跨栏目检索
搜索中文标题、仓库名或关键词，再用分类、来源和日期缩小范围。
EVE Online 的工程师 Nicholas Herring 在一场演讲中，介绍了这款已有 20 年历史的网游是如何做分布式追踪和可观测性的。难点在于游戏服务器实时处理海量事件，如果样样都记录，数据量太大、成本高，还可能拖慢游戏本身。他们的做法是在追踪一开始就决定采不采样（头部采样），并配合动态指数移动平均（EMA）和确定性采样，在保证数据能反映真实运行情况的同时控制开销。对做大型在线系统的读者来说，这是一套在“看得清”和“跑得快”之间取平衡的实战经验。
提供的材料未提及具体可用工具。
有人对比了 Delta Lake 上三种数据布局方式：Liquid Clustering、ZOrdering 和分区。所谓数据布局，就是数据在存储里怎么摆放，摆得好查询就快。作者在四类典型工作负载上做了测试，发现两个此前没被记录过的失效模式，可能已经影响到现在的生产系统。文章最后给出了一套选择布局策略的决策框架，帮助工程师按自己的场景挑合适方案。
jackft/mumo · tools for multimodal interaction research
mumo 是一个面向多模态交互研究的工具集，提供安装包与浏览器应用、可嵌入库两种构建产物，可用于音频转录等交互数据的查看与标注。仓库使用 TypeScript 编写，采用 pnpm 工作区开发，并注明可在 Linux、Mac 与 Windows 上运行。
PavanMudigonda/zero-to-ai · Free AI/ML course with 950+ Jupyter notebooks — Python, deep learning, LLMs, RAG, agents, prompt engineering, fine-tuning, MLOps
Zero to AI 是一个免费开源的 AI 与机器学习课程，提供 950 多个 Jupyter Notebook，覆盖 Python 与数据科学、机器学习数学、分词与嵌入、深度学习、LLM 与 RAG、AI Agent、提示与上下文工程、微调、MLOps、模型评测与安全等主题，并按学习路径组织为渐进式阶段，适合从零开始系统学习 AI/ML。
Meta、MIT 和华盛顿大学的研究人员提出了一种叫“上下文语言模型”（CLM）的新方法。过去，语言模型的长上下文通常靠事先定好的规则来总结、压缩和检索信息，不够灵活。这次让模型自己决定怎么管理和修改上下文内容。研究人员表示，这种做法在性能和计算效率上都有明显提升。对读者来说，这意味着未来 AI 处理长对话、长文档时可能更聪明，同时更省算力，不过目前还只是研究阶段。
提供的材料未提及具体可用工具。
gabbiesbv/claude-code-sourcemap-learning-notebook · Reverse-engineer Claude Code sourcemaps to study its architecture, design choices, and reusable AI agent patterns
该学习笔记项目逆向分析 Claude Code 约 51.2 万行 TypeScript 源码，提炼其整体架构、设计取舍以及 11 个可迁移的 AI Agent 设计模式。内容分 9 章，涵盖查询循环与流式工具执行、工具系统与 Zod schema、五层权限与安全、多 Agent 协调器、MCP 与 Skills 扩展、提示词工程以及语音模式等主题，并给出章节核心源文件与学习路径；配套姊妹项目 nano-claude-code 以极简实现重写核心逻辑。仅供教育研究用途，不提供源码本体。
fathirn6263/harness-engineering · Learn Harness Engineering with notes, concepts, and hands-on practice for building AI agent workflows and constraint-driven systems
这是一个以学习路径形式组织的资料合集，围绕 harness engineering（围绕 AI Agent 工作流与约束驱动系统的工程方法）提供笔记、概念讲解与动手练习。README 主要说明如何在 Windows 上下载、解压并逐节阅读材料，建议按基础概念、核心工作流、实践练习、复习的顺序进行学习，适合自学、复习、面试或考试准备。项目自身定位为学习指南而非复杂工具，材料中未说明具体部署方式、运行环境依赖、API 成本或授权条款。
lululido8-ui/AI-researcher · Enable intelligent retrieval, filtering, and summarization of scientific papers from multiple sources for efficient research and report generation.
