铃阅时讯
❌

普通视图

14 天,110 次上线

2026年7月28日 22:14

原创 王建硕 2026-07-28 22:14 美国

一个人加上 Claude,14 天上线 110 次——一个想想法从冒出来到用户手上,平均不到两个小时。翻完这两周的 release note,我挑出四件自己都觉得厉害的事。

过去 14 天,按照 git log 的统计,我的 VoiceDrop 上线了 110 次。分为几类:

第一类:让每一条提示词,都记得自己的作者是谁。

VoiceDrop 是一个用语音写文章的 App。里面有一种东西叫提示词——比如「把这张图改成手绘解释风」,一条调好的指令。

这两周,提示词从「自己用」长成了一个小市场。:

  • 7 月 22 日:「魔法数字 4 位起步、占满自动升位」。每条分享出去的提示词有一个 4 位数字的码,对着手机念出来就能兑换,像口令红包。

  • 7 月 22 日:「导入件再分享溯源转发——未改正文返回原码,奖励归原作者」。你收下我的提示词,再转给别人,码还是我的,奖励也是我的。

  • 7 月 19 日:「worker 出图后回调前嵌入 XMP 溯源」。AI 生成的每张图,用了谁的提示词,直接写进图片文件内部。图走到哪,作者跟到哪。

一个市场能不能长起来,取决于创作者的东西会不会被白拿。链路记住作者,分享才有动力。 现在的显示的部分并没有做呢。

第二类:把国内用户的等待,从卡死降到 1.6 秒。

有人反馈:分享页的图片一直转圈。查下来不是代码慢,是光缆慢——跨境线路只有 60KB/s。

解法是三层:

  • 7 月 18 日:「照片/封面 302 直连——已上线验证 1.6 秒取全图」。先止血。

  • 7 月 20 日:「voicedrop.cn 迁移 EdgeOne 完成——边缘函数替代 VPS 反代,照片走国内边缘缓存」。图片不再过境。

  • 7 月 20 日:「D1 read replication——国内动态读走就近副本」。连数据库的读,都挪到离用户近的地方。

CloudFlare 实在是个非常好的提供商,很多产品做得非常适合 AI 直接生成部署。可惜国内还没有类似理念的公司,云产品都做得无比笨重。如果还慢的话,就把所有的服务都搬一份到国内。

第三类:把「正在生成」从十几秒压缩到一秒。

用语音改文章,最难受的是等。你说完「把第三段改简洁」,屏幕转圈十几秒,人就走神了。

7 月 25 日一天连发三条,把这件事了结了:

  • 「文章写入直连数据库——单次写入从 8–22 秒到亚秒」。原来每次保存要绕一圈 HTTP,现在直着走。

  • 「编辑服务钉在固定机房 + 模型配置缓存」——治「快路径也要十几秒」。

  • 「乐观回执——『正在生成』压到网络往返级」。先把号牌塞你手里,菜在后厨接着做。

前一天(7 月 24 日)先上了「写后校验:haiku 质检员」——每次改动背后,还有一个小模型在把关。不过,这也证明了一件事情:AI 的代码,常常在一个角度优化而忽略另一个角度,比如速度。我在 CLAUDE.md 里加入了关于 performance 的约束了。

第四件事:同音错字,在转写层就地消灭。

「题图」被转成「提图」,「分享码」变成「分想马」。以前的思路是转写完再修,这次直接往上游走了一步。

7 月 20 日:「ASR 请求级热词(题图/图一到图二十/分享码等),同音错字在转写层就地消灭」。同一天,流式转写也吃上了热词,而且「无需 App 发版」。

同时,也从用户的编辑中学习,语音识别经常犯的错误,然后添加到热词里面,以后就不会错了。

成本变了,节奏就变了;节奏变了,做产品的方式就变了——从憋一个大招,变成每天往前挪八小步。Claude Code 几乎每天都发一个版本,有时候一天几个版本。

但问题是,一个完整的产品, 前面 1/5 的时间,基本上已经完成了大多数的功能,但是后面的 4/5,都是一些不容易看到的小功能,比如兼容性,比如速度,比如边缘案例什么内容。这就是大家感觉这一段似乎没有什么明显的变化的原因。

    ## 逐日明细(新→旧)
    ### 2026-07-28(周二,2 条)
    - log(miner): ASR 完成日志加 asr_dur_ms(火山检测的音频实际时长)
    - feat(invite): 微信内去掉下载蒙层——iOS apps.apple.com 白名单直跳 App Store
    ### 2026-07-25(周六,6 条)
    - fix(lib): writeArticleDoc 对 current 一侧同样清洗顶层字段 + 未迁移 doc 先迁移——堵直写引入的 schema 泄漏
    - perf(agent): 乐观回执 + 瘦身写入——「正在生成」压到网络往返级
    - fix(agent): 图片锚点漂移自愈 + 出图回复文案微调
    - fix(agent): 连接快照 loadDoc 失败重试一次并打日志——null article 快照会消掉任务芯片却不更新正文
    - perf(agent): 文章写入直连 article-store 库,砍掉 HTTP→Pages 绕行(put_article 8–22s → 亚秒)
    - perf(agent+paint): 编辑 DO 钉 wnam + 模型配置缓存 + paint 输入图异步下载——治「fast path 也要十几秒」
    ### 2026-07-24(周五,11 条)
    - perf(agent): 语音编辑提速三件套——长按图片 prompt 直通出图、photo 工具短路、写后校验只验高风险编辑
    - fix(admin): llm/mine 日志日期列表跟 cursor 翻页——R2 delimited list 按扫描 key 数截断,日志攒多后新日期滚不出来(llm 页停在 07-13 的根因)
    - remove(prompts): 系统缺省「合影照片」组删掉「电影感调色」「日系动画电影」两个动作
    - remove(style): 下线多风格对比——miner 只按 head 文风挖单篇,/style API 不再读写 profile.styles
    - fix(style): undo 后再写不再截断未来版本——整链保留,新版本接链尾
    - feat(agent): 编辑 loop 写后校验(haiku 质检员)+ 长按菜单提示词开放给语音(use_my_prompt)
    - feat(a): VoiceDrop 文章阅读数据报告页(reco engagement 近一月)
    - feat(voicedrop-cn): route /agent and /reco through EdgeOne
    - feat(voicedrop): 系统模板新增「合影照片」缺省组——AE209A 整组 6 个动作收编
    - refactor(mcp): login tool splits code/verify_code/pairing, no more overloaded code field
    - feat(a): add MCP visual debugger at /a/mcp
    ### 2026-07-22(周三,15 条)
    - chore(voicedrop): nightly English mirror sync
    - feat(voicedrop): Android 下载全线切应用宝,iOS/Android 下载并列
    - fix(voicedrop): LibraryAgent queue 表补 anchor/item_id 列迁移——修长按语音指令卡死
    - fix(voicedrop): 溯源转发 code-review 9 项修复
    - feat(voicedrop): prompt-market 候选排除 borrowed 行(同码不重复展示)
    - feat(voicedrop): borrowed 条目关分享只删自己索引,绝不碰原作者分享
    - feat(voicedrop): 导入件再分享溯源转发——未改正文返回原码,奖励归原作者
    - feat(voicedrop): effectiveLeaf 透传 importedFrom(写穿副本不带)
    - feat(voicedrop): core-db prompt_shares 读写带 borrowed + coreDeletePromptShare
    - feat(voicedrop): D1 migration 0004 — prompt_shares.borrowed + code 唯一索引改 partial
    - fix(voicedrop): 落地页总守卫下限降到 4 字符,放行 4–5 位魔法数字
    - feat(voicedrop): 魔法数字 4 位起步、占满自动升位
    - fix(voicedrop): 根治 files/photo 4xx 报警风暴——畸形封面 key 拦截 + photo 404 静音
    - feat(voicedrop): 提示词退出社区 feed + /agent/prompt-market 市场端点
    - a/: add Cloudflare 增长引擎 + Zero Trust 科普两份报告页
    ### 2026-07-23(周四,1 条)
    - perf(voicedrop): 提示词市场物化缓存——打开从 3-5s 降到一次 R2 读
    ### 2026-07-21(周二,7 条)
    - chore(voicedrop): nightly English mirror sync
    - feat(voicedrop): sitemap.xml(动态,含公开社区帖) + robots.txt
    - fix(voicedrop/admin): 准入接受 anon_ 访问令牌(app 默认凭证),不只签名 session
    - refactor(voicedrop/admin): 白名单按不可篡改的 scope/ID 码匹配,去掉可冒充的名字匹配
    - feat(voicedrop/admin): 后台准入从 FILES_TOKEN 改成用户白名单
    - feat(realtime): OpenAI 额度耗尽(insufficient_quota)时 APNs 报警管理员 + iOS 停重连风暴
    - feat(voicedrop): 社区分享每日限额 20→200
    ### 2026-07-20(周一,12 条)
    - perf(voicedrop): D1 read replication——国内动态读走就近副本
    - docs(a): 收录 VoiceDrop 存储排查·D1 迁移页到 /a/,更新索引卡片
    - feat(voicedrop): 存储迁移 P3——身份/档案/push token/举报迁 D1
    - feat(voicedrop): 存储迁移 P2——文章/录音索引迁 D1,列表接口一条 SELECT 直出
    - feat(voicedrop): 存储迁移 P1——refhits/invites/prompt-shares/importCount 迁 D1 voicedrop-core
    - feat(agent): 流式 ASR 热词——/agent/asr 代理拦截 full client request 帧注入 corpus.context,实时预览+口述改稿同吃热词,无需 App 发版
    - feat(agent): ASR 请求级热词——auc submit 带 corpus.context(题图/图一~图二十/分享码等41词),同音错字在转写层就地消灭
    - feat(agent): 分享码模型侧推断解析 use_shared_prompt——ASR 汉字数字(七七六六四四3)可兑换,码长不写死(≥3位);EDIT_SYSTEM 补同音错字目标推断+复述规则
    - perf(files): 照片 200 缓存 1 天 → 1 年 immutable(key 写入后不变;404 no-store 不动)
    - docs(voicedrop-cn-edgeone): 证书终态=eofreecert 已部署;记录 apex CNAME 扁平化误报
    - feat(infra): voicedrop.cn 迁移 EdgeOne 完成——边缘函数替代 VPS Caddy,照片走国内边缘缓存
    - Add EdgeOne ownership verification file for voicedrop.cn
    ### 2026-07-18(周六,5 条)
    - chore(voicedrop): nightly English mirror sync
    - fix(paint-size): 补 gpt-image-2 总像素下限——竖图 9:16 缩成 576x1024 不足 655360 被 paint 整单拒,现等比放大到达标(竖版照片改风格必失败的根因)
    - fix(voicedrop-cn): 照片/封面 302 直连 jianshuo.dev——盒子跨境仅 ~60KB/s,分享页图片全卡死;已上线验证 1.6s 取全图
    - feat(files-api): POST wechat-validate——保存前经 relay 从白名单 IP 真拿一次 token,微信侧 errcode 原样透传给 App
    - report(a): VoiceDrop 访客周报 2026-07-14~18(PostHog 首周数据)
    ### 2026-07-19(周日,16 条)
    - refactor(agent): 删文字反查换 item_id 精确解析——payload/queue/ctx 全链穿透 item_id,magicForItem 走 byItem+importedFrom
    - feat(agent): 长按菜单调指令出图也带魔法数字——指令文本反查自己的活跃分享码进 XMP
    - fix(agent): 照片 key 不再用绝对毫秒时间戳——改图保留原图偏移前缀只换随机尾,生成图用会话目录+秒偏移
    - feat(agent): 口播分享码穿透到出图 XMP——resolveSharedPromptBlock 返回 {block,magic},ctx.sharedMagic 下行
    - perf(prompts): 保存不再等分享副本同步——rekey+同步挪进 ctx.waitUntil 后台
    - feat(agent): paint XMP 溯源调用方接线——VoiceDrop 关 prompt 只标来源,prompt-lab 带指令 id/魔法数字
    - fix(paint): harden xmp_meta key validation against spoofed provenance
    - feat(paint): worker 出图后回调前嵌入 XMP 溯源
    - feat(paint): POST /api/jobs 收 xmp_prompt / xmp_meta(校验 + 入库)
    - feat(paint): embedXmp — PNG iTXt / JPEG APP1 原子插块
    - feat(paint): buildXmp 拼 XMP 溯源包
    - feat(usage): 新用户注册赠送 500 → 200 算力
    - docs: paint XMP 溯源实现计划
    - feat(prompt-share): 分享提示词带分组落位——副本记 groupPath,收下进同名组/自动建组,标题「分组|名字」
    - docs: paint 出图自带 XMP 溯源 design spec
    - feat(style): 文风版本保留上限 10 → 20
    ### 2026-07-17(周五,9 条)
    - feat(admin): 访客 IP 并入 /voicedrop/admin 后台——新页 refhits.html + master token 鉴权
    - fix(referral): beacon 只在反代页注入——直连页不再一次访问记两条指纹
    - feat(analytics): 分享页访问打点——文章/社区/提示词三类页发「分享页访问」事件
    - feat(referral): 访客 IP 一览调试页 GET /agent/referral/refhits?key=…
    - debug(referral): 指纹临时改明文 IP(DEBUG_PLAINTEXT_IP 开关)+ test owner 不写指纹
    - feat(iap): 售卖开关——R2 config/iap.json {"enabled":true} 零部署开闸,默认关
    - feat(iap): 订阅产品 ID 带价格 + 档位表——monthly_19_9,以后加档只加一行
    - chore(test): fakes 注释同步 0004 迁移
    - feat(iap): 苹果订阅 P3 服务端——¥19.9/月每月自动入账 200 算力桶
    ### 2026-07-16(周四,18 条)
    - feat(prompts): 「收下这条提示词」幂等——同码重复导入不再重复添加
    - 提示词分享页「收进工具箱」改 universal link:跨域 https 链接替代 voicedrop:// scheme
    - fix(referral): 打点真实 IP 改走 X-Forwarded-For 首段——X-Real-IP 被 CF 边缘覆写不可用
    - fix(referral): 落地页打点 distinct_id 用 X-Real-IP 真实访客 IP——PostHog 里不再「全是同一个人」
    - feat(auth): 绑过实名的匿名 scope 获社区写权限——MCP 配对 token 可分享/取消分享/投币
    - feat(invite): 邀请落地页分享卡片带 App logo(og:image/image_src → icon-512.png)
    - fix(referral): 归因三修——第一方 beacon 复活 IP 层、剪贴板 execCommand 兜底+微信蒙层、邀请人到账推送
    - chore(agent): POSTHOG_API_KEY 进 worker vars(phc_ 可公开客户端 key,用户授权 2026-07-16)
    - feat(referral): 漏斗打点进 PostHog——落地页访问/下载点击/claim 结果分布
    - feat(share): prompt 分享页加「一键收进我的工具箱」按钮
    - fix(share): prompt 社区帖公开页 404——kind=prompt 无 articleKey,原地渲染指令页
    - fix(edit): 锚点 image key 校验做两代照片标记归一——legacy [[photo:N]] 数字 token 经 doc.photos 解析成相对 key,老文章长按图片不再被静默丢弃——锚点 T1 review fix
    - feat(edit): 锚点协议服务端——anchor 透传/校验/漂移自愈/上下文注入——锚点 T1
    - feat(referral): 邀请好友——/agent/referral/link 铸码 + voicedrop.cn/i/<码> 落地页 + claim 认邀请码
    - fix(community): 提示词帖两洞——[[photo]] 占位符不再抠成假题图;投币支持 prompt 帖
    - perf(prompt-share): 黑名单读并进并行组 + 首铸跳过 importCount 保护读——关键路径 ~3 个来回
    - perf(prompt-share): 开分享从 ~15 个串行存储操作压到 ~6——并行前段读 + 发帖挪 waitUntil
    - feat(mint): 投喂到账给作者发 APNs 推送,点开进算力账单
    ### 2026-07-15(周三,8 条)
    - fix(community): 提示词帖同死补漏——举报下架/销号连码删 + 举报列表摘要 + 自愈防误删
    - docs(mcp): share_prompt/unshare_prompt 描述跟上自动发社区帖语义——Task 6
    - feat(community): get 合成提示词帖形状 + unshare 帖码同死 + reconcile 收编——Task 5
    - feat(agent): 开分享=铸码+发社区帖,关分享=帖码同死;登录门槛+审核——Task 4
    - feat(agent): 提示词社区帖发布/撤回帮手 + RECO_DB binding——Task 3
    - feat(community): 展示索引与 list 认 kind 列——提示词社区帖 Task 2
    - feat(reco): community_posts 加 kind 列,feed 透传——提示词社区帖 Task 1
    - feat(mcp): 提示词分享 6 工具——list/share/unshare/status/preview/import
    ### 2026-07-14(周二,1 条)
    - chore(voicedrop): nightly English mirror sync

    阅读原文

    跳转微信打开

    Better Harness 开源了:立即把 Harness 专家带进你的 AI Coding 工具

    2026年7月28日 21:28

    Phodal 2026-07-28 21:28 浙江

    Better Harness 是一套面向 Coding Agent 工作流的开源分析与持续改进工具,将 Harness Engineering 与 Loop Engineering 的工程实践、评估模型和运行能力连接起来,并适配 Claude Code、Codex、Qoder 和 Cursor。

    上周,我们在 Qoder Desktop 中内置了 Better Harness。上线后,很多用户都在问:这个功能会开源吗?

