跳到正文

AI 程式開發

AI 寫程式碼的一切:編碼助手、Vibe Coding、程式碼模型評測與開發工作流變革。

234條精選相關主題Agent 智慧體Cursor教學與實務

最新精選

第 201–220 條 · 共 234 條
6月24日週三
  1. DevClass (Developer News)71

    Vercel 推出 **eve** 開源 Agent 框架,搭配 Passport 控制企業 AI 應用

    eve 是 Vercel 在 Ship 事件中推出的開源 Agent 框架,採用 TypeScript 與 Markdown 編寫,並提供簡易的「填空式」配置,讓開發者可快速構建、測試與部署 AI Agent。

    推薦理由:Vercel 推出的 **eve** agent 框架以填空式配置簡化開發流程,搭配 Passport 方案為企業提供 AI 代理程式的身份與許可權管理,對落地 AI 應用的團隊具有參考價值。

6月23日週二
  1. Python Official Blog77

    Python 3.15.0 beta 3 已發布

    Python 3.15.0 beta 3 已發布,為 Python 3.15 系列的第三個 beta 版。 * 195 項修復、建置改進與檔案更新,來自 86 位貢獻者。

    推薦理由:Python 3.15 beta 3 推出多項新功能與效能提升,開發者可先行測試以確保上線相容。

6月22日週一
  1. Modal Engineering Blog72

    拆解沙盒啟動延遲:為什麼啟動 ≠ 就緒

    Modal 針對沙盒啟動延遲進行拆解,指出容器啟動只是整個流程的一小段,真正耗時的是應用程式初始化。 - 完整啟動週期 Created → Scheduled → Started → Ready → In Use,容器啟動時間通常佔不到 10% 的總等待。

    推薦理由:瞭解沙盒啟動全流程與最佳化方法,能協助工程師減少使用者等待時間並提升系統吞吐量,在高併發環境下更顯優勢。

6月11日週四
  1. Modal Engineering Blog71

    FlashAttention-4 推理加速最佳化

    FlashAttention-4 針對推理工作負載進行多項最佳化,提升大型語言模型的效能。 - FP8 支援:新增 8-bit 浮點輸入,吞吐率相較 bf16 基準提升至 1.16 倍。

    推薦理由:瞭解 FlashAttention-4 針對推理工作負載的關鍵最佳化,能幫助工程師提升大型語言模型推理效能。

5月22日週五
  1. Mistral AI87

    Mistral AI 釋出 Mistral Medium 3.5 與 Vibe 雲端非同步智慧體

    Mistral AI 推出 128B 開源旗艦模型 Mistral Medium 3.5,具備 256k 上下文視窗、可配置推理強度以及從頭訓練的視覺編碼器,並在 SWE-Bench Verified 上取得 77.6% 的成績。

    推薦理由:Mistral Medium 3.5 的釋出和雲端非同步智慧體能力的上線,展示瞭如何通過長上下文與多工具呼叫降低開發者的任務阻塞成本。

  2. DevClass (Developer News)70

    GitHub 披露內部倉庫被盜,攻擊源自被毒化 VS Code 擴充套件

    GitHub 公佈內部倉庫因被毒化 VS Code 擴充套件而被盜,僅影響內部儲存庫。 - 攻擊方式:利用被毒化的 VS Code 擴充套件進行資料外洩。

    推薦理由:此事件揭示開源平臺內部倉庫被盜,提醒開發者重視機密管理與安全審計,並強調即時監控與憑證輪替是防範此類攻擊的關鍵。

5月16日週六
5月8日週五
  1. Together AI Official Blog77

    Goose Agent 與 Together DCI:零配置即時部署 Hugging Face 模型

    Goose Agent 與 Together Dedicated Container Inference 讓開發者能在一個 session 內把 Hugging Face 上的新模型(如 Netflix 的 void‑model)部署到 GPU 背景的容器中,零配置即時使用。

    推薦理由:本文示範如何利用 Goose Agent 及 Together Dedicated Container Inference,將 Hugging Face 模型零配置即時部署,縮短從發布到使用的時間,對快速實驗與落地具有實務價值。

5月2日週六
  1. Julia Evans (jvns)65

    在瀏覽器中測試 Vue 元件

    本文示範如何在瀏覽器中編寫 Vue 元件測試,提供實用技巧與工具選擇,幫助開發者提升測試覆蓋率與開發效率,並示範如何利用 QUnit 與瀏覽器內建覆蓋率工具,快速驗證功能正確性。

