【经翻译】引导加载器跳转到内核时为何失败?
原文摘录(经翻译):我在引导加载器中跳转到内核时遇到问题:读取磁盘第二扇区并加载到 0x8000,设置 GDT 后远跳转进入保护模式,再重新设置段寄存器和栈指针,但远跳转到内核时 QEMU 会进入循环,近跳转也没有成功。
汇聚 V2EX、Hacker News、掘金等 IT 社区的热门讨论与精华内容。
原文摘录(经翻译):我在引导加载器中跳转到内核时遇到问题:读取磁盘第二扇区并加载到 0x8000,设置 GDT 后远跳转进入保护模式,再重新设置段寄存器和栈指针,但远跳转到内核时 QEMU 会进入循环,近跳转也没有成功。
原文摘录:和 AI 智能体聊了半天,它帮你计算了复杂数据、处理了多个文件,结果你下一句问 "刚才算的结果是多少?",它却一脸茫然地说 "抱歉,我不记得之前的对话了"。这就是 AI 最让人头疼的 "先天性失忆症"——默认情况下,所有大模型和智能体都是无状态的。
原文摘录:superpower 是开源社区非常出名的 harness 框架, 我们在本文通过数栈产品 easyIndex 的复杂需求实现来探究 superpower 的价值。
文章讨论在数据库中使用随机 UUID 作为主键的性能代价,重点是 UUID4 的无序插入会让聚簇索引产生额外分页和 B-tree 重平衡;外部来源:andersmurphy.com
原文摘录:目录 🍕 一、智能体记忆的整体设计框架 🍕 二、短期记忆 —— 任务的“工作台” 🍕 三、长期记忆 —— 经验的“知识库” 🍕 四、短期记忆 vs.长期记忆 —— 详细对比表 🍕 五、一个综合架构的例子(如 AutoGPT, LangChain 的实现) 🍕 六、关键难点与高级设计 🍕 七、总结 🍕 八、面试回答 一、智能体记忆的整体设计框架 一个完整的 智能体记忆系统通常被设计为三层结构: 原始感知缓存 :极短时间保存原始输入(如最近几秒的对话、连续的动作观察)。工作记忆(短期记忆) :当前任务正在使用的、经过初步处理的信息。容量有限,一旦上下文窗口结束或被刷新,信息就会丢失。
原文摘录:上一篇文章说到按照消息数量来截断历史对话,这种方式有个问题,就是每次对话的内容可长可短,导致固定消息数量的对话内容忽长忽短。历史对话内容不光要存入数据库,还要作为初始提示词发给下次新会话的大模型。太长的提示词不仅冗余,还会消耗大量Token,让用户钱包快速缩水。太短的提示词容纳的信息量不足,难以 .
原文摘录:一款接入20+免费大模型渠道的AI编程工具 我做了十几年游戏开发,从 Unity C# 做到 Unreal C++,后来又碰了不少自研引擎。去年开始深度用 Claude Code 和 Codex CLI 写代码——不是那种"帮我写个排序"的用法,是让它读整条渲染管线,跨十几个文件改逻辑,加物理调试工 .
原文摘录:2026 年 6 月,Linux 基金会旗下的[智能体 AI 基金会(AAIF)正式接纳 AgentGateway 为第四大核心托管项目](aaif.io .
原文摘录(经翻译):帖子展示 TinyTPU 项目:一个 SystemVerilog 脉动阵列被编译为 WASM,并在浏览器中运行,验证结果与 NumPy 参考实现一致。
OpenAI 这篇文章讨论智能体优先环境中的工程支架建设,重点是如何用 Codex 改造测试、评估、自动化和开发流程,让智能体更稳定地参与工程交付;外部来源:openai.com
原文摘录:👋 大家好,欢迎来到我的技术博客!📚 在这里,我会分享学习笔记、实战经验与技术思考,力求用简单的方式讲清楚复杂的问题。🎯 本文将围绕 Apollo 这个话题展开,希望能为你带来一些启发或实用的参考。🌱 无论你是刚入门的新手,还是正在进阶的开发者,希望你都能有所收获!