    答案是:会!

    今天,我们正式开源 Better Harness。

    项目地址:

    https://github.com/QoderAI/better-harness

    Better Harness 是一套面向 Coding Agent 工作流的开源分析与持续改进工具,将 Harness Engineering 与 Loop Engineering 的工程实践、评估模型和运行能力连接起来,并适配 Claude Code、Codex、Qoder 和 Cursor。

    四个平台共享同一套判断模型,但会话分析、证据覆盖和输出能力尚未完全对齐。其中,Qoder 已在真实开发工作流中反复验证,是当前能力最完整的参考实现。

    图片
    图片

    完成对应平台的安装或加载后,都可以在要分析的项目中执行:

    /better-harness

    你可以先让它跑起来,边看报告,边继续读这篇文章。如果某类证据不可用,Better Harness 会在结果中保留这个边界,而不会用配置数量或其他平台的数据替代它。

    Better Harness 关心的是 Agent 在任务中做了什么

    假设 Agent 修改了一个模块,运行一条测试命令后便宣布任务完成。真正需要判断的,不是仓库“有没有测试”,而是这条测试是否与改动相关、是否覆盖主要风险,以及结果能否支持交付。

    Better Harness 因此不会把 AGENTS.md、Rules、Skills、MCP、Hooks、Memory、测试或 CI 的存在,当成它们已经在任务中发挥作用。每条待优化项(Finding)都需要给出可追溯的证据、具体的用户影响、最小修复边界,以及修复后的验证方式。

    下面是 Better Harness 在 Codex 中对自身项目进行的一次分析快照:

    图片

    图中没有把“缺少 Codex 宿主测试”直接写成“Codex 已经失败”,而是保留未执行宿主测试的证据边界。分数只帮助定位问题,真正重要的是结论、影响、最小修复范围和验证方式。

    这也是 Better Harness 与配置清单的区别:配置清单告诉你项目拥有什么;Better Harness 关注这些能力是否真正支持 Agent 完成了一次可信的任务。

    而要让报告中的判断能够被检查、修改和重新验证,开源就不能只停留在一个可执行入口。

    Better Harness 的三层开源体系

    如果只是把 /better-harness 的 Prompt 放到 GitHub 上,它当然也可以被称为开源。

    但对 Coding Agent 来说,真正决定结果的从来不是某一句提示词,而是提示词背后的整套工作方式:什么值得检查,什么证据才算数,怎样形成判断,以及这些判断如何在真实项目中持续运行和修正。

    图片

    因此,这次 Better Harness 开放的是三层彼此连接的内容。

    第一层是 Harness Engineering 最佳实践

    它回答的是:面对 Session、CLI、可观测性、Rules、Skills、MCP、Memory、Hooks 和自动化,我们应该检查什么,又有哪些结论不能仅凭配置存在就得出。

    这些知识按照问题领域被组织在 references 中:

    图片

    Better Harness 不会在每次运行时加载一个无限膨胀的总 Prompt,而是根据当前发现的问题,读取对应领域的判断依据。遇到诊断问题时进入可观测性实践,遇到 Skill 问题时进入 Skill Review,发现重复流程时再判断它是否应该由 Skill、Hook、Script 或 Automation 长期承载。

    第二层:Agent Work Loop 评估模型

    它负责把工程实践转化为可以逐项检查的问题,并约束证据、评分与结论之间的关系。当前模型和证据状态定义公开在 Agent Work Loop 中。

    鉴于标准尚未成熟,我们避免让单个模型主观定义 “好的Harness”。首轮内部评测选取 30 个 GitHub 真实项目,由四类模型基于 OpenAI 的 Harness Engineering 文章独立评估,生成 120 份标准化报告;随后通过跨模型对比和人工校准,明确证据要求、判断边界及项目类型差异,并应用更新准则对全部项目重新评估。

    图片

    这条“自动评测—自动汇总—人工校准—自动复跑”的闭环,帮助我们得到第一个可复现、可持续调整的 Harness Engineering 评估模型。

    第一版模型仍然更接近传统的软件工程成熟度扫描,关注项目是否拥有文档、测试、CI 和安全机制。但我们很快发现,静态资产不能证明 Agent 真正完成过一次任务。

    为了持续追踪模型与项目能力的变化,我们采用 Spec 驱动的方式建设 Better Harness。随着 200 多份 Spec 的积累,模型逐渐从关注“仓库里有什么”,转向判断“任务中实际发生了什么”。

    评估对象由仓库或会话,收敛为一个具体的任务;会话不再是评估对象,而只是承载证据的容器。模型也逐步稳定为五个维度:任务理解、可控执行、改动验证、可靠交付和经验沉淀。文件存在、配置数量、时间相邻,甚至一次命令成功,都不能再被直接推导为某项能力已经真正生效。

    最终,Agent Work Loop 不再是一张静态评分表,而是一套围绕真实任务、能够复现并持续校准的判断系统。

    第三层:可运行的工程实现

    它负责让前两层不只停留在文档和模型中,而是能够在真实项目里重复运行。Better Harness 通过插件或 CLI(项目中的 scripts 目录下的 JavaScript 代码) 启动一次分析,先冻结任务范围,再分别采集三类证据:

    • • Session Evidence 还原 Agent 在真实任务中的行为;

    • • Project Harness 检查项目是否可启动、可诊断、可验证和可恢复;

    • • Agent Customize 检查 Rules、Skills、MCP、Memory 和 Hooks 的配置、路由与使用证据。

    三类证据在采集和分析阶段保持独立,最终才由 Lead 结合 References 中的判断依据和 Agent Work Loop 评估模型进行综合判断。因为“项目拥有一项能力”和“Agent 在任务中真正使用了它”,始终是两个不同的事实。

    图片

    最终输出的不只是一个分数,而是一组带有证据边界、用户影响、修复范围和验证方式的 Findings。报告经过渲染和校验后,可以继续进入修复流程;如果发现稳定的重复工作,则通过 Loop Engineering 判断它应该由 Skill、Hook、Script、Automation 或其他机制长期承载。

    修复完成也不等于流程已经改善。只有在后续同类任务中再次观察到更好的结果,改进闭环才真正成立。

    现在,从第一条可验证的问题开始

    Qoder 用户

    Qoder Desktop 已内置 Better Harness,更新到最新版即可,打开 Quest 视窗选择 Better Harness(Beta),或者直接运行 /better-harness。Qoder CLI 和 JetBrains 插件在装过 Qoder Desktop 的机器上同样直接可用。

    开源仓库

    访问 Better Harness 的 GitHub 仓库 (https://github.com/QoderAI/better-harness)

    按照 README 安装并运行第一次 /better-harness。诸如 Claude Code 用户可以依次执行:

    1. /plugin marketplace add QoderAI/better-harness
    2. /plugin install better-harness@better-harness

    然后运行:

    /better-harness 分析我项目的Harness情况,生成 HTML 报告

    第一次运行 Better Harness,不必立即构建一套完整的 Agent 工程体系,也不必追求满分。更实际的方式,是先找到一个证据明确、影响具体,并且能够快速验证的问题。

    它可能是一条 Agent 找不到的检查命令,一段无法提供下一步诊断路径的错误日志,也可能是一个已经存在、却从未进入任务路由的 Skill。

    修复一个问题,重新运行检查,再观察后续相似任务是否发生变化。Harness Engineering 不是一次性的配置工作,而是持续让项目更容易被 Agent 理解、执行和验证。

    图片

    欢迎来给 Better Harness 贡献

    Better Harness 已经在 Qoder 的真实研发流程里反复运行和校准过,但当前模型主要来自我们熟悉的项目类型和任务场景。

    面对不同的技术栈、工程规模、团队约束和 Coding Agent,它仍然可能存在判断盲区,也需要更多真实证据来持续修正。

    如果你愿意参与,可以从以下几个方面贡献:

    • • 补工程实践:往 references/ 里加一份某个语言、框架或者常见工作流的判断依据。不用写代码。

    • • 补评估视角:往 models/ 或 scripts/ 里加一个有证据支撑的检查维度或检测器,带上 fixture 和测试。

    • • 补宿主支持:为另一个 Coding Agent 补齐证据采集与验证,仓库的 Roadmap 里有现成的 to-do 清单。

    • • 补真实案例:往 case-studies/ 里贡献一个脱敏的团队实践例子。

    如果你不认同报告里的某一条 Finding,也热烈欢迎直接开 issue。对我们来说,一条来自真实项目的反驳,比一个 star 有用得多(当然也欢迎顺手点个 Star 😁)。

    项目地址:

    https://github.com/QoderAI/better-harness

    阅读原文

    跳转微信打开

    《HelloGitHub》第 124 期

    2026年7月28日 08:15

    原创 HelloGitHub 2026-07-28 08:15 北京

    兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!每月 28 号更新。

    兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!

    简介

    HelloGitHub 分享 GitHub 上有趣、入门级的开源项目。

    github.com/521xueweihan/HelloGitHub

    这里有实战项目、入门教程、黑科技、开源书籍、大厂开源项目等,涵盖多种编程语言 Python、Java、Go、C/C++、Swift...让你在短时间内感受到开源的魅力,爱上开源!


    以下为本期内容|每月 28 号更新

    C 项目

    1、86Box:复古 PC 模拟器。这是一款开源的复古电脑模拟器,可自由搭配、模拟各种经典硬件,比如奔腾、赛扬处理器、声卡、显卡等。支持运行 DOS、Windows 98、Windows XP 等早期操作系统和同时代的软件。

    地址:github.com/86Box/86Box

    2、simplewall:小巧的 Windows 网络管控工具。这是一款用于管理和控制 Windows 网络活动的工具,体积小、没广告、完全免费。它基于 WFP 实现网络过滤,不依赖系统自带防火墙,支持自定义规则、IPv6、拦截名单等功能。

    地址:github.com/henrypp/simplewall

    C# 项目

    3、FluentCleaner:更好用的 Windows 系统清理工具。这是一款基于 WinUI 3 构建的 Windows 系统清理工具,灵感来自经典的 CCleaner。它使用维护多年、覆盖数千款应用的 winapp2.ini 规则库,支持自定义规则库和静默自动清理,清理过程透明、精准、无套路。

    地址:github.com/builtbybel/FluentCleaner

    4、nvidiaProfileInspector:解锁 NVIDIA 驱动隐藏设置。这是一款用于编辑 NVIDIA 驱动配置文件的 Windows 工具,可访问官方控制面板未展示的隐藏选项。它支持为单个游戏单独建档,调节帧率限制、垂直同步、纹理过滤和光线追踪等参数,配置可导出为 .nip 文件,方便备份或分享。

    地址:github.com/Orbmu2k/nvidiaProfileInspector

    C++ 项目

    5、JoltPhysics:《死亡搁浅 2》背后的物理引擎。这是一款用 C++ 编写的刚体物理与碰撞检测库,支持多核并发和确定性模拟。它提供球体、方块、胶囊体等形状的连续碰撞检测,以及多种约束类型、软体、毛发模拟等功能,《地平线:西之绝境》和《死亡搁浅 2》等游戏均采用了该库。

    地址:github.com/jrouwe/JoltPhysics

    Go 项目

    6、App-Store-Connect-CLI:命令行发布 App Store 应用。这是一款用 Go 编写的 App Store Connect 命令行工具,可在终端、IDE 或 CI/CD 流水线中自动完成应用发布,支持构建上传、TestFlight、提交审核、签名等操作,覆盖 iOS、macOS、tvOS 和 visionOS 全平台。

    地址:github.com/rorkai/App-Store-Connect-CLI

    7、kage:把整个网站打包离线阅读。该项目是用 Go 编写的网站离线保存工具,可将任意网站保存为可离线浏览的本地文件夹。保存后的网页看起来和线上一样,但不会发起任何网络请求,还支持打包成单个 .zim 文件或可直接运行的可执行文件。

    地址:github.com/tamnd/kage

    8、make-look-scanned:让 PDF 看起来像扫描件。该项目可将 PDF 文件处理成类似扫描件的效果,支持命令行和浏览器本地运行,相同文件默认会得到完全一致的结果。

    地址:github.com/overflowy/make-look-scanned

    9、zabbix:开源的企业级分布式监控平台。该项目是企业级开源分布式监控系统,可实时监控网络设备、服务器、数据库、虚拟机、容器、云服务和应用的运行状态。它支持自动发现、Agent/Agent-less 采集和故障检测等功能,并可通过 Slack、Jira、Teams、邮件或短信发送告警。Zabbix 在中国也有非常活跃的社区。

    地址:github.com/zabbix/zabbix

    Java 项目

    10、jabref:写论文用的文献管理工具。这是一款免费开源、跨平台的文献与引用管理工具,原生支持 BibTeX/BibLaTeX。它可以从 Google 学术、arXiv 等平台检索论文,自动补全文献信息、提取 PDF 元数据、合并重复条目,并支持与 Word、LibreOffice 和多款 LaTeX 编辑器联动。来自 @Xuefeng Xu 的分享

    地址:github.com/JabRef/jabref

    JavaScript 项目

    11、astryx:Meta 开源的 React 设计系统。该项目是基于 React 和 StyleX 构建的设计系统,在 Meta 内部经过多年实践。它内置 150+ 组件、7 套可定制主题、深色模式、页面模板和 CLI,对 AI Agent 友好。来自 @JRZYgit 的分享

    地址:github.com/facebook/astryx

    12、ColorTxt:会给小说上色的阅读器。这是一款基于 Electron 构建的本地小说阅读器,支持 TXT、EPUB、MOBI、PDF 等格式。它可自动为正文中的人名和关键词设置颜色,并支持章节识别、划线笔记、语音朗读和 AI 剧情分析等功能。

    地址:github.com/ssnangua/ColorTxt

    13、karakeep:可自托管的浏览器书签管理平台。这是一款可自托管的浏览器书签管理应用,可保存链接、笔记、图片和 PDF,并支持 AI 自动打标签与生成摘要。它提供全文搜索、OCR、浏览器扩展、移动端应用、RSS 自动收藏和网页归档等功能。

    地址:github.com/karakeep-app/karakeep

    14、magic-resume:在线 AI 简历编辑器。这是一款免费的在线 AI 简历编辑器,无需登录、内置多种模板。它基于 TanStack Start、TypeScript 和 Tiptap 构建,支持实时预览、配置 AI 服务商、深色模式、PDF 导出和自动保存等功能。

    地址:github.com/JOYCEQL/magic-resume

    15、TREK:可多人协作的旅行规划平台。这是一款可自托管的旅行规划平台,支持多人实时协作、交互式地图、费用分摊、行李清单、预订管理和旅行计划等功能。它内置 MCP 服务,可结合 AI 助手规划旅行。

    地址:github.com/liketrek/TREK

    Python 项目

    16、abogen:带同步字幕的有声书生成器。这是一款基于 Kokoro-82M 的文本转语音有声书生成工具,可将 EPUB、PDF、TXT、Markdown 和字幕文件转成 MP3、M4B、FLAC 等格式的音频。它提供批量处理、章节拆分、语速调节等功能,支持包括中文在内的 9 种语言。

