇到这种紧急的事儿啊，很多新手的直接反应是什么呢？重启应用呗，或者更粗暴一点，直接把数据库服务给重启了。
掘金掘金开发者原文摘录：sh 排行榜 和 Claude Code Frontend Design Toolkit 等社区精选整理（2026 年 6 月）。通用安装命令格式： npx skills add ，需要 Node 18+。
掘金掘金开发者原文摘录：今天刚好看到一篇 《 How LLMs Actually Work 》 的内容，可以很形象地解释 LLM 究竟是怎么工作的， 特别是作者抛开了各种复杂的数学原理，还能直观让你理解 LLM 是怎么工作的 。简单来说， LLM 大多是把 Transformer block 一层层堆起来，所以只要理解 token、embedding、位置编码、attention、FFN、残差流、归一化、next-token prediction ，基本就能看懂很多论文和模型在讲什么，而且可以换个角度理解。LLM 的一次生成，是每一步都在问：基于目前所有上下文，下一个最合理的 token 是什么？这个其实很重要， LLM 不直接处理自然语言字符串 ，而是先