AI-researcher 旨在支持从多个来源对科研论文进行智能检索、筛选与摘要，帮助高效开展研究与报告生成。项目仓库仅有描述性简介，README 内容为空，未提供安装、部署、依赖或使用示例等细节，具体能力边界和使用方式需以项目后续文档为准。
aipoch/open-science · The open-source AI research workbench for scientific research and agent workflows. Local-first, model-agnostic desktop app with extensible skills, MCP tools and connectors, Python/R execution and traceable artifacts for reproducible research on macOS, Windows and Linux.
AIPOCH Open-Science 是由 AIPOCH 开发的开源、本地优先、模型无关的 AI 科研工作台，支持 macOS、Windows 和 Linux。它以科研智能体为核心，结合 Python/R Notebook、科学数据连接器（内置 24 个连接器并支持自定义 MCP）、可扩展技能（内置 23 个技能，Skills Marketplace 提供 525 个技能）和 Specialists 委托机制，覆盖从文献综述、假设提出到代码执行、数据分析、模拟、可视化的研究流程。所有生成的报告、表格和图片以不可变、带校验和的版本存储，可追溯产出代码、执行历史与验证证据，并可将完整研究会话导出为可移植的 .science 包用于评审、交接和归档。
landedjobs/llm-engineer-jobs · Auto-updated LLM and AI Agent Engineer jobs (RAG, agents, evals), refreshed every 2 days. Top companies first. Free. By landed.
该项目是一个自动更新的招聘信息仓库，汇总 LLM 与 AI Agent 工程师岗位，覆盖 RAG、工具调用 Agent、编排、微调、评测与推理等方向。README 显示其收录约 300 个在招职位，其中 91 个远程、每周新增 69 个，按顶级公司优先排序，并每隔两天刷新一次。职位按美国与远程分区列出，表格内提供公司、职位、地点、发布时间与申请入口，申请链接跳转至聚合页面后再指向雇主官方申请地址。适合寻找 LLM/Agent 方向工作的工程师作为持续更新的职位索引使用。
Matthew Liste 总结了他 20 多年做关键任务基础设施的经验，提出构建可扩展、可靠平台的 12 条核心原则。这些原则针对企业技术团队常见的问题：技术债越积越多、旧功能下线难、工程文化薄弱。他讲的是怎么设计基础设施平台，让系统更简单、开发流程更顺，并且能长期产生价值。对资深架构师和工程负责人来说，这是一份经验性的设计参考。
提供的材料未提及具体可用工具。
OpenAI 公布了一批数学开放问题的新结果，这些问题是由其内部的前沿模型解决的。所谓“开放问题”，就是数学界长期没有找到答案的难题；“前沿模型”指能力最强、尚未对外公开的模型。为了让结果可验证，OpenAI 把用 Lean 写出的证明形式化代码以及研究细节放到了 GitHub 上，Lean 是一种能逐步检查数学证明是否成立的工具。对读者来说，这些结果和代码可供查看和复核，说明 AI 在数学证明上又向前走了一步。
Uky0Yang/awesome-ai-agents-zh · 中文 AI Agents、MCP 和 AI 开发工具导航
这是一个面向中文开发者的 AI Agents、MCP 和 AI 开发工具导航社区。仓库用结构化数据维护收录清单并由脚本生成 README，按 AI 编程助手、Agent 框架、MCP 生态、RAG 与知识库、浏览器自动化、安全与评估等分类整理项目，并标注语言、开源状态和适合阶段。同时提供 GitHub Discussions 用于提问、展示作品和分享实践经验，属于信息聚合与交流平台，本身不提供 agent 运行能力。
Red Hat 的 AI 安全团队做了一次横向对比，把三种安全护栏方案（专用分类器、LLM 当裁判、决策模型）放在同样的测试里跑，看哪一种最能拦住提示注入和有害内容。以前大家要么用专门训练的小分类器，要么花钱调大模型来判断，前者快但不够灵活，后者灵活但慢、贵。这次测试发现，一个约 2 亿参数的小分类器在提示注入上与 35B 大模型几乎打平（准确率 89.01% 对 89.31%），但响应时间只要约 54 毫秒，而大模型要 300 毫秒以上。这对开发者的意义是：如果护栏放在请求路径上，小模型能在普通笔记本 CPU 上跑，既省延迟也省成本。不过内容安全这块，决策模型反而更准，但成绩受提示词写法影响很大，还不能当作定论。Red Hat 计划把这两个分类器作为 OpenShift AI 3.6 的默认配置。