    地址:github.com/denizsafak/abogen

    17、git-filter-repo:Git 历史重写工具。这是一款用于重写 Git 仓库历史的命令行工具,可作为 git filter-branch 的替代品。它仅需 Python 和 Git 即可运行,支持批量改写提交信息、标签重命名、仓库拆分和自动清理等功能。

    地址:github.com/newren/git-filter-repo

    18、HypoMux:把多张网卡的带宽叠加起来。这是一款专为 Windows 平台打造的多网卡带宽聚合下载加速工具。当电脑同时接入网线、Wi-Fi 或手机热点时,它可将下载任务分配到不同网卡上,实现远超单网卡的下载速度,并支持虚拟网卡、进程分流和实时流量监控等功能。

    地址:github.com/Hypostasis-Cat/HypoMux

    19、msgspec:更快的 Python 序列化库。这是一个高性能 Python 序列化与数据校验库,支持 JSON、MessagePack、YAML 和 TOML 格式,常见操作比同类库快 10-80 倍。

    地址:github.com/msgspec/msgspec

    20、wenyi:整本翻译外文小说的工具。这是一个用于翻译长篇小说的命令行工具,支持 EPUB、FB2、TXT、Markdown、HTML 和 PDF 文件格式。它通过全书分析、滚动上下文、动态术语表、润色和校对,提升长篇小说翻译的一致性和可读性。来自 @DawnGhost 的分享

    地址:github.com/BigDawnGhost/wenyi

    Rust 项目

    21、harper:本地优先的英语语法检查工具。这是一个用 Rust 编写的英文语法检查工具,可在本地完成语法分析,无需将内容上传到服务器。它检查速度快、内存占用少,可编译成 WebAssembly 在浏览器里运行,也能集成到 VS Code、Neovim、Helix、Emacs、Zed 等编辑器中使用。

    地址:github.com/Automattic/harper

    22、herdr:管理多个 AI 编程助手的终端工具。该项目是用 Rust 编写的终端多路复用工具,专为同时操作多个 AI 编程助手而设计。它能在一屏内查看每个助手的终端画面,一眼看出谁在运行、谁卡住、谁已完成。支持断开后继续运行、随时从其他终端或 SSH 重新接入,同时兼容 tmux 风格的快捷键。来自 @JRZYgit 的分享

    地址:github.com/ogulcancelik/herdr

    Skills

    23、archify:让 AI 读代码画出架构图。这是一款面向 Codex、Claude Code、Cursor 和 OpenCode 的架构图生成技能,可读取代码仓库或系统描述,生成可交互的架构图。它提供 5 种图表类型和 4 套主题,支持搜索节点、上下游链路追溯、架构变更对比,并可导出 PNG 或 SVG。

    地址:github.com/tt-a1i/archify

    24、claude-video:让 AI 助手看懂视频。这是一个为 Claude Code 等 AI 助手提供视频理解能力的技能包。输入视频网址或本地文件后,它会借助 yt-dlp 和 FFmpeg 提取关键帧与字幕,无字幕时可调用 Whisper 转录,让 AI 助手结合画面与语音定位录屏故障、分析内容或生成摘要。

    地址:github.com/bradautomates/claude-video

    25、hallmark:拒绝 AI 味的网页设计技能。这是一个面向 Claude Code、Cursor 和 Codex 的网页设计技能,旨在避免 AI 生成页面千篇一律。它内置 20 个主题、4 种命令模式、57 项检查规则和自检流程,支持从截图或 URL 提取设计特征。

    地址:github.com/Nutlope/hallmark

    Swift 项目

    26、LockIME:锁住输入法的 macOS 菜单栏工具。这是一款用 SwiftUI 开发的 macOS 菜单栏工具,可全局或按应用、网址锁定指定输入法,一旦被手动或其他应用切换,便会立即恢复。它支持自定义快捷键、规则备份、配置导入导出等功能,安装包不到 3MB,且无需系统权限。来自 @Kevin Cui 的分享

    地址:github.com/oomol-lab/LockIME

    27、opendisplay:把 iPhone 变成 Mac 扩展屏。这是一款免费开源的 macOS 副屏工具,可将闲置的 iPhone 或 iPad 变成第二个显示器。插上数据线或连同一 Wi-Fi 即可使用,可以直接把窗口拖过去,支持用手指点按、拖拽和双指滚动操作 Mac。

    地址:github.com/peetzweg/opendisplay

    28、WhichSpace:菜单栏里的桌面空间切换工具。这是一款用于查看和切换 macOS 桌面的工具,支持点击图标或滚动鼠标快速切换桌面,还能为每个桌面设置颜色、图标、文字标签或表情符号。

    地址:github.com/gechr/WhichSpace

    人工智能

    29、code-review-graph:让 AI 少读代码的图谱工具。这是一款本地优先的代码智能图谱工具,专为 MCP 和 CLI 设计。它通过 Tree-sitter 解析函数、类、调用和测试之间的关系,并持久化存成图。修改文件时,它能沿着图找出受影响的调用方和依赖代码,提供更精准的上下文,避免读取整个代码库浪费 token。

    地址:github.com/tirth8205/code-review-graph

    30、gastown:同时指挥多个 AI 编程助手。该项目是多智能体工作区管理和编排系统,可统一调度 Claude Code、GitHub Copilot、Codex 等 AI 编程助手并行工作。它通过 Git 持久保存工作状态,Agent 重启后不丢上下文,可继续接着干。还提供实时监控、任务交接、卡死检测和合并队列等功能,支持 20-30 个智能体协同工作。

    地址:github.com/gastownhall/gastown

    31、harbor:AI 智能体评测框架。这是一个跑 AI 智能体和大模型评测的开源框架,一条命令就能在 Docker 里把 Claude Code、Codex CLI 这些 Agent 拉起来,用 SWE-Bench 等评测集跑分。嫌本地慢也可以接 Daytona 这类云平台,开多个环境同时跑。

    地址:github.com/harbor-framework/harbor

    32、OpenMontage:把 AI 编程助手变成视频工作室。这是一个开源的智能体视频制作系统,可让 Claude Code、Cursor、Copilot、Windsurf 和 Codex 根据自然语言完成调研、脚本、素材生成、剪辑和合成。它内置 12 条制作流程、100 多个工具,以及 700 多份技能与制作知识文件,支持真实素材、AI 图像、配音、字幕和成片自检。

    地址:github.com/calesthio/OpenMontage

    33、outlines:严格的 LLM 结构化输出框架。这是一个约束大语言模型输出格式的 Python 库,可在生成过程中保证结果符合指定结构,而不是生成后再用正则修补。调用时只需传入期望的类型,同一段代码还能在 OpenAI、Ollama、vLLM 之间无缝切换。

    地址:github.com/dottxt-ai/outlines

    其它

    34、crosspoint-reader:Xteink 墨水屏阅读器的开源固件。这是一款开源的电子书阅读器固件,可替换 Xteink X3、X4 等 ESP32-C3 设备的原厂系统,通过浏览器连接 USB 即可刷入。它支持 EPUB、TXT 等格式,可自定义字体、主题和按键,并提供词典查询、KOReader 进度同步,Web 界面无线传书等功能。

    地址:github.com/crosspoint-reader/crosspoint-reader

    35、exercises-dataset:上千个健身动作的集合。这是一份包含 1000+ 个健身动作的开放数据集,每条记录标注了动作名称、目标肌群、协同肌肉、所需器械和分步教程。教程提供中文等 10 种语言,并配有缩略图和演示动图。

    地址:github.com/hasaneyldrm/exercises-dataset

    36、flutter_server_box:手机上的服务器管理工具。这是一款用 Flutter 开发的服务器监控与管理工具,支持 iOS、macOS、Android、Linux 和 Windows。它提供 CPU、传感器、GPU 状态图表,以及 SSH 终端、SFTP、Docker、进程、Systemd 管理等功能。来自 @KongQi 的分享

    地址:github.com/lollipopkit/flutter_server_box

    37、gitfut:把 GitHub 数据做成球星卡。这是一款将 GitHub 个人数据生成足球球星卡的 Web 应用,可根据提交、Star、PR、关注者、语言等数据换算成球员能力值。

    地址:github.com/Younesfdj/gitfut

    38、local-llm:本地运行 SOTA 大模型实录。该项目是作者整理的本地运行前沿开源大模型实践指南,记录了从 2k 到 40k 美元的硬件方案,内容涵盖硬件清单、BIOS 调优、Docker 配置等。

    地址:github.com/jamesob/local-llm

    开源书籍

    39、ai-agent-book:《深入理解 AI Agent:设计原理与工程实践》。这是一本讲解 AI Agent 的开源中文书籍,围绕「Agent = LLM + 上下文 + 工具」展开,共 10 章。内容从原理讲到生产实践,涵盖上下文工程、用户记忆与知识库、MCP 协议、Coding Agent 等,并配有 92 个实验项目和 7 种语言版本。

    地址:github.com/bojieli/ai-agent-book

    40、little-book-rl:《强化学习小册子》。这是一本强化学习入门书籍,从基础概念讲到算法实现。内容包含基于 PyTorch 的多种算法实现,比如蒙特卡洛、PPO 等,也包括动态规划算法的详细推导和严格证明。

    地址:github.com/alxndrTL/little-book-rl

    最后

    感谢参与分享开源项目的小伙伴们,欢迎更多的开源爱好者来 HelloGitHub 自荐/推荐开源项目。

    希望本期内容有你感兴趣的开源项目,兴趣是最好的老师,它能点燃你对开源的热情、勇敢地迈出第一步,随时欢迎你加入开源的大家庭!如果还没看过瘾,点击阅读 往期内容。

    图片

    点击阅读原文可按照编程语言浏览项目

    阅读原文

    跳转微信打开

    人生周报v083:心力

    2026年7月27日 22:56

    原创 李继刚 2026-07-27 22:56 北京

    「问君何能尔?心远地自偏。」

    《剑来》里,陈平安遇到眼前一亮的句子,会一笔一画刻在竹简上,时不时拿出来晒晒太阳,翻拣重读。

    以陈平安为师,我想记录一下每周在这世上遇到的好句子。

    每周读到的好句子,收下来晾一晾 —— 是以有「读」。

    心里总有话忍不住想对这个世界讲 —— 是以有「说」。


    读

    创作喜欢的产品,和喜欢的人一起工作和生活,投喜欢的 founder,把每一秒都投在喜欢的人和事上。

    负能量的人和事,每日物理上心理上彻底删除拉黑隔离。人就高兴很多。人高兴了一切都好了,特别简单。

    人生就是一场场体验。尽可能精彩,感受深度和广度,体验极致的喜怒哀乐。每次体验,都迭代成更好的自己。

    最近重新进入 2020 年同款状态:心情灵动,非常放松,感官极致感受,极致创造力和执行力。

    20—35,想探索的全都用尽全力探索了,想要的都实现了。

    35—50,玩更大型的游戏。世界就是一个游乐场,请尽情疯狂。

    即刻 @Vakee_Bobby.RockFlow

    想做任何事情都不用喊,做就完事儿了。就平静的做,不用管结果,不用管做不做得成,不用想别人怎么看。因为只要你是真想做,这些都不重要。

    就专注做每一件能构筑它、成就它的小事,扣每一个能扣的细节。尽力去做,不要留力气,不要说我就是随便做做的。没有随便,想做的事情就是要做。做出来就是厉害,做不出来啥都不用说了。

    即刻 @丸籽本丸

    朱光潜先生的座右铭:此身、此时、此地。

    此身,凡此身应该做而且能够做的事,决不推诿给别人。

    此时,凡此时应该做而且能够做的事,决不推延到将来。

    此地,凡此地应该做而且能够做的事,决不等待想象中更好的境地。

    即刻 @ChatV

    最近看《金钱心理学》这本书,书里在前面一两章的时候说到:我们对他人行为的指指点点,本质上是来源于我们对他人的无知。

    任何一个人在当时做出的行为和决定,其实都是基于他当时所处的环境,以及他对应的认知。

    你其实没有办法去衡量或指点,说这个人的某个动作就一定是错的或者对的。

    因为你并不具备那个人当时身上所对应的那些条件。

    所以说啊,论人论事,设身处地。

    站在自我的环境下评价他人,也是不太 ok 的一件事。

    当然,能做到这样的人,很少很少很少,也算是检验一个人是否 ok 的条件之一吧。

    即刻 @sincere-real

    获得幸福的根本原理:

    • 长期高追求(要做好事、难事、独特的事)

    • 每日低预期(不期望顺利、完美、幸运)

    • 永远不违心(不追求自己不认可的东西,不做自己不认可的事,不否定自己的选择,不回避自己的需求)

    即刻 @二当家李多余

    关于领袖的人格魅力,两个直观体现:

    1. 带给他人信心、希望、安全感与勇气

    2. 引导他人呈现人格中美好的一面

    即刻 @王盐

    重要的事,最好在变紧急之前开始。

    即刻 @笑里不藏刀老老王

    美国的模型公司让智力产生通缩

    中国的模型公司让模型产生通缩

    即刻 @志达

    对他者的贬损和轻佻并不会带来自我的崇高。

    即刻 @哈雷 Halley

    Language doesn’t just describe reality. It edits it.

    X @MoZarrinsadaf

    Taste is compressed experience.

    X @MoZarrinsadaf

    说

    常识,是将世界经验压缩后得到的先验概率。

    在「行动」上闭合,在「认知」上开放。

    我们努力、成长,不断把自己推向更高处,是为了面对世界时获得更多的「选择权」,少一些「不得不」。

    但选择权并不是终点。

    当那些曾经遥不可及的道路终于铺展在眼前,我们仍需完成关键的一跃:作出选择,并承担对应的责任。

    书

    本周推荐书籍《乔布斯、禅与投资》。

    书名把乔布斯、禅与投资并置,表面像跨界随笔,真正讨论的问题却很具体:在信息过载、价格波动、因果关系脆弱的世界里,人如何形成判断并付诸行动?只有理性模型不够,因为注意力会被仓位和情绪劫持;只有强烈意志也不够,因为意志很容易变成执念,用选择性信息保护自己。

    作者对此作了两层回答:

    第一层回答是「缘起性空」。空不是一无所有,而是没有任何事物能脱离条件独立、恒常地存在。公司、竞争优势、市场价格和人的自我,都是因缘聚合的阶段性结果。理解空性,不是从现实撤退,而是追问:它由哪些条件形成?哪个条件正在变化?改变哪些条件,结果会不同?