原文摘录:数据库装好以后,第一件事不是建业务表,也不是急着看复杂语法,而是先确认客户端能不能稳定连进去。MySQL 用久了,手上一般会有一套很熟的动作:服务起来以后,敲一条 mysql -h -P -u -p ,能进交互界面,再查个 select version() 。这套动作看起来简单,但它解决的是最基础的问题:当前连的是哪台机器、哪个端口、哪个用户、哪个库。切到 KingbaseES 以后,入口换成了 ksql 。
原文摘录:上个月写了一篇 Claude Code 上下文管理的文章,评论区有个问题问得很好——"压缩具体是怎么压的?压完之后它怎么还记得我刚才让它干什么?只知道"满了就压缩",但到底怎么决定什么时候压、保留什么丢弃什么、压完之后怎么恢复工作状态,这些细节一直是黑盒。直到我花了两天时间把 Claude Code 的 compact 目录下十几个源码文件从头到尾读了一遍,才发现这套压缩机制远比我想象的精密。
原文摘录:有分享错误或者不足的地方欢迎大佬指导,也欢迎各位大佬互相三连 目录 前言 一、实验原理 二、安装人脸检测依赖环境 三、编写人脸检测节点源码 四、配置 CMakeLists.xml 六、编译与仿真完整运行 6.2、运行实验 总结 前言 前面三期博客我们依次完成了 相机图像数据获取 、 颜色特征提取与目标定位 、 视觉目标小球跟随 ,已经熟练掌握 ROS2 与 OpenCV 结合的基础视觉开发流程。本期博客我们来实现更贴近实际应用的 人脸检测 实验。
原文摘录:Kotlin 官方刚发布的新东西, 开始给 AI 智能体写"操作手册"了 : kotlin-智能体-skills 。kotlin-智能体-skills 是 Kotlin 官方维护的一组 AI 智能体可执行技能包 。这套 Skill 遵循一个叫 智能体 Skills 的开放标准(agentskills.这个标准最初由 Anthropic 发起并开源,核心设计是: Kotlin 官方选择拥抱这个标准,而不是自己搞一套,说明这个标准已经成为行业共识了 。
原文摘录(经翻译):一些 Spring 注解带有包匹配属性,例如 EnableJpaRepositories、EntityScan、ComponentScan。当前配置会匹配以 com.mycompany.repositories 开头的包,但我希望匹配任何以 com.mycompany 开头、且包含名为 repositories 的子包的路径。
原文摘录:Over the past few months, I’ve increasingly noticed something through my network: more people from non-technical backgrounds are building software as AI tooling improves. I even attended a hackathon where participants only had 20 minutes to build a demoable product!When AI makes building easier, how do we make sure und…
原文摘录(经翻译):这段内容围绕模型公司全栈化、欧洲 AI 基础设施、算力布局和企业落地路径展开。
原文摘录:Flex/Grid 排版、KaTeX 公式、Mermaid 图表、自定义字体,这些东西交给大模型基本都能做得有模有样。相比之下,让 AI 直接生成原生 PowerPoint 那套 XML,就很容易变成大型翻车现场。所以过去一年多,我越来越倾向于让 AI 直接产一个 deck.html ,而不是回去跟 Keynote、PowerPoint 较劲。
原文摘录:距离上次在 V2EX 介绍 TINKER 差不多过去半年了。这段时间里,我一直在根据自己的使用体验持续打磨,统计了一下,算上部分第三方封装插件,目前已经积累了 100+ 个插件,基本能满足我 80% 的日常使用场景。像待办事项、进程清理、磁盘清理、空间分析这些功能,几乎每天都在用。平时通过快捷键唤起搜索框,输入关键词回车就能快速打开插件,也可以用命令行直接启动,非常顺手。 所有内置插件遵循统一的视觉风格,支持暗黑与浅色模式,也做了中英双语适配,完整的插件列表可以点此查看。下边是部分插件截图。 TINKER 是一个开源免费的工具箱应用,目前仍在持续开发中,支持 Windows 、macOS 、Linux 三端,未来会不断新增和完善插件