    推薦理由:本文示範如何在瀏覽器中編寫 Vue 元件測試,提供實用技巧與工具選擇,幫助開發者提升測試覆蓋率與開發效率,並示範如何利用 QUnit 與瀏覽器內建覆蓋率工具,快速驗證功能正確性。

3月17日週二
  1. Together AI Official Blog70

    Mamba‑3 發布:更高效的 SSM 方案提升 1.5B 模型推理速度

    Mamba‑3 是一款新型 SSM,專為推理效率設計,於 1.5B 模型層級下,預填+解碼延遲均優於 Llama‑3.2‑1B、Gated DeltaNet 及 Mamba‑2。

    推薦理由:Mamba‑3 以高效的 SSM 方案,提升 1.5B 模型預填解碼延遲,並提供 Triton/TileLang/CuTe kernels,為線性模型推理競爭力提供基礎。

  2. Mistral AI84

    釋出 Mistral Small 4

    Mistral AI 釋出了 Mistral Small 4,這是一款統一推理、多模態與編碼功能的模型,採用 119B 引數、256k 上下文視窗,支援可配置推理強度,提供 40% 的延遲降低和 3 倍的吞吐量提升。該模型採用 Apache 2.0 許可,支援 vLLM、llama.cpp、SGLang 等開源框架,並已加入 NVIDIA Nemotron 聯盟。

    推薦理由:Mistral Small 4 將推理、多模態與編碼功能統一,提供可配置推理強度和高效推理,幫助使用者在單一模型中完成多種任務。

3月10日週二
  1. Python Official Blog66

    Python 3.15.0 alpha 7 發布

    Python 3.15.0 alpha 7 是 Python 3.15 系列的第七個 alpha 版,提供多項新功能與效能改進。

    推薦理由:此版本引入多項新功能與 JIT 最佳化,開發者可即時測試並評估對效能與開發流程的影響,並支援 Python 3.15 之新語法與效能提升。

1月28日週三
  1. Mistral AI64

    Mistral AI 釋出 Mistral Vibe 2.0 與 Devstral 2 模型

    Mistral AI 釋出終端原生編碼智慧體 Mistral Vibe 2.0,搭載 Devstral 2 模型系列並帶來自定義子智慧體、多項選擇澄清、斜槓命令技能與統一智慧體模式。該版本現已上線 Le Chat Pro 與 Team 計劃,支援按量付費和自帶 API 金鑰,Devstral 2 也同步轉入 Mistral Studio 的付費 API 訪問。

    推薦理由:官方釋出了基於新模型的程式碼智慧體重大升級,使用者可以根據具體需求自定義子智慧體和工作流。

1月23日週五
1月15日週四
  1. Embrace The Red (AI Security)79

    Next.js 認證 Cookie 生成工具與 React2Shell 漏洞驗證

    導語:本文說明如何利用 React2Shell 漏洞,使用 Next.js 的 next-auth 產生偽造 Cookie,並提供可執行的 Cookie 生成與解碼工具,協助安全人員驗證並加強防禦。

    推薦理由:本文提供可重現的 Next.js Cookie 生成工具,協助安全人員驗證 React2Shell 風險,並示範實際解碼流程,讓讀者能快速部署防禦機制。

12月11日週四
  1. DevClass (Developer News)76

    VS Code 更新:AgentHQ、TypeScript 7 預覽與 IntelliCode 退役

    VS Code 最新版本推出 AgentHQ、TypeScript 7 預覽以及將 IntelliCode 遷移至 GitHub Copilot 的關鍵改動。 - AgentHQ:允許多背景代理並行工作,整合多供應商代理,Agent Sessions 檢視預設關閉,未來將移除獨立檢視。

    推薦理由:VS Code 近期更新將 AgentHQ、TypeScript 7 以及 IntelliCode 遷移至 Copilot 等關鍵改動,為開發者提供多代理協作與更快編輯體驗,值得關注。

12月9日週二
10月16日週四
10月5日週日
  1. Ahead of AI (Sebastian Raschka)73

    從零開始理解 LLM 評估的四大方法

    本文 以從零開始的方式,說明 LLM 評估的四種主要方法,並提供完整的程式碼範例。 - 四大評估方法 多選題、驗證器、排行榜、LLM 評審。 - 實作範例 用純 PyTorch 實作 Qwen3 0.6B,並將程式碼上傳至 GitHub。

    推薦理由:本文提供四種 LLM 評估方法的實作範例,幫助工程師快速選擇適合的評估策略,並瞭解各方法的優缺點與實務落地。