    第二层回答是「心力」。心并不凭意念制造客观世界,却会决定我们感知什么、把注意力放在哪里、理解到多深,并能否重组条件创造新事物。

    把「心力」拆成四种力:

    1. 愿力选择长期方向;

    2. 专注力把分散能量收拢到当下;

    3. 洞察力穿过表象寻找条件与规律;

    4. 创新力重新组合条件,使尚不存在的东西成为可能。

    跳转微信打开

    Obsidian 的三个问题|模板开发日志(二)

    2026年7月27日 14:05

    原创 二一的笔记 2026-07-27 14:05 福建

    吉祥物、囤积癖、热衷表演

    前情提要:Obsidian 模板开发日志(一)下定决心


    最近这两个月我的内心总是惴惴不安,却又常常涌现出一些美好画面,我期待着模板发售那天可能迎来的好评,念头一转又惶恐害怕,到时画面也可能是混乱狼狈,插件也许会出现 BUG,想起来实在紧张得恶心晕眩。

    我在想,这和表白的前一天也没多大区别。

    幸好我还有时间去打磨模板、插件、以及配套的教程,因此在这套系统正式发布之前,我想先和你聊聊,我所观察到的三个与 Obsidian 有关的问题。

    如果你正在犹豫是否要选择 Obsidian,那么本文或许会将你劝退,但应该也能给你一些使用上的建议。

    如果你好奇模板长什么样子
    文末有图片预告

    问题一、Obsidian 正在成为吉祥物

    在我眼里 Obsidian 已经成为一种类似「抖加」的东西,如果你做过自媒体应该能理解这是什么概念,这个东西用了就会有流量,只不过抖加要花钱,而把 Obsidian 放在标题里是免费的。

    半懂不懂的人大肆夸耀 Obsidian + AI 能搭建如何强大的知识库,然后从头到尾展示的是 Claude Code 或者 Codex 在卖力地喷薄智慧。蜂拥而至的 AI 高手所能分享的洞察就是,Obsidian 是个新潮的时尚单品,除此之外有相当一部分人也许并不明白,自己用 AI 写下的稿子到底都在念些什么。

    然后渐渐地,雷同的内容变得供大于求,味同嚼蜡的内容正在占领我的主页。

    我不禁想问,Obsidian 在这些场景里,到底在发挥什么不可或缺的作用,这和随便创建一个本地文件夹有什么区别?我没有看到实践,只看到垒在大模型之上的空中楼阁。

    因此关于使用 Obsidian,我的第一个诚恳建议就是请务必降低你的预期。

    那些鼓吹十分钟就可以搭建好的知识库、一键就可以拆分概念并创建关联的自动化,最大的作用就是用来拼凑出几个一闪而过的神奇镜头,或者让你迷失在一堆串联的节点里。实际上他们可能并不希望你继续深究,这东西除了可以变成一个选题之外还能有什么实际的作用。

    为什么我这么清楚,仔细想来,曾经的我或许也是其中的一个。

    问题二、Obsidian 让囤积癖病入膏肓

    在信息稀缺的年代,囤积是理性的,但这样的苦日子过惯了,导致陈旧的笔记习惯在 AI 时代依然主导着我们今天使用 Obsidian 的方式。

    哪怕 AI 模型已经可以批发知识,PKM 的生态还维持着过去的惯性,不仅要把看到的文章都剪藏下来,甚至连 Agent 的每一个几万字的会话都想导入到 Obsidian 里面,然后期待 AI 可以从中涌现出可能改变人生的智慧。

    殊不知如果智慧真的有用,那早在 GPT3.5 问世之时,我的人生早该获得某种跃进。

    你以为你在搭建个性化知识库,其实用的还是末日爱好者的思考方式:一个坚不可摧的地下堡垒塞满了各种罐头物资、一觉醒来全世界智慧程度下降 1000 倍,而我独享一个超级大脑。

    这怎能不让人有成就感拉满的喜悦?

    但其实,地下室里残缺的图书馆远不如一个大小只有 3B 的模型来得有智慧,因此我的第二个建议就是,请不要再漫无目的地囤积以下四类东西:

    问 AI 更快的事实和概念

    完整的 Agent 会话

    自动化、批量导入的信息源

    未经自己判断的二手观点

    这些东西存下来的唯一作用,是浪费你的 Token 并让你误以为自己真的拥有了它们。如果知识的数量可以带来质变,那么就算是豆包也可以让人一步登天了。

    问题三、Obsidian 让人热衷表演

    那现在,如果我已经正视了 Obsidian 的价值,不把它当成是展示 AI 能力的舞台布景,如果我已经正视了记录的价值,只用 Obsidian 记录独属于自己的学习过程、灵感和思考,又为何 AI 已经如此强大,我依然在工作里困顿叹气,在夜里辗转难眠、不知方向?

    我当然知道学习的重要性,所以每天都在追踪前沿资讯,加入各种新潮社群,不停地输入和思考,为了掌握新的方法而拆解概念、创建关联,企图在星星点点的 LLM Wiki 图谱里洞察一切。

    显然 Obsidian 的各种功能为这些需求都做好了准备,它在 AI 时代简直是天选之子,让这一切看起来优雅又体面,勤奋又执着。

    于是我看着枝繁叶茂的笔记库图谱,生出的是「我很努力」的满足,而不是「我又没开始」的愧疚。

    但整个笔记库还是像空转的引擎,把昂贵的 Token 当燃料般库库一顿炫,动力强劲嗷嗷作响,仔细一看却又是原地踏步,该做的事情毫无进展,但人却感觉还怪充实的。

    有大智慧的人则会诉诸第一性原理,事情做不到的根本原因还是得怪 AI,是模型还不够强,有了 Fable 5 还想要 Mythos。

    我想我们都需要坦诚面对,知识已经廉价到像水龙头里的水,看似充满智慧的信息已经随处可见,真的不必再费劲地到处打井,表演给自己看。

    因此,在搭建 Obsidian 模板系统的这半年时间里,我最终得到的结论是,任何一开始就盼着你先捕捉再行动的系统,也就是把 Info Capture 列为最优先的系统,最终都会重蹈覆辙,覆水难收。

    各种被 AI 批量生产的文章,加上被 Skill 强化过情绪的标题,以及各路自媒体不知疲倦地散播焦虑,让你永远都会有读不完的文章、学不完的技能、跟踪不完的资讯,美其名曰要终身学习,实际上你在这条流量分发的生产线上,只能被量化成点击率和完播率。

    学习带来了一种一直在进步的错觉,你剪藏的文章越来越多,笔记永远整理不完,然后行动永远停留在明天,这让人很难区分,自己到底是在为真正的目标做准备,还是仅仅只是享受摄入信息的带来的饱腹感。

    一定要警惕,精致的碳水真的会让人变胖。

    过度准备却从不开始、假装学习实则消遣逃避、不知道要做什么但每天都过得很忙很焦虑,我想是每一个用 Obsidian 搭建知识库的人不得不品的一个环节。

    所以我的第三个建议就是,如果你想做什么事,就直接去做,立刻去做,把那些第一时间在脑海里浮现的「是什么」和「怎么办」先放一放,让肌肉先于大脑动起来,这里的大脑当然也包括所谓的第二大脑。

    具体表现在工具逻辑里,你应该优先创建的必须是「任务」而不是「笔记」,你应该优先写下的是「我的目的」而不是「我的想法」。

    行动是最好的过滤器,事情没开始之前,你会有一百种「怎么办」的顾虑,每一种都会让你对各种信息蠢蠢欲动,于是什么都想存档下来。

    但只要你真正动手,凌乱的思路就能收敛成一两个具体的困难,这时该学什么、该记什么就可以变得很清晰,AI 才能给出实现目的的最短路径。

    因此我认为,让知识管理有效的前提是先做好目标管理,Obsidian 不能只是一个纯粹的承载知识的信息容器。

    有了具体的目标和正在推进的事,学习和记录才能被真实的需求所拉取,你也才能有一个不可动摇的支点去撬动 AI 的能力,而不是纯粹在享受燃烧 Token 的快感。

    Obsidian 还能做什么

    预期给得太高,东西囤得太多,事情做得太少,前文所述的这三个问题看起来各有原因,但其实是一体三面,本质相同,那就是我们一直在让一个软件替自己回答「我到底要做什么」,但这恰好是它唯一回答不了的问题。

    不过好在这并不意味着 Obsidian 只能做个摆设。

    它无法替你决定方向,但可以让你的方向变得具体,让你看见自己现在要完成什么,手上的事情推进到了哪一步,上一次为什么改变主意,踩过的坑又该如何避免。

    只要这些东西能够持续呈现,下一次打开电脑时,迎接你的便不会是一个包罗万象却和今天毫无关系的笔记仓库,你可以立刻接着昨天没有做完的事情继续往前。

    知识的供应已经可以放心交给 AI,Obsidian 更应该保管的是这一路上产生的犹豫、判断、错误和改变。这些东西看起来稀碎,很难被包装成什么闪闪发光的知识卡片,但正因为它们既无法下载,也无法让模型凭空生成,才能真实地描述清楚你到底是谁。

    这也逐渐变成我最近几个月不断删改这套模板时,最重要的一条判断标准。

    每增加一个字段、视图或者自动化,我都需要反复思考,它究竟是能让人更明确地看见自己的目标,还是只让系统看起来更加厉害?它是在减少使用者的笔记负担,还是又一次把维护知识库本身变成了新的工作?

    我如此忐忑,是因为我即将交出去的并不只是一堆文件夹、模板和插件,它会深刻地影响一个人如何记录、如何行动,又如何理解自己。倘若它只是看起来厉害,用不了多久便会成为另一个需要维护的数字盆栽,那我前面所批评的一切,最后也会成为打到自己身上的回旋镖。

    不过紧张只是习惯性的,其实我对最终成品真的非常有信心,这套模板和插件将完全革新你对 Obsidian 的陈旧印象。

    我会在下一篇开发日志里完整介绍它的样子,感谢你能看到这里。

    篇幅有限

    以下预告仅占全部功能的三分之一

    📢

    感兴趣的话,可以通过下方链接提交你的愿望单,届时会有首发优惠,也会让我有更多动力,加速我的工作。

    21obsidian.com/waitlist

    阅读原文

    跳转微信打开

    Zabbix 官方插件市场来了:14 个插件,一键补齐运维短板

    2026年7月27日 11:30

    Zabbix开源社区 2026-07-27 11:30 北京

    以下文章来源于:Zabbix开源社区

    Zabbix开源社区

    Zabbix开源社区由Zabbix大中华区唯一总代理宏时数据建立并维护,负责商务、业务等相关事宜,也为国内Zabbix爱好者提供交流学习的平台和专业的技术支持。

    Zabbix Plugins 正式上线!

    同天晚上20:00

    一场与飞致云联合发布的纯演示直播

    带上你遇到的真实监控场景

    现场拆解插件怎么解决问题

    导语

    作为企业基础设施监控的主流开源方案,Zabbix 凭借稳定、通用、低成本的优势覆盖数万政企机房,在 20 年的发展历程中服务过成千上万家客户,其能力获得了用户的一致认可。

    但有些用户也向原厂反馈,Zabbix 的原生功能在可视化、运维报表、资产管控等方面可以继续优化。

    好的,用户想要,用户得到!!!

    今日,Zabbix 中国官方插件市场一次性上线多款自研原生扩展插件,覆盖 AI 智能告警分析、网络可视化、批量资产管理、性能报表、系统运维诊断、品牌 Logo 定制等多个场景,全部以 Zabbix 原生模块方式部署,开箱即用、无需修改核心源码、支持中英文双语切换,从告警处置、配置上线、资产盘点、系统健康巡检到平台 Logo 自定义,补齐 Zabbix 运维多场景下短板。

    插件详情与适用场景

    插件 1|

    AI 告警分析助手 AI Alert Analyzer Assistant

    运维痛点:

    突发告警多、含义模糊,跨工具查资料、手动梳理故障根因,排障耗时久、依赖运维经验。

    适用场景:

    7×24 小时值班巡检、线上故障快速根因定位、企业私有化大模型对接监控平台。

    核心功能:

    • 支持 OpenAI/DeepSeek/Qwen/Claude 等多厂商大模型接口,私有化模型无缝接入;

    • 在「监测 - 问题」列表内置 AI 分析按钮,弹窗输出结构化故障解读、影响评估、分步排查等方案;

    • 自定义提示词、API 全参数可调、会话缓存减少重复请求,不离开 Zabbix 即可完成告警研判。

    插件 2|

    网络交换机可视化面板 Network Switch Panel

    运维痛点:

    交换机端口分散,流量、状态、告警无法统一查看,巡检需要逐台设备切换。

    适用场景:

    网络运维大屏、机房交换机日常巡检、端口流量容量评估。

    核心功能:

    • Dashboard 原生组件,自动识别交换机端口监控项,卡片化展示端口 Up/Down/ 告警三色状态;

    • 实时展示入出流量、端口速率、利用率仪表盘;

    • 自动统计异常端口,联动触发器告警上色及问题跳转,多品牌交换机统一可视化。

    插件 3|

    主机导入导出 Host Import/Export

    运维痛点:

    多环境克隆、主机批量迁移只能手动新建,配置丢失风险高,无操作审计。

    适用场景:

    测试 / 生产环境配置克隆、机房批量上新设备、监控配置备份迁移、多分支机构统一纳管。

    核心功能:

    • 支持 JSON/CSV 双格式批量导出主机,资产、接口、模板、宏、标签全字段可选;

    • 导入模拟预检,提前识别缺失依赖、冲突主机,降低误操作;

    • 全量操作记入审计日志,操作者、时间、主机数量全程可追溯。

    插件 4|

    性能报表 Performance Report

    运维痛点:

    服务器 CPU、内存、负载需要手动拉取趋势、人工统计均值峰值,容量规划无数据支撑。

    适用场景:

    月度服务器容量巡检、业务扩容评估、闲置资源回收、运维周报自动产出。

    核心功能:

    • 多维度筛选主机 / 主机组,自定义时间范围自动统计 CPU、内存、负载最大 / 平均值;

    • 基于指标阈值自动输出服务器资源优化建议,零代码生成性能分析报告;

    • CSV 报表一键导出,高效获取原始性能数据,支持深度分析。

    插件 5 -- 插件6|

    配置数据备份-MySQL / PostgreSQL

    运维痛点:

    Zabbix 数据库配置备份需登录服务器执行命令,备份文件难管理。

    适用场景:

    版本升级前配置快照、定期监控系统备份、故障后配置快速恢复、等保合规数据留存。

    核心功能:

    • 一键备份核心配置表,自动排除历史趋势大数据表,gzip 压缩后文件<10MB;

    • 自动读取 Zabbix 数据库配置,无需手动输入账号密码,Web 端直接下载 / 删除备份包;

    • 区分 MySQL、PostgreSQL 双数据库适配,适配不同企业 Zabbix 部署架构。

    插件 7|

    Zabbix 队列报表 Zabbix Queue Report

    运维痛点:

    采集队列积压只能后台执行 SQL 查询,无法直观区分延迟等级,大规模环境采集故障难定位。

    适用场景:

    Zabbix Server 性能巡检、百万级监控项采集瓶颈排查、Proxy 负载异常定位。

    核心功能:

    • 三色分级展示延迟监控项(黄 / 橙 / 红),表格展示延迟时长、采集间隔、代理信息;

    • 按主机组、主机、监控项键值筛选,队列清单一键导出 CSV 离线分析。

    插件 8|

    主机可用性报表 Host Availability Report

    运维痛点:

    无法统一查看 Agent/SNMP/IPMI/JMX 多接口采集状态,大量主机采集失败无法批量筛查。

    适用场景:

    每日监控可用性巡检、新设备监控上线验收、监控主机采集故障批量排查。

    核心功能:

    • 红绿灰三色标识主机可用 / 不可用 / 未知,区分四类采集接口独立状态;

    • 支持维护期标识、多条件组合过滤,持久化筛选条件,适配数千台主机大规模环境。

    插件 9|

    主机Tree 树形视图 Host TreeView

    运维痛点:

    主机列表平铺展示,多层级主机组资产分布不直观,故障主机分组查找繁琐。

    适用场景:

    多业务集群统一巡检、机房资产分组管理、值班快速定位告警集中区域。

    核心功能:

    • 自动解析主机组分隔符支持子组层级树形结构,支持折叠展开;

    • 各级分组实时统计各级别告警数量,一眼定位故障业务集群。

    插件 10|

    不支持的监控项 Unsupported Items

    运维痛点:

    Not supported 采集失败项分散在各主机,遗漏形成监控盲区,逐个排查效率极低。

    适用场景:

    监控体系健康度治理、新模板上线校验、定期消除监控盲区。

    核心功能:

    • 集中展示所有启用主机异常监控项,标注失败原因、最后采集时间;

    • 多维度筛选,一键导出CSV 报表。

    插件 11|

    自定义品牌 Logo  Custom Brand Logo

    运维痛点:

    原生 Zabbix 界面无企业标识,多套测试 / 生产环境界面无区分,无法匹配企业运维平台视觉规范。

    适用场景:

    政企内部监控平台标准化、多环境视觉区分、对外交付客户监控系统品牌定制。

    核心功能:

    • Web 可视化配置登录页 Logo、侧边栏图标、Favicon、页脚信息与帮助链接;

    • 资源持久存储,卸载模块后品牌配置不丢失,无需修改 Zabbix 前端源码;

    • 上传文件大小校验、格式过滤,适配深浅主题界面展示。

    插件 12|

    未知触发器 Unknown Triggers

    运维痛点:

    触发器表达式异常、依赖缺失导致 Unknown 状态,原生无统一汇总页面,告警规则失效难以发现。

    适用场景:

    告警规则月度巡检、模板批量更新后校验、监控故障根因排查。

    核心功能:

    • 全量汇总评估失败触发器,展示报错详情、检测周期;

    • 结果导出 CSV 报表。

    插件 13|

    主机资产报表 Hosts Inventory Report

    运维痛点:

    原生资产清单展示字段固定,无法自定义视图,资产盘点只能导出 Excel 二次整理。

    适用场景:

    机房资产盘点、设备维保统一管理、硬件报废评估、IT 资产合规审计。

    核心功能:

    • 支持 60 + 项 Inventory 资产字段自由展示,用户视图配置持久保存;

    • 硬件配置、维保日期、联系人、软件参数等字段统一汇总,多关键词筛选资产;

    • 筛选结果一键导出 CSV 报表,适配审计台账。

    插件 14|

    ItemID 数据查询 ItemID Datas

    运维痛点:

    查询单指标历史数据需要多层点击主机 - 监控项,异常指标快速溯源效率低。

    适用场景:

    突发指标异常快速溯源、单监控项长期趋势分析、故障精准数据取证。

    核心功能:

    • 输入 ItemID 直达监控项,一键切换表格 / 趋势图表两种展示模式;

    • 自定义页面展示数据行数,快速调取指标历史波动数据。

    视频号

    扫码观看

     更多插件详情

    插件优势

    01

    原生兼容

    全为 Zabbix 标准 Web 模块,开箱即用,不侵入核心代码,兼容主流 7.0LTS 版本

    02

    轻量化无性能损耗

    无后台常驻进程,仅前端交互,不占用 Server 采集资源

    03

    零开发门槛

    全部可视化 GUI 操作,无需编写脚本、API、SQL,运维新手快速上手

    04

    场景多覆盖

    从故障处置、设备纳管、资产盘点、系统自检到平台 Logo 自定义

    05

    合规可追溯

    批量导入导出、备份操作全量记录审计日志,满足等保、ITIL 审计要求

    06

    双语适配

    界面跟随 Zabbix 系统语言自动切换中英文,适配国内出海、外资企业运维团队

    07

    官方标准化维护

    由 Zabbix 原厂团队开发和统一维护,质量保障、服务托底

    谁应该立刻使用这套插件?

