线性衰减学习率需要提前确定训练终点；恒定学习率便于随时接着训，但原始检查点的指标更高、波动也更大。CONSTANT-LAST4 在评测时把最近四个连续检查点的权重平均，减轻这种波动；训练仍从最新原始检查点继续。它没有把四次成绩取均值，也没有把平均模型再写回训练轨迹。

今天想推荐一个能帮助梳理这些问题的开源项目：HowToLiveBetter，中文名叫《高性价比人生指南》。

前言手机上的“叮”一声很短，却能把操作结果交代得很清楚。付款完成、消息到达、游戏开始，声音一出来，眼睛还没来得及看提示，人已经知道...

面试官问的是"怎么判断"，我直接跳到了"有哪些原因"，中间少了最关键的一步：怎么定位、怎么验证。回去之后我把这个问题重新梳理了一遍，把当时漏掉的部分补上，整理成了这篇文章。

模型会说话，但它没有一份稳定的世界模型。企业真正缺的，