很多工程团队的数据散落在 CI、部署、安全扫描等不同系统里，同一个服务在不同系统中叫不同名字，工程师和 AI 每次问“这次部署为什么失败？”都要手动拼数据，答案还每次都变。文章提出用“软件交付知识图谱”解决：把实体、关系和数据格式用“schema 即代码”明确定义，再统一同步和查询，让跨系统的知识变得可靠、确定。还强调图谱质量取决于数据质量，需要监控数据填充率、记录数据来源、持续评估，否则图谱也会退化。文章以博客形式给出架构和指南，未说明配套产品何时可用。
提供的材料未提及具体可用工具。
bk4ice/rss-claw-reports · 由 RSS-Claw 自动生成的科技日报 / 周报 / 月报 — 每日 AI 抓取、分析、发布，含产品机会雷达特刊
这是一个由 RSS-Claw 自动生成的科技日报／周报／月报内容仓库。材料说明其流程为每天自动抓取、经 AI 分析后发布，内容按年月归档，并包含“产品机会雷达特刊”。仓库以 Markdown 报告集合的形式提供已发布的报告文件，本身不含可安装的软件实现或使用文档。
alexvervloet/ai-engineering-deep-dive · A from-scratch, build-it-yourself course series for AI engineering. 17 hands-on repos across the API call, RAG, evals, agents, injection, and production. Offline-first, provider-agnostic, no frameworks.
这是一套从零开始、动手构建的 AI 工程课程系列，包含 17（README 中亦称 25）个独立仓库级深潜教程，覆盖 API 调用、提示工程、RAG、评测、Agent、提示注入与防护、生产化等主题。每个概念对应可运行的小型 Python 脚本，多数首个可运行示例无需 API Key，强调离线优先、供应商无关、不依赖框架，仅需基础 Python。另含 bonus 深潜（Agent Harness、上下文工程、AI 数据工程、GenAI 安全、多模态、实时语音、ML 基础、微调、MCP、本地模型、推理平台、可观测性、架构、测试与交付、结构化数据、专业工具）以及 TypeScript 配套版本。
javas-cri-pt/ripasso-uni · Daily spaced-review web app for exam prep with AI/ML and product-management tracks. Weekday gating, per-lesson notes, progress in localStorage.
Ripasso Uni 是一个用于备考的每日间隔复习网页应用：每个工作日（周日到周五）解锁一课，支持逐课做笔记、浏览历史记录，进度保存在浏览器 localStorage 中。内容分两条线：AI/ML（LLM 基础、RAG 类型、Agent、嵌入与检索、聊天机器人架构）与产品管理。它由 curriculum.yml 和 lessons/ 通过 build-app.py 静态构建出 index.html，纯客户端运行，无后端、无账号。
AI 让软件开发变快，也让漏洞被找到和利用的速度变快。过去安全团队靠一张表格记录漏洞、按严重程度打分再排优先级，但现在漏洞太多，这种方法很难跟上。文章提出换个问法：不要只问“我们有多少个漏洞”，而要先问“哪些漏洞真的会给我们带来风险”。做法包括：用更干净的基础镜像和代码扫描减少漏洞进入系统，同时持续扫描真正在生产环境里运行的软件，并结合网络可达性判断风险。这样能帮团队少做“表面功夫”，把精力放在真正危险的地方。
提供的材料未提及具体可用工具。
ochiee/ai-engineering-resources · 🤖 Explore essential AI engineering resources, from research papers to tools, to help software engineers transition into AI roles effectively.
该项目收集了面向希望转型为 AI 工程师的开发者所需的研究论文与博客文章，内容涉及 AI、大语言模型（LLM）和 Transformer，涵盖从基础概念到进阶讨论的资料。仓库以资源合集形式组织，README 提供了通过 Releases 页面下载并解压浏览的说明，并提到集合会定期更新。