    • 服务器运维团队:批量纳管、性能报表、监控系统自检、配置备份

    • 网络运维团队:交换机面板可视化

    • 数据中心运维:资产盘点、设备上下架管理

    • 7×24 值班运维:AI 告警智能分析、队列 / 可用性快速巡检

    • 政企 IT 合规岗:资产审计报表、操作日志留存、监控配置备份

    • 多分支 / 多环境运维:主机批量导入导出、企业品牌 Logo 定制

    在哪里下载插件?

    目前插件已正式上架 Zabbix 中国官方插件市场

    (zabbixplugins.grandage.cn)

    欢迎运维小伙伴前往下载体验,

    高效简化日常监控运维工作!

    注:联系官方客服【400-823-0118】获取更多信息,

    或添加Plugins小助手【13524209482】

    扫码预约

    B 站同步直播

    跳转微信打开

    【第3733期】用 Web Locks API 优雅解决跨标签页并发问题

    2026年7月27日 09:00

    Cesar Contreras 2026-07-27 09:00 日本

    介绍了如何利用原生 Web Locks API 实现跨标签页并发互斥,高效解决大文件重复上传问题。

    前言

    大文件断点续传遇上多标签页,每个标签页都争着恢复同一个上传,重复请求接踵而至。localStorage 有竞态风险,BroadcastChannel 又过于复杂。本文分享如何用浏览器原生 Web Locks API 实现原子级跨标签页互斥,优雅杜绝重复上传问题。今日前端早读课文章由 @Cesar Contreras 分享,@飘飘编译。

    用于解决实际工作中的 前端多标签页状态同步 / 资源竞争 问题,最值得借鉴的一点是:对用户主动触发的操作使用 “非阻塞锁”(有锁就持有,无锁也继续),而对系统自动恢复的操作使用 “条件锁”,既保障体验又不产生冗余。

    译文从这开始~~

    编程中的并发,是指同时管理和执行多个任务或进程的能力(或至少看起来如此),使程序保持响应迅速且高效运行。你可以把它想象成一位忙碌厨房里的大厨:他不会把每道菜从头到尾按顺序一道道做完,而是一边切着蔬菜,一边看着这口锅在炖煮、那口锅在烘烤 —— 同时推进着好几道菜的进度。

    我是 OLX 的一名前端工程师,日常主要使用 React 和 Next.js,但我的技术背景其实是 Java 并发编程。开发多线程应用是件让人头疼的事,要跟锁、信号量打交道…… 还有我的 "最爱"—— 死锁(在大型代码库里简直是噩梦)。当我完全转向 Web 开发时,从没想过还会遇到类似的场景。

    Web 开发已经演变成了一个极其强大的生态系统。从早期那个只有用 HTML marquee 做些花哨滚动动画的年代(这里有点玩笑的意思 😆),从 JQuery 一统天下的时代,发展到如今这个强大的环境 —— 你可以使用 Workers、用 WebGL 和 Canvas 做 2D 和 3D 动画、用 Service Workers 实现离线功能,等等不一而足。这充分说明,Web 如今已经能够应对真正复杂的挑战,遇到类似问题只是时间早晚的事。

    问题所在

    最近,我们在 OLX 面临了一个大文件上传的挑战。在处理上传时想要提供最佳用户体验并非易事,现实中大多数场景都要求用户留在页面上等待上传完成,但我们不想这样。由于文件体积可能非常大(最高达 20GB),我们希望用户可以自由地去做其他事情,即使关闭了浏览器或标签页再重新打开,上传也能自动继续,无需任何手动操作。为此,我们需要提供一种断点续传机制。

    但麻烦也随之而来。如果用户打开了你应用的多个标签页会怎样?每个标签页都会尝试恢复并继续同一个上传任务。后果呢?多个重复的上传请求打到你的 S3 存储桶,带宽被白白浪费,产生不必要的处理成本,而用户则眼睁睁看着上传进度条毫无规律地跳来跳去,一脸困惑。

    两个标签页各自恢复后,独立触发了同一个上传任务;由于缺乏协调,视频被上传了两次。

    如果你正在现代 Web 应用中构建文件上传体验,大概率遇到过这个场景。今天,我将带你了解我们使用 Web Locks API 实现的一套稳健方案,来解决这个令人抓狂的协调难题。

    不过,在深入讲解我们的解决方案之前,我们需要先理解同步与锁的概念。

    首先,什么是锁?

    锁是一种机制,用于确保共享资源(变量、对象、函数调用等)在同一时刻只能被一个调用者访问,并且每个调用者都能获取到最新的信息。你可以想象一个非常经典的场景 —— 一家银行在共享内存中存有多个账户,同时有多台 ATM 机在进行取款、存款和余额查询操作。如果没有协调机制(同步),结果将一团糟,如下图所示。

    为了解决这个混乱局面,我们必须通过对账户的读写操作加锁来控制访问。这样一来,无论执行什么操作(取款、存款还是查询余额),第一个获得锁的调用者将独占资源,其他调用者必须等待,直到第一个持有者完成操作并释放锁。下图展示了对账户访问进行同步后的效果。

    现在我们已经理解了同步和锁的工作原理,接下来让我们看看如何将它付诸实践 🚀。

    跨标签页协调的技术全景

    在深入我们的解决方案之前,先来看看在浏览器标签页之间协调操作有哪些可选方案:

    方案一:localStorage + 轮询

    这是一种 "经典" 做法,利用 localStorage 作为共享锁机制:

     // 简化示例 - 请勿在生产环境使用
     if (!localStorage.getItem('upload-lock')) {
       localStorage.setItem('upload-lock', Date.now());
       // 开始上传
     }

    存在的问题:

    • 竞态条件:localStorage 的读写操作不是原子性的

    • 过期锁:如果标签页崩溃,锁会永远残留

    • 轮询开销:需要持续检查锁的状态

    • 事件局限:storage 事件只在其他标签页触发,当前标签页收不到

    方案二:Broadcast Channel API

    这种方式通过 Broadcast Channel API 在标签页之间发送消息来进行协调:

     const channel = new BroadcastChannel('upload-coordination');
     channel.postMessage({ type: 'REQUEST_UPLOAD_PERMISSION' });

    面临的挑战:

    • 缺少互斥原语:你需要从零开始构建状态机

    • 竞态条件:同时发出的消息可能产生冲突

    • 协议复杂:需要手动处理心跳、崩溃检测和冲突解决

    • 容易出错:消息排序和时序问题非常常见

    Web Locks API 登场:浏览器原生互斥锁

    Web Locks API 恰好提供了我们所需要的东西:一个真正的、原子性的互斥锁系统,直接内置于浏览器中。它的优势在于:

    • 原子性锁获取 —— 没有竞态条件

    • 自动清理 —— 标签页关闭或崩溃时锁会自动释放

    • 非阻塞选项 —— 避免 UI 冻结

    • API 简洁 —— 无需实现复杂协议

    • 浏览器兼容性 —— 所有主流浏览器均已支持 😃

    我们的实现:useUploadCoordinator

    以下是我们通过自定义 React Hook 解决该问题的方式:

    核心策略

    针对两种场景采用两种不同的处理方式:

     // 1. 全新上传(用户主动发起):非阻塞
     // 尝试获取锁,但无论是否获取到都继续执行
     navigator.locks.request(LOCK_NAME,
       { ifAvailable: true },
       async (lock) => {
         if (lock) {
           // 持有锁直到上传完成
           await holdLockUntilComplete(abortController);
         }
         // 无论如何都继续上传 - 绝不阻塞用户
       }
     );
     // 2. 恢复上传:有条件执行
     // 只有获取到锁才继续
     navigator.locks.request(LOCK_NAME,
       { ifAvailable: true },
       async (lock) => {
         if (lock) {
           uploader.emit("restore-confirmed"); // 继续恢复上传
           await holdLockUntilComplete(abortController);
         }
         // 如果未获取到锁,静默跳过 - 另一个标签页正在处理
       }
     );
    关键实现细节

    锁的生命周期管理:

     const holdLockUntilComplete = (abortController: AbortController) => {
       return new Promise<void>((resolve) => {
         const cleanup = () => {
           // 移除所有监听器并 resolve(释放锁)
           uploader.off("complete", cleanup);
           uploader.off("error", cleanup);
           uploader.off("cancel-all", cleanup);
           resolve();
         };
         // 在任何终态事件发生时释放锁
         uploader.on("complete", cleanup);
         uploader.on("error", cleanup);
         uploader.on("cancel-all", cleanup);
         // 组件卸载时也释放锁
         abortController.signal.addEventListener("abort", cleanup);
       });
     };

    浏览器兼容性与优雅降级:

     const checkWebLocksAvailable = (): boolean => {
       return typeof navigator !== 'undefined' && 'locks' in navigator;
     };
     // 降级处理
     if (!checkWebLocksAvailable()) {
       // 允许恢复操作继续(接受可能出现重复的风险)
       uploader.emit("restore-confirmed");
       return;
     }

    实际收益

    自从上线这套方案以来,我们看到了:

    • 跨标签页协调导致的重复上传归零

    • 更好的用户体验 —— 上传永远不会因协调逻辑而卡住

    • 基础设施成本降低 —— 不再有重复的处理和存储开销

    • 代码更简洁 —— 不再需要复杂的状态机或轮询逻辑

    现在,我们的方案效果如下:

    通过共享锁,只有第一个获取到锁的标签页会继续执行上传;第二个标签页检测到锁已被占用后,便悄然退让。

    实际应用中的注意事项

    适用场景:
    • 支持持久化 / 恢复的文件上传

    • 后台同步操作

    • 任何在同一时间只应在一个标签页中运行的单例操作

    性能影响:
    • 极小 —— 没有轮询开销

    • 自动清理机制避免内存泄漏

    • 非阻塞设计确保 UI 始终流畅响应

    测试策略:
    • 在所有目标浏览器中进行测试

    • 验证标签页意外崩溃时的行为表现

    • 确认在不支持该 API 的环境中能优雅降级

    结语

    跨标签页协调不必成为一场噩梦。Web Locks API 提供了一个稳健的、浏览器原生的解决方案,免去了自定义协调协议的复杂性和脆弱性。

    在构建这套方案的过程中,我们总结出跨标签页协调成功的关键在于:

    1、绝不阻塞用户操作 —— 对用户主动发起的操作使用非阻塞锁
    2、安全地失败 —— 优雅降级胜过功能崩溃
    3、保持简单 —— 善用平台原生能力,而非重新造轮子

    Web Locks API 不仅仅适用于上传协调;任何时候你需要在标签页之间实现互斥,都值得考虑使用它。随着浏览器支持的持续完善,它正在成为现代 Web 开发者工具箱中越来越实用的利器。

    关于本文
    译者:@飘飘
    作者:@Cesar Contreras
    原文:https://tech.olx.com/handling-concurrency-on-the-web-with-web-locks-api-163b7e07eddd

    这期前端早读课
    对你有帮助,帮” 
    赞 “一下,
    期待下一期,帮”
     在看” 一下。

    阅读原文

    跳转微信打开

    【开源】口播视频(Talking-head)AI 视频编辑器:pireel/pireel

    2026年7月27日 09:00

    原创 木瑾 2026-07-27 09:00 日本

    一款纯前端运行、隐私优先且可被 AI Agent(MCP 协议)驱动的开源口播视频编辑器。

    📌 项目:pireel/pireel

    Pireel Studio editor

    项目地址:https://github.com/pireel/pireel

    🧩 核心作用

    一个开源、无需后端的口播视频(Talking-head)AI 视频编辑器,支持分镜设计、花字图形、动态字幕、设计主题,并可在浏览器端通过 WebCodecs 直接导出视频。

    ❗ 解决的核心问题

    解决了传统视频剪辑软件依赖云端服务器处理、用户隐私易泄露、订阅成本高以及跨端 / AI 协作门槛高的问题;它提供完全纯前端本地运行的轻量剪辑体验,并支持通过 MCP 协议让 AI Agent 直接驱动视频剪辑。

    👥 适用人群

    • 自媒体创作者 / 口播博主:需要快速制作带花字、动态字幕及设计主题的口播短视频。

    • AI 开发者 & Agent 开发者:希望通过 MCP(Model Context Protocol)接入视频剪辑能力,实现自动化视频生成与编辑。

    • 注重隐私的用户:希望所有视频素材与草稿仅保存在本地(OPFS /localStorage),不上传任何云端服务器。

    🔍 关键特性

    • 纯前端 / 无后端架构:草稿与视频数据全部保存在本地浏览器,无需注册账号或连接服务器。

    • AI Agent 原生驱动:支持通过 MCP 协议被 Codex、Claude Code 等 AI Coding Agent 直接调用控制。

    • 丰富的 Frame 丰富主题系统:内置多样化的视觉设计系统(如 Cinema, Neon, Y2K 等),可一键切换视频整体配色与排版风格。

    • WebCodecs 本地导出:利用现代浏览器(Chromium 等)的能力实现所见即所得的高效视频导出。

    🚀 快速了解建议

    1、优先阅读 README.md 中的 * Quick start,体验如何使用 npx skills add pireel/pireel-agent 将其接入 AI Agent。
    2、本地运行体验:执行 pnpm install 与 pnpm dev 打开编辑器,拖入一段口播视频亲自感受纯前端剪辑与主题切换。

    阅读原文

    跳转微信打开

    从PRD到可验证代码:AI需求开发闭环实践_有意思小周刊vol.170

    2026年7月27日 08:30

    原创 强少Qone 2026-07-27 08:30 广东

    有意思小周刊 vol.170

    「有意思小周刊」是我利用零碎时间,梳理记录一周的日常阅读与思考内容。目的是为以后更好构建自己知识体系,也为了将这些内容分享给你。

    以下是这期值得关注的内容

    📰 推荐阅读

    1. 从 PRD 到可验证代码:AI 需求开发闭环实践

    2. 我的 AI 驱动开发工作流:基于 Cursor 的全流程实战开发 SOP

    3. 货拉拉标注平台 - 拉拉标注

    4. skill怎么写、怎么用、怎么迭代?把我踩过的坑和方法全交代了

    5. 让 Claude Code 拥有自我进化和记忆系统|得物技术

    6. 如何利用 Harness “一句话交付产品功能”?

    7. 揭秘:资损下降 99.96% 的背后—AI 资损防控平台实战

    8. AI UITester:AI Native 的 UI 自动化测试新范式|得物技术

    9. AI Agent 的 Skill 系统设计

    10. 一文了解|SkillScan 智能体技能安全扫描最佳实践

    11. 经验|提升Vibe Coding设计质量的10个技巧!

    12. Agent 评测:方法论与体系设计

    13. 复杂业务规则太多?我们搭了一个规则可视化配置平台

    14. 海外Agent实践:让问题直达源码,助力团队提效!

    15. 复杂业务场景下 RCA Agent 的探索实践

    🔎 发现新大陆

    1. Pi Agent:原理与实现,从零到一实现一个 AI Agent

    2. MotionSites AI:高端 AI 网站提示词

    🛠️ 资源·工具

    1. 中国传统配色

    💡 Skill 推荐

    1. 你的微信读书数据面板

    2. Gorden Super PPT Skills

    ▌从 PRD 到可验证代码:AI 需求开发闭环实践

    链接:https://mp.weixin.qq.com/s/31ci2aTXgAnKEErr5cQVtA

    本文提出了一套面向 React Native(RN)项目的 AI 需求开发闭环实践框架,旨在解决“一句话生成代码”方式中因需求未对齐、接口不稳、设计还原偏差大而导致的反复返工问题。该框架通过将输入源(PRD、接口文档、Figma)转化为可审阅的“需求规格”,并设置人工门禁进行需求审阅和架构确认,确保实现基于证据。随后,代码生成、编译验证和视觉审计三个环节依次执行,分别按架构实现、验证代码工程正确性以及对照设计稿追溯UI还原证据,形成一个从需求到可验证代码的稳定人机协作流水线,并最终通过经验沉淀使流程持续改进。

    ▌我的 AI 驱动开发工作流:基于 Cursor 的全流程实战开发 SOP

    链接:https://mp.weixin.qq.com/s/d8lcMKS_zgfCMt_HOlzFKw

    本文提出了一套基于 Cursor 的“五段式”AI 辅助开发标准化工作流(SOP),其核心理念在于“人工主控、AI 赋能”,即由开发者主导业务拆解、架构设计和核心逻辑,而 AI 负责高效落地模板化代码、辅助排错及优化。该流程不仅强调通过前置的需求分析和架构设计来避免返工,还独创性地提出了 Token 消耗治理策略,通过精准上下文投喂、会话重置和模型分级选型,实现以最低成本获取最高质量的 AI 输出,从而将模糊的业务需求转化为稳定、高效、可维护的代码资产。

    ▌货拉拉标注平台 - 拉拉标注

    链接:https://mp.weixin.qq.com/s/E-3wlSwAU9gqPLuNrWYpiw

    货拉拉自研的“拉拉标注”平台是一体化线上数据标注系统,旨在解决传统标注方式效率低、质控弱、管理成本高等问题。它通过标准化流程(创建队列、数据导入、标注质检、数据导出及统计报表)和丰富的模板(支持图像、文本、语音、视频及多模态),覆盖从数据采集到模型训练的全链路。该平台最终实现了全场景效率提升100%以上和准确率达99%以上的显著效果,为AI模型迭代和业务高效判定提供了可靠支撑。

    ▌skill怎么写、怎么用、怎么迭代?把我踩过的坑和方法全交代了

    链接:https://mp.weixin.qq.com/s/EyrbFVz4eGafTJylIUbNsQ

    本文系统性地介绍了 AI Skill(技能)的概念、编写、安装、使用及迭代方法。Skill 本质上是一个包含 SKILL.md 文件的文件夹,用于为 AI 设定工作规则和偏好,可被理解为“给实习生的工作手册”。作者通过自身使用语音输入法和 AI 组合高效记录想法的实践案例,详细拆解了 Skill 文件的组成部分(如 frontmatter 元数据和具体规则正文),并对比展示了使用 Skill 前后 AI 输出效果的巨大差异。文章还强调了 Skill 的迭代方法(让 AI 从用户修改中学习)、不同模型对 Skill 遵循能力的差异、安装与寻找资源的途径,以及避免安装过多 Skill 导致上下文冲突等常见陷阱,最终指出撰写 Skill 的本质是将个人工作方式和审美标准沉淀为可复用的显性规则。

    ▌让 Claude Code 拥有自我进化和记忆系统|得物技术

    链接:https://mp.weixin.qq.com/s/PGT49KORSVZYpJxykWnwOw

    本文详细介绍了为 Claude Code 构建的一套自我进化与记忆系统,该系统通过行为观测层、模式提炼层和记忆注入层三个核心子系统协作,形成一个完整的自学习闭环。系统利用 Hook 机制100%捕获工具调用以收集数据,在会话结束时通过统计模式检测和AI语义分析提炼出原子化的行为规则(Instinct),并利用向量检索技术在下次对话启动时自动注入相关记忆,从而让AI助手能够跨越会话边界学习用户习惯。根据数月的真实使用数据,该系统带来了显著收益:上下文冷启动时间从10分钟降至30秒,Token消耗降低约78%,错误重复率下降80%,并展现了知识复利效应。

    ▌如何利用 Harness “一句话交付产品功能”?

    链接:https://mp.weixin.qq.com/s/2vO99OlOInapWZSEbJau8A

    本文分享了团队将AI驱动的开发模式从“Vibe Coding”(AI写代码,人统筹)升级为“Harness模式”(代码库为唯一事实源,Agent自治流转)的实践。核心是通过重构代码仓库为单仓(使用Git Submodule整合前后端),并设计了一个由6个专业Sub-Agent组成的自动化协作流水线,覆盖从需求分析、前后端开发到集成测试与E2E测试的全流程。通过定义清晰的Agent Handoff协议,实现了任务状态在不同Agent间的安全、自动化流转。实践表明,该模式成功将原本需要1天完成的功能开发缩短至约2小时,效率提升约4倍,显著降低了前后端联调的沟通成本。

    ▌揭秘:资损下降 99.96% 的背后—AI 资损防控平台实战

    链接:https://mp.weixin.qq.com/s/OcuSQ-aGWpwzDR8Lqx-mSQ

    在交易型互联网平台中,资金安全是生命线。传统资损防控高度依赖人工经验与后置规则,面临覆盖度低、响应滞后、规则易腐化等顽疾。本文以货拉拉 AI 资损防控平台的工程实践为例,详细拆解如何通过“数据飞轮 + 模型蒸馏 + 多智能体协同”架构,年度资损降幅 99.96%,并实现从“人工布防”到“AI 原生防控”的体系化跃迁。文章聚焦工程落地细节,涵盖自动化标注链路构建、代码/文本双模态风险识别、防腐化 Agent 设计,为同类业务提供可复用的技术范式.

    ▌AI UITester:AI Native 的 UI 自动化测试新范式|得物技术

    链接:https://mp.weixin.qq.com/s/lJCSdQlwqiUe3Y1K8cGAvQ

    本文介绍了得物技术推出的AI原生UI自动化测试新范式“ai_uitester”,该方案通过视觉语言模型(VLM)驱动,以“截图→理解→执行”的闭环替代传统基于元素定位的测试方法,有效解决了传统方案中用例迁移成本高、调试效率低、跨平台维护难三大痛点。其核心能力包括:利用LLM将平台描述性用例自动转化为可执行脚本、AI智能调试与用例自愈机制(可自动诊断并修复因UI变更或流程变动导致的失败),以及VLM驱动的跨平台统一执行能力,使得同一套JSON脚本能在Android、iOS和HarmonyOS上通用。此外,嵌入式的Wiki知识库与系统各模块深度耦合,为用例生成、自愈诊断和运行时执行提供背景知识,并通过“宁缺毋滥”的置信度机制确保测试的可靠性。该方案已在得物App落地,显著提升了用例转化效率与脚本自愈率,代表了从“代码驱动”到“视觉驱动”的测试范式转变。

    ▌AI Agent 的 Skill 系统设计

    链接:https://mp.weixin.qq.com/s/idzAV3XkWWm7GnFOFyZUBw

    本文系统阐述了 AI Agent Skill 系统的设计理念与工程实践,核心观点是将 Skill 视为“行为编程”而非文档,旨在通过结构化设计(YAML+Markdown、DOT 流程图、检查表)和严格的约束机制(门控、合理化防御、说服原则)来规范 AI 代理的行为。文章详细探讨了在有限上下文窗口下的 Token 经济策略,包括基于触发条件的发现机制、两阶段加载及声明式引用;提出了单向管道工作流编排、子代理上下文隔离及分级模型选择方案;强调了基于 TDD 理念的 Skill 测试方法,即通过压力场景观测并封堵代理的违规行为;最后总结了跨平台适配策略及从“建议”走向“强制”、从“手动”走向“自动”的演进教训,旨在构建高合规性、低成本且可维护的 AI 代理技能体系。

    ▌一文了解|SkillScan 智能体技能安全扫描最佳实践

    链接:https://mp.weixin.qq.com/s/GaefP5FMN8b-1JBfrUMqzQ

    本文档详细介绍了火山引擎推出的SkillScan智能体技能安全扫描方案,该方案针对AI Agent技能生态中日益突出的安全问题,从风险全景、检测能力、实践场景和接入方案等维度提供了全面的安全保障体系。文档首先系统分析了技能安全面临的风险,包括包体文件、声明层、代码层、网络与资源以及开源合规与供应链五大类风险,并针对不同的攻击向量和潜在影响进行了阐述。在此基础上,SkillScan构建了多层次的安全检测能力,涵盖基础检测、增强检测和运营保障,并提供了云上市场、内场共享等典型业务场景的定制化防护策略。最后,文档介绍了四种接入模式和具体的安全准入要求,并总结了技能安全开发的七大最佳实践原则,旨在从源头降低安全风险,为智能体技能生态构建全方位的安全防线。

    ▌经验|提升Vibe Coding设计质量的10个技巧!

    链接:https://mp.weixin.qq.com/s/dF-0n3iqWJCMSDpiCqekYA

    本文提供了提升 Vibe Coding 设计质量的10个实用技巧,分为前期准备和代码产出两个阶段。核心思想包括:通过设定专属AI Agent来固化项目技术栈和设计规范,确保输出一致性;利用其他AI模型优化设计需求的Prompt描述,弥补非技术人员在代码层面的表达缺陷;以及采用分阶段、由粗到细的还原策略,将复杂页面拆解为布局、模块和细节,避免AI一次性生成大量代码导致的结构混乱。

    ▌Agent 评测:方法论与体系设计

    链接:https://mp.weixin.qq.com/s/7a2L-GatYYwI6s1uK9mTjA

    本文系统阐述了Agent评测的体系化方法论,强调评测不应是上线前的临时抽查,而应嵌入研发流程,将不稳定的智能行为收敛为可发布的工程质量。文章的核心在于,通过区分Agent类型(如对话型、任务执行型),设计分层次、可定制的五类指标体系(正确性、鲁棒性、效率、安全性、用户体验),并构建包含专家设计、扩展用例、线上回流和Badcase的多元化评测数据集。此外,文章详细介绍了采用规则与LLM Judge相结合的“分层筛查”评分机制、基于问题现象与功能模块映射的结构化根因定位(RCA),以及最终将Badcase转化为行动项和可复用质量资产的闭环流程,以实现Agent的持续迭代与优化。

    ▌复杂业务规则太多?我们搭了一个规则可视化配置平台

    链接:https://mp.weixin.qq.com/s/GYDtswtqEfbvCxpHTvjR6g

    本文详细介绍了一个规则可视化配置平台的建设背景、核心能力、设计原理与实践效果。该平台旨在解决复杂业务规则散落在代码和配置中导致的变更风险高、治理困难等问题,通过将业务逻辑抽象为字段、组件和链路等可视化、可复用的策略资产,并集成了测试验证、发布审批、灰度对比、热更新与快照回滚等完整的发布治理体系。其核心设计采用管理面与运行面分离的架构,管理端负责规则配置与治理,运行端以SDK形式嵌入业务服务本地执行,并基于LiteFlow流程引擎实现高性能的热更新执行,从而在提升规则变更效率的同时,有效降低了线上风险。

    ▌海外Agent实践:让问题直达源码,助力团队提效!

    链接:https://mp.weixin.qq.com/s/xCAjA9QK0DQBZYm_iKKlng

    本文档介绍了爱奇艺海外事业部在AI编程全面普及的背景下,基于Cursor TypeScript SDK构建了“Code Chat MCP”(代码即时问答)和“Intl Chat Debug Agent”(国际站排障助手)两个云端智能服务。其核心思路是“让问题直达源码”,通过自动串联代码、配置、日志、接口等多系统数据,打破产品、运营、研发等多方人员的串行依赖,为业务咨询、反馈排障、迭代联调等场景提供即时、精准的分析结论,旨在提升团队整体工作效率。

    ▌复杂业务场景下 RCA Agent 的探索实践

    链接:https://mp.weixin.qq.com/s/lJxoCr5-VwpfYTqfcVbjhg

    本文探讨了在AI编码能力日益成熟但软件工程全局难题未解的背景下,快手如何构建基于大模型的业务排障体系(RCA Agent)。文章详细阐述了四个核心挑战:让AI理解业务(通过引入代码抽象层“业务资产”)、对抗高占比告警噪声(采用置信度评估和证据金字塔分级)、衡量推理不确定性(建立基于真实线上案例快照的评测体系)、以及抑制模型幻觉(将确定性任务工程化为标准化算子)。最终,文章提出了一个分层架构,结合“快思考”的Workflow与“慢思考”的Multi-Agent,并展望了向AI Native自主化、自进化方向发展的目标。

    ▌Pi Agent:原理与实现,从零到一实现一个 AI Agent

    链接:https://how-pi-agent-works.vercel.app/

    该文档是一个关于“Pi Agent”原理与实现的教程,旨在指导读者从零开始构建一个AI Agent。教程的核心在于通过工程化视角,拆解模型流、Agent循环、工具调用、会话树、资源加载与上下文压缩等关键概念。它提供了渐进式的Demo和可运行的教学版项目,适合具备TypeScript、Node.js等基础但尚未构建过完整Agent系统的开发者。

    ▌MotionSites AI:高端 AI 网站提示词

    链接:https://motionsites.ai/

    本文档展示了 MotionSites AI 提供的一系列高端 AI 网站提示(Prompts),内容涵盖从时尚、旅行、SaaS、健康、房地产到艺术和 Web3 等多个领域的网站设计模板,其核心价值在于帮助用户利用 AI 工具快速创建具有专业视觉效果的动态网站。同时,文档推广了 DesignRocket 平台,该平台旨在教授用户如何利用 AI 工具设计出通常代理机构收费高达 5000 美元的网站,从而赋能用户掌握高价值的 AI 设计技能。

    ▌中国传统配色

    链接:https://colors.xiaoxiaodong.ai/

    这里收录 742 张中华传统色高清色卡,已按原始 742 色清单完整覆盖。每张色卡包含色名、HEX、RGB、CMYK、配色推荐和气质关键词。现在它不只是素材库,也是一套可交互的中国色工作台:可以查色、试场景、生成色板、浏览配色关系、查看渐变逻辑、制作用途卡片、生成 shadcn 主题、配置终端调色板,并把喜欢的色卡和整组方案收藏到本机。

    ▌你的微信读书数据面板

    链接:https://readneo.vercel.app/

    你的微信读书数据面板 -- 连接微信读书 Skill API,可视化书架、阅读统计、笔记划线,一键导出到 Notion 和 Flomo。

    ▌Gorden Super PPT Skills

    链接:https://github.com/GordenSun/GordenSuperPPTSkills

    AI PPT赛道终结者,史上最最最强 PPT Skill!!! 使用GPT生成豪华的图片格式PPT,然后转换为完全可编辑的PPTX文件。

    END

    如果本文对你有帮助,请点赞、在看和分享给身边的朋友!

    别忘了关注「强少来了」

    获取更多前端 · 后端 · B端产品思维的精彩内容!

    👇👇👇

    你的认可,是对我最大的鼓励

    求转发,朋友圈

    另外我建了一个读友交流群

    你可以回复关键词「进群」

    添加我个人微信,邀请你入群

    跳转微信打开

    火山引擎开源 Agent 驱动的搜索自迭代技术

    2026年7月24日 17:30

    原创 Viking AI 搜索 2026-07-24 17:30 北京

    会调用搜索,只是Agent搜索能力的第一步。更难的是:当结果不好时,它能不能找到改进方向,并通过一轮轮实验把搜索变好?

    假设你刚上线一个商品搜索应用:搜品牌、品类和型号基本正常,但用户输入“适合通勤的轻便双肩包”,结果就开始跑偏。

    你提高语义召回权重,长句理解变好了,精确型号词却可能变差;提高关键词匹配门槛,前几条结果更准了,零结果又开始增加;放大候选集,召回更多了,噪声和延迟也可能随之上升。

    很多搜索项目都会遇到类似的调优困境。问题不是没有参数可调,而是这些参数彼此影响:一次看似简单的修改,往往同时改变召回、排序、零结果率和延迟。要判断一组策略是否真的更好,还需要准备 Query、批量搜索、相关性标注、离线评测和 Bad Case 分析。

    过去,这套工作依赖搜索专家反复试验。每一轮都能做,但很难低成本、可复现地持续做。

    于是我们开始思考:既然 Agent 已经能够理解目标和调用搜索,它能不能再向前一步——根据当前数据和 Query 分布,自动提出候选策略,用实验验证收益,并告诉开发者“为什么这组配置更好”?

    围绕这个问题,火山引擎在开源项目 SearchCLI 中开放了 vs search tune。开发者提供应用、数据集和 Query Set 后,Agent 可以调用它完成 Query 校验、实验规划、候选策略生成、批量搜索、相关性标注、指标计算、结果对比和候选 Scene 创建。

    在服饰商品、综合商品和图片内容等三个业务数据集的阶段性离线评测中,自动调优策略相较默认策略,NDCG@20 提升 11.66%~13.50%,Precision@10 最高提升 21.17%。

    这组结果首先说明了一件事:底层模型和数据不变时,仅仅围绕具体业务的 Query 分布重新组织召回模式、关键词与语义权重、匹配门槛和候选规模,也能释放出可观的效果空间。以上为阶段性离线结果,实际收益仍取决于 Query 代表性、标签质量和业务数据分布。

    我们把这套能力称为:Agent驱动的搜索自迭代。

    “自迭代”不是让 Agent 绕过控制、直接修改线上策略,而是把“发现问题—提出假设—分配评测预算—筛选候选—验证收益—输出候选配置”变成一套可以重复运行、结果可以审阅的闭环。

    接下来,我们将拆解这套闭环如何运转,以及背后的 SPA 策略优化框架,如何在有限搜索和标注预算下,把更多实验机会留给真正有希望的策略。

    一、从“会搜索”到“会把搜索变好”

    一个 AI 搜索系统通常包含召回模式、关键词与语义权重、关键词匹配门槛、候选集规模等配置。参数越多,适配不同场景的能力越强,但人工调优的门槛也越高。

    真正困难的不是修改某一个参数,而是持续回答:当前策略在哪些 Query 上不好?应该加强关键词还是语义召回?平均指标提升是否掩盖了某类 Query 的退化?新策略是否会增加零结果和延迟?

    搜索自迭代把这套专家工作流转化为一个反馈闭环:

    Query 与业务数据
      → 评测当前效果
      → 生成候选策略
      → 执行搜索与标注
      → 比较指标和 Bad Case
      → 输出候选配置
      → 人工确认后进入验证

    这里的“自”指流程可以由 Agent 持续驱动;“迭代”指每一轮都有 Query、标签和指标作为证据。生产变更仍保留明确的人为边界。

    二、为什么是 Agent + Skills + CLI?

    搜索调优既包含上下文判断,也包含领域知识和大量确定性执行。我们将三类工作拆给不同层次:

    组成

    职责

    Agent

    理解目标、选择评测路径、解释结果并决定下一步

    Skills

    提供参数语义、调优边界、安全规则和标准工作流

    SearchCLI

    执行批量搜索、标注、缓存、指标计算、恢复和报告生成

    例如,Agent 会先判断用户是否有真实 Query;没有时,才生成合成 Query 并交由用户审阅。昂贵评测前必须先执行 Plan,确认策略数、Query 数和最大标注量。最终应用策略时,也必须先 dry-run,再由用户确认是否创建候选 Scene。

    一次完整调优可能包含数千次搜索请求和大量 Query-item 相关性判断。如果让 Agent 临时拼脚本,网络抖动、限流或进程中断都可能让结果丢失。CLI 的价值,是把这些长任务变成稳定命令和机器可读的运行产物,让 Agent 决定“做什么”,让执行层保证“可复现地做完”。

    一次自迭代如何发生

    第一步是准备 Query Set。真实搜索日志、客服问题和人工整理的典型 Query 最有价值;如果暂时没有,也可以从数据集样本生成合成 Query,但必须先展示样例和类型分布,由用户判断它们是否代表真实意图。

    第二步是校验和规划。validate 会检查格式、重复 Query、类型倾斜和 sourceItemIds 覆盖率;plan 则在不调用搜索和 LLM 的情况下,提前计算策略数量、搜索请求数与最大标签量。用户可以在真正花费预算前缩小 Query Set、减少候选或先选择低成本标签。

    第三步是运行和复核。CLI 对每个候选执行批量搜索,先用 Source-item 银标快速筛选,或直接使用 LLM Judge 进行语义相关性判断,再计算 NDCG、MRR、Precision、零结果率和延迟。报告不仅给出推荐策略,也保留每条 Query 的明细,方便 Agent 解释收益来自哪里、是否存在退化。

    最后,Agent 可以比较不同 Run,并把确认后的推荐配置转成候选 Scene。整个过程对应 query-generate → validate → plan → run → report → compare → apply,每一步都有结构化输入、输出和检查点。

    三、SPA:把预算花在更值得评测的策略上

    搜索调优看起来像参数优化,实质上却是一个评测成本高、反馈有噪声、参数存在约束、结果还必须可解释和可落地的实验设计问题。

    候选策略、Query 数量和 TopK 增加后,最坏情况下的标注量近似为:

    strategy_count × query_count × topK

    因此,算法的核心任务不是生成尽可能多的组合,而是决定:哪些策略值得先测,哪些应尽早淘汰,下一轮沿什么方向探索,以及何时已经有足够证据停止。

    SPA(Strategy Population Annealing)把搜索策略编码为带领域语义的 Genome,以专家先验构造初始种群,通过多保真评测、多视角 Elite、语义化进化和退火机制分配预算,再用鲁棒统计选出稳定、可解释的候选策略。

    1. Genome:搜索参数不是普通数值向量

    {
    "user_defined_recall_mode": "KeywordSemantic",
    "dense_weight": 0.25,
    "text_weight": 0.75,
    "query_keyword_match_percent": 0.3,
    "max_retrieved_num": 100
    }

    这组参数既有枚举值,也有近似连续值和请求侧参数;同时还存在约束,例如 dense_weight 与 text_weight 需要归一,不同召回模式下参数含义也不同。SPA 的交叉、变异和移动都必须先理解这些语义,生成后还要经过裁剪、归一化、合法性校验和去重,才能转化为可执行配置。

    第一阶段聚焦 similarity-only:只优化召回模式、关键词/语义权重、关键词匹配比例和最大候选数,不同时调整 Rerank、个性化、热度或运营规则。这样才能把效果变化归因到文本相关性策略本身。

    2. 初始种群:覆盖搜索行为,而不是平均撒点

    Matrix Optimizer 会在若干固定档位上组合参数,优点是简单、稳定;缺点是不同参数不一定产生不同搜索行为,有限预算可能被大量相近或低价值组合占用。

    SPA 的初始种群由当前策略、默认 Baseline、KeywordOnly / SemanticOnly 等边界策略、粗粒度 Matrix 和行业 Prior 组成。商品搜索可以多保留关键词主导的混合策略,知识库问答则保留更多语义增强分支。算法从有意义的行为区域出发,而不是从随机点开始。

    当前开源首版已实现这一层:基于多个代表性中心,建立粗、细两种搜索半径,生成边界、中心和邻域候选,再执行合法化与去重。粗粒度邻域用于判断方向,细粒度邻域用于比较局部差异。

    3. 多保真评测:先排除错误方向,再提高置信度

    完整设计将评测分为三层:

    阶段

    评测方式

    目的

    Fast Pass

    小 Query Set + Source-item 银标

    淘汰明显无效策略

    Middle Pass

    按 Query 类型扩大评测

    识别只在局部场景有效的策略

    Confirm Pass

    完整 Query Set + LLM Judge / 人工标签

    高置信确认最终候选

    如果一个策略连生成 Query 的源 Item 都召不回来,就没必要继续为它的 Top20 结果支付 LLM 标注成本。反过来,Fast Pass 高分也不能直接胜出:它还要证明收益不是只集中在标题改写等少数 Query 类型上。

    4. 多视角 Elite:保留一条策略前沿

    只按平均 NDCG 选 TopN 很危险。某个策略可能在短词 Query 上很强,却让自然语言 Query 明显退化;另一个策略平均分略低,但零结果率、延迟和分类型表现更稳定。

    因此,SPA 同时保留 Global Best、Query-Type Best、Stable Best、Low-Latency Best、Low-Zero-Result Best、Baseline-Improver 和差异足够大的 Diverse Candidate。每个 Elite 都回答一个问题:它为什么值得继续消耗预算?这比单一排名更能防止种群过早塌缩。

    5. 语义化进化与种群退火

    下一代候选来自三类动作。交叉会组合两个 Elite 中已被验证的有效结构,例如采用策略 A 的关键词/语义权重和策略 B 的关键词门槛;局部变异会在优秀策略附近调整权重、候选规模或匹配比例;方向移动则让候选向全局最优或某类 Query 的局部最优靠近。

    这些动作都不是随机拼 JSON。例如,高关键词门槛导致零结果上升时,下一代会降低门槛;候选数从 100 增加到 200 没有提升却增加延迟时,搜索会向较小规模收敛。

    退火温度控制探索幅度:早期温度高,允许接受少量当前略差但差异较大的策略;中期围绕 Elite 交叉和变异,同时保留边界探针;后期温度降低,只在高价值区域细调。与单点模拟退火不同,SPA 同时保留多个策略分支,因此既能跳出局部最优,也不容易被一次随机移动带偏。

    6. 鲁棒目标:不被一次高分欺骗

    RobustScore =
      NDCG@20
      + α × MRR@10
      - β × zero_result_rate
      - γ × latency_penalty
      - δ × query_type_variance
      - ε × confidence_interval_width

    NDCG 衡量整体排序,MRR 强调首个高相关结果的位置;零结果率和延迟是落地约束;Query 类型方差用于惩罚“只在少数类型上好”的策略。置信区间可通过 Bootstrap 得到:对 Query Set 多次重采样,如果一个策略均值高但区间很宽,说明它可能只是碰巧在这批 Query 上表现好。

    因此,完整 SPA 要找的不是一次实验中的最高分,而是在 Query 分布和 Judge 噪声下仍然稳定的策略。

    四、实验结果

    实验比较自动调优策略与默认策略。在三个不同业务数据集上,

    • NDCG@20 提升 11.66%~13.50%

    • NDCG@10 提升 9.56%~15.08%

    • MRR@10 提升 7.74%~14.95%

    • Precision@10 提升 7.36%~21.17%。

    五、让算法真正可用的 CLI 工程层

    算法决定评估什么,工程层决定实验能否稳定完成。SearchCLI 重点沉淀了四类能力。

    Plan:先把实验成本编译出来。vs search tune plan 不实际调用搜索或 LLM,而是提前给出 Query 数、候选策略数、预计搜索请求和最大标注量,让 Agent 在昂贵任务开始前缩小范围或调整标签来源。

    受控并发:把长任务拆成小任务。  当前开源实现将评测拆为 strategy × query 任务,并采用有界批次调度;每批通过 Promise.allSettled 汇总结果,单个失败不会丢掉同批已完成的数据,也不会无限放大请求。任务队列与 Worker Pool 是后续可继续演进的方向。

    标签缓存:让 LLM 判断成为可复用资产。  不同策略经常召回相同 Item。SearchCLI 的缓存 Key 同时包含数据集、Query、Item 内容和 Judge 配置;只有这些信息一致时才复用,内容或评测标准变化后旧标签会自然失效,从而在节省成本的同时避免误用历史结果。

    Checkpoint / Resume:中断后接着跑。  CLI 会持续保存运行状态、搜索结果、已用标签、失败记录、中间指标和性能摘要。任务中断后,Agent 可以使用原 Run ID 继续未完成部分,不必重新支付已经完成的搜索与标注成本。

    最终的 apply 也保留安全边界:先 dry-run 展示配置,获得确认后只创建新的候选 Scene,不会自动切换默认入口。自动化减少的是重复劳动,不是取消人的业务判断。

    六、快速开始

    SearchCLI 要求 Node.js 20 或更高版本,并采用 Apache-2.0 License 开源。安装 CLI 与 Viking Skills:

    git clone git@github.com:volcengine/SearchCLI.git vs
    cd vs
    bash ./scripts/install.sh
    npx skills add "git@github.com:volcengine/SearchCLI.git" -y -g
    vs auth login
    vs doctor --json

    Agent可以通过以下指令进行调优:

    vs search tune validate --queries ./queries.jsonl --json
    vs search tune plan \
      --application-id <application-id> \
      --dataset-id <dataset-id> \
      --queries ./queries.jsonl \
      --profile similarity-only \
      --optimizer spa \
      --json
    vs search tune run \
      --application-id <application-id> \
      --dataset-id <dataset-id> \
      --queries ./queries.jsonl \
      --profile similarity-only \
      --optimizer spa \
      --label-source llm \
      --json
    vs search tune report --run-id <run-id> --json

    项目地址:https://github.com/volcengine/SearchCLI

    结语

    Agent 时代,搜索系统面对的问题正在从“能不能提供足够多的策略参数”,转向“能不能根据当前数据和 Query,持续找到更适合的策略”。

    SearchCLI 给出的答案,是用 Skills 沉淀搜索专家知识,用 CLI 承担确定性实验,用 SPA 提高评测预算的有效性,再由 Agent 把它们组织成一个可审阅的闭环。

    从“可调用”到“可评测”,从“可配置”到“可迭代”。

    这正是我们开源 Agent 驱动搜索自迭代技术的初衷。

    未来,Viking AI搜将推出更多能力,和我们一起,让搜索变得更简单、让自迭代这件事持续向前!

    点击「阅读原文」,立即体验

    阅读原文

    跳转微信打开

    CVPR 2026 Highlight 丨 用“几何感知”把扩散 Transformer 采样做成免训练加速器

    2026年7月24日 12:00

    原创 AI 2026-07-24 12:00 上海

    扩散采样不是在平直空间里走直线,而是在模型学到的弯曲特征流形上前进。

    前言

    扩散模型已经成为图像生成和视频生成中最重要的一类基础模型。从 DiT 到 FLUX,再到 HunyuanVideo,越来越多的高质量生成系统都依赖扩散 Transformer 来逐步完成从噪声到图像、从噪声到视频的生成过程。

    但一个非常现实的问题是:扩散模型很慢。

    这种慢并不是因为单次前向传播特别复杂,而是因为生成过程通常需要很多轮连续去噪。每一步都要调用一次大模型,几十步甚至上百步串行执行下来,推理延迟和计算成本都会变得很高。对于交互式图像生成、视频生成、移动端部署或大规模内容生产来说,这种成本很难忽视。

    一个很自然的问题于是出现了:

    既然扩散模型慢在采样步数多,那能不能直接少采几步?

    直觉上,这似乎是最直接的加速方式。但在实际系统中,粗暴减少采样步数往往会带来明显的质量下降:图像结构变形、语义不稳、细节丢失,视频中还可能出现闪烁和运动不连续。

    也就是说,扩散模型加速并不是简单地“少算几步”。真正困难的是:

    如何在大步采样时,仍然让生成轨迹沿着模型学到的正确方向演化?

    我们的论文 GeoRK2: Geometry-Guided Runge-Kutta Integration for Diffusion Transformer Acceleration 正是围绕这个问题展开。目前文章已被CVPR2026收录为HIGHLIGHT。GeoRK2 是一个免训练、可插拔的扩散 Transformer 加速框架。它把数值积分中的二阶 Runge-Kutta 方法和深度特征空间中的几何结构结合起来,使扩散采样在更少计算下仍然保持稳定的生成质量。

    简单来说,GeoRK2 的核心思想是:

    扩散采样不是在平直空间里走直线,而是在模型学到的弯曲特征流形上前进。加速采样时,必须尊重这个几何结构。

    图片 1 - 多种方法在多个提示词下生成图像的可视化结果。在高加速比下,FORA 和 TaylorSeer 等方法会出现不同程度的图像质量下降,而 GeoRK2 仍能保持更优的性能。

    动机:为什么扩散模型一加速就容易“跑偏”?

    传统扩散采样器通常把去噪过程看成一个普通的数值积分问题。给定当前噪声状态,模型预测下一步应该往哪里走,然后采样器沿着这个方向推进。

    在 DDIM、DPM-Solver 以及很多后续加速方法中,一个隐含假设是:

    扩散状态的演化发生在一个近似平直的欧氏空间中。

    如果这个假设成立,那么大步采样就可以被理解为在平直空间中做更大的跳跃。只要数值积分公式足够高阶,采样轨迹就应该能够保持稳定。

    但扩散 Transformer 的内部特征并不是这样工作的。

    我们在 DiT-XL/2 和 FLUX.1-dev 的中间激活上观察到一个非常明显的现象:模型的特征变化高度集中在少数主方向上。换句话说,虽然特征向量位于一个高维空间中,但真正承载主要变化的方向其实很少。

    论文中的激活谱分析显示,前 64 个主方向已经能够解释超过 99% 的特征方差。这说明扩散 Transformer 的去噪过程更像是在一个低维、弯曲的特征流形上运动,而不是在整个高维欧氏空间中自由移动。

    图片 2 - 主导方向解释的方差。针对 (a) DiT-XL/2 和 (b) FLUX.1-dev 的热力图显示,前 64 个主成分方向解释了超过 99% 的方差。

    这带来一个关键问题:

    当采样步长变大时,如果仍然使用普通欧氏空间中的直线外推,轨迹就可能逐渐偏离模型真正学到的特征流形。我们把这种现象称为:

    manifold drift,流形漂移。

    直观来说,模型知道一张图像应该如何从噪声中逐步成形,但这个过程发生在它内部学到的特征几何结构上。普通加速方法只看到“往前走”,却没有看到“应该沿着哪条弯曲的路走”。当步子迈得很大时,轨迹就容易切过流形曲率,而不是贴着流形前进。

    图片 3 - (a) GeoRK2 遵循内在流形几何结构,相比忽略曲率的欧氏空间预测方法,能够生成更平滑且更忠实的特征轨迹。 (b) 在大步长条件下,GeoRK2 仍保持稳定,而与几何无关的预测器会因误差快速累积而性能受损。

    最终表现出来的就是:

    • 图像结构开始扭曲;

    • 语义条件逐渐变弱;

    • 局部纹理和全局布局不一致;

    • 视频生成中出现帧间闪烁和运动不连续。

    因此,扩散 Transformer 加速的核心矛盾可以概括为:

    我们想减少采样步数,但不能让采样轨迹偏离模型学到的特征流形。

    GeoRK2 的出发点,就是把这个被忽略的几何问题显式建模出来。

    方法:GeoRK2 = 几何感知预测 + 

    流形校正 + 自适应稳定

    图片 4 - GeoRK2 通过将黎曼积分嵌入 Transformer 推理流程,实现具有几何感知能力的扩散采样。(左)预测阶段利用缓存的激活值,在较大时间间隔上外推潜在动态;校正阶段则在局部构建的几何流形上细化轨迹。(右)在每个 Transformer 块内,GeoRK2 引入轻量级的预测-校正模块,用曲率感知的二阶积分替代现有采样器(如 DDIM、DPM-Solver)的默认数值更新,从而在无需重新训练的情况下实现稳定且加速的生成。

    GeoRK2 的方法设计可以用一句话概括:

    在 RK2 二阶积分的基础上,用模型内部激活估计局部特征几何,并用这个几何结构约束大步采样。

    从整体上看,GeoRK2 包含三个核心模块:

    1.  几何感知的 RK2 预测;

    2.  低秩度量预条件校正;

    3.  自适应稳定机制。

    下面分别来看。

    1. 几何感知 RK2:不是直接外推,

    而是沿主特征方向外推

    Runge-Kutta 方法是经典数值积分中的一类高阶方法。普通的一阶方法只看当前位置的速度,而 RK2 会额外估计一个中点,从而更准确地预测下一步状态。

    在扩散采样中,这意味着:

    不要只根据当前一步的方向前进,而是先估计中间位置,再用中间位置的方向来决定大步更新。

    但 GeoRK2 并不是直接把标准 RK2 套到扩散 Transformer 上。原因在于,高维特征空间中并不是所有方向都同样可靠。很多方向可能只是噪声,或者并不位于模型真正使用的特征流形上。

    因此,GeoRK2 在做中点预测时,会先把更新投影到主导特征子空间中:

      h_mid = Projection(h_t + step / 2 * v_t)

      这里的 Projection 不是任意设计的,而是来自模型中间激活的低秩主方向。也就是说,GeoRK2 会先问模型:

      当前这个阶段,哪些特征方向才是真正重要的?

      然后只在这些方向上进行大步预测。

      这样做的直观效果是:

      • 保留模型最有信心的主要变化方向;

      • 抑制偏离流形的噪声方向;

      • 避免大步采样时轨迹漂到不可靠区域。

      可以把它理解成:普通 RK2 是“往前走得更准”,而 GeoRK2 是“沿着模型认为可靠的路往前走”。

      2. 低秩几何校正:用激活协方差

      估计模型内部的局部度量

      只做投影还不够。因为扩散模型的去噪过程并不是一条直线,而是在不同噪声阶段经历不同曲率的轨迹。特别是在高噪声向低噪声过渡时,特征空间的几何结构会发生明显变化。

      为了解决这个问题,GeoRK2 会从模型的中间激活中构造局部协方差矩阵:

        G_t = covariance(H_t) + epsilon * I

        这个矩阵可以理解为当前特征空间的一个局部“几何度量”。大特征值方向表示模型在这些方向上变化强、结构敏感,更新时需要更加谨慎;小特征值方向则表示变化较平坦,可以更放心地加速。

        但直接使用完整协方差矩阵代价很高。对于扩散 Transformer 的中间层来说,完整矩阵求逆会带来明显计算开销。

        GeoRK2 的关键工程设计是:只保留低秩主方向。

        由于论文中观察到 top-64 主方向已经解释超过 99% 的方差,GeoRK2 使用截断 SVD 来近似这个几何度量。这样既保留了最重要的特征几何,又把复杂度控制在可接受范围内。

        在得到低秩几何度量之后,GeoRK2 会对预测结果做一次 metric-preconditioned correction:

          geometry correction = - lambda * G_inverse * prediction_error

          直观来说,这一步是在问:

          当前预测结果和模型真正希望的去噪方向之间还有多少偏差?这个偏差应该按照特征流形的几何结构如何修正?

          这就是 GeoRK2 中的“几何校正”。

          它不是重新训练模型,也不是额外学习一个校正网络,而是直接利用预训练模型内部已有的激活统计来完成校正。

          为了进一步降低开销,GeoRK2 还使用 Woodbury identity 来高效计算低秩矩阵逆,并且每隔若干步更新一次 metric,而不是每一步都完整重算。

          3. 自适应稳定:

          遇到剧烈阶段切换时及时刹车

          扩散采样过程并不是平稳的。

          在早期高噪声阶段,模型主要决定全局布局和大致语义;在后期低噪声阶段,模型开始细化纹理、边缘和局部细节。不同阶段之间的过渡往往会带来速度和加速度的突变。

          如果加速方法在这些位置仍然激进外推,就可能出现不稳定。

          因此,GeoRK2 加入了一个非常简洁的自适应稳定机制。它会监测当前采样轨迹的加速度方差:

            ifVar(a_t) suddenly increases:
                use conservative fallback
            else:
                use geometry-aware RK2 prediction

            当检测到状态变化过于剧烈时,GeoRK2 会暂时退回到更保守的两点外推,避免错误被快速放大。最后还会使用 momentum mixing 对输出进行平滑:

              h_out = rho * corrected_prediction + (1 - rho) * h_t

              这一步的作用不是让方法变复杂,而是让几何积分在真实模型中更加稳健。

              论文中也观察到,这个 rollback 机制主要在高加速设置下的关键时间段触发,例如 FLUX 中从概念布局转向细节 refinement 的阶段。它带来的额外开销很小,但可以显著降低发散风险。

              工程上是否可落地?

              GeoRK2 的一个重要特点是:它不需要重新训练模型,也不需要修改模型结构。

              它更像是一个轻量级 PyTorch wrapper,在推理时拦截中间激活,估计局部几何结构,然后替换或增强原本的采样更新。

              从复杂度上看,GeoRK2 的额外开销主要来自三部分:

              • 主特征方向投影;

              • 低秩 metric correction;

              • 周期性截断 SVD。

              论文中的 profiling 显示,在 DiT-XL/2 上,当截断秩取 64 时:

              • projection step 约 0.014 TFLOPs;

              • metric-preconditioned inversion 约 0.022 TFLOPs;

              • amortized truncated SVD 每步约 0.011 TFLOPs;

              • 总额外 FLOPs 约 5.1%;

              • 实测每步 wall-clock overhead 约 3.8%。

              考虑到 GeoRK2 能够带来 4-5 倍级别的整体采样加速,这个额外开销是很小的。

              更重要的是,它的超参数并不敏感。论文中使用同一组配置:

                lambda = 0.1
                rho = 0.85
                beta = 0.9
                rank = 64

                就可以在 DiT-S/2、DiT-B/2、DiT-XL/2 等模型上稳定工作。这说明 GeoRK2 不是依赖精细调参的特定技巧,而是利用了扩散 Transformer 特征几何中的普遍结构。

                实验结果:

                4-5 倍加速下保持高质量生成

                为了验证 GeoRK2 的效果,论文在三个代表性场景上进行了实验:

                • ImageNet-256 上的 class-conditional image generation,使用 DiT-XL/2;

                • DrawBench 上的 text-to-image generation,使用 FLUX.1-dev;

                • VBench 上的 text-to-video generation,使用 HunyuanVideo。

                对比方法包括传统采样器 DDIM、DPM++,以及多种扩散 Transformer 加速方法,例如 FORA、TaylorSeer、ToCa、SmoothCache、TeaCache、DBCache 等。

                1. ImageNet-256:

                高加速下仍保持较低 FID

                在 ImageNet-256 + DiT-XL/2 上,GeoRK2 在多个加速档位下都取得了较好的速度-质量权衡。

                例如:

                • GeoRK2(N=2) 将延迟从 8.38s 降到 4.42s,达到 1.95x 加速,同时 FID 为 2.41;

                • GeoRK2(N=3) 在 2.70x 加速下取得 FID 2.67;

                • GeoRK2(N=8) 在 4.92x 加速下仍保持 FID 3.32。

                相比之下,很多方法在类似高加速设置下 FID 会明显上升。这说明在 aggressive acceleration 下,几何感知积分能够更好地保持采样轨迹稳定。

                表格 1 - 使用 DiT-XL/2 在 ImageNet-256 上的定量比较。结果为 5 次运行的平均值。Speed表示相对于 DDIM-50 的加速倍数。

                2. FLUX.1-dev:

                复杂文本条件下保持语义一致性

                在 FLUX.1-dev + DrawBench 上,GeoRK2 的优势尤其体现在语义一致性上。

                在 NFE=50 设置下:

                • GeoRK2(N=5) 达到 3.52x latency speedup,ImageReward 为 0.9889,CLIP Score 为 34.963;

                • GeoRK2(N=7) 达到 4.06x latency speedup,仍保持 ImageReward 0.9792;

                • GeoRK2(N=8) 达到 4.39x latency speedup,CLIP Score 仍保持在 33.476。

                这一点很重要。因为文本到图像生成不仅要求图像清晰,还要求模型正确理解 prompt。部分缓存类方法虽然也能加速,但在复杂文本条件下更容易损失语义一致性。

                GeoRK2 通过几何约束保持中间特征轨迹稳定,因此在大步采样时更不容易偏离文本条件所对应的生成方向。

                表格 2 - 在 FLUX.1-dev 上的比较。结果为 5 次运行的平均值。Speed 表示相对于 50 步参考方法的加速倍数。

                3. HunyuanVideo:

                视频生成中的时序稳定性

                视频生成比图像生成更难加速。因为模型不仅要保证单帧质量,还要保证帧与帧之间的运动连续性。

                在 HunyuanVideo + VBench 上,GeoRK2(N=8) 达到:

                • latency 从 323.89s 降到 69.44s;

                • latency speedup 为 4.66x;

                • FLOPs speedup 为 6.77x;

                • VBench Score 为 80.73。

                相比其他加速方法,GeoRK2 在高加速下更好地保持了时间一致性。论文中也指出,一些方法虽然单帧质量尚可,但会出现可见 flickering,而 GeoRK2 的几何度量估计能够更自然地适配时空注意力特征。

                表格 3 - 在 HunyuanVideo 上基于 VBench 的比较。结果为 5 次运行的平均值。Speed 表示相对于 50 步基线方法的加速倍数。

                消融实验:每个组件都在发挥作用

                为了验证 GeoRK2 的设计是否必要,论文还做了系统消融。

                在 DiT-XL/2 上:

                • 完整 GeoRK2 的 FID 为 2.31;

                • 去掉 geometry correction 后,FID 上升到 3.02;

                • 去掉 RK2、改用 Euler 后,FID 上升到 2.87;

                • 去掉欧氏预测相关设计后,FID 上升到 3.41。

                这说明 GeoRK2 的优势不是来自某一个单独 trick,而是来自三个部分的协同:

                二阶预测负责更准确地大步前进,几何校正负责把轨迹拉回流形,自适应稳定负责避免阶段切换时发散。

                DiT-XL/2 上的受控消融实验(N=3)。FID degradation 表示相对于完整 GeoRK2 的 FID 相对增加幅度。

                表格 4 - DiT-XL/2 上的受控消融实验(N=3)。FID degradation 表示相对于完整 GeoRK2 的 FID 相对增加幅度。

                论文还分析了截断秩的影响。结果显示,从较低 rank 增加到 64 时质量明显提升,但继续增加到 128 后收益变小。这与前面的谱分析一致:主导特征方向已经覆盖了大部分有效几何信息。

                图片 5 - 截断秩对特征重建的影响。散点图比较了在 1/64、1/32、1/16、1/8 比例下的原始特征与低秩特征,结果显示较高秩时与恒等线的对齐更紧密,并在 1/64–1/32 处趋于饱和,这与 FID 饱和以及捕获 99\% 谱能量的现象一致。

                总结

                GeoRK2 的核心贡献,并不是简单提出一个新的采样器,而是把扩散 Transformer 加速中的一个关键问题讲清楚:

                高倍采样加速失败的原因,往往不是数值阶数不够,而是采样轨迹偏离了模型内部学到的弯曲特征流形。

                从这个视角出发,GeoRK2 做了三件事情。

                第一,从现象上,它指出了 aggressive acceleration 下的 manifold drift 问题:普通欧氏空间外推会让去噪轨迹逐渐偏离模型真实的特征几何。

                第二,从方法上,它把二阶 Runge-Kutta 积分和 Riemannian feature geometry 结合起来,用激活协方差估计局部度量,并通过低秩投影和 metric correction 保持采样轨迹稳定。

                第三,从工程上,它保持了非常克制的设计:不重新训练、不修改模型结构,只作为 plug-and-play 推理模块接入现有扩散 Transformer,并在 DiT、FLUX、HunyuanVideo 上实现 4-5x 级别加速。

                对于正在做图像生成、视频生成或扩散模型推理优化的团队来说,这项工作的启发是:

                扩散模型加速不只是减少采样步数,而是要让每一次大步更新都沿着模型学到的几何结构前进。

                当我们把特征流形的几何信息纳入采样器设计时,大模型生成就可以在更低成本下保持更稳定的质量。

                -End-

                作者丨五角场打工王、争气尾流

                跳转微信打开

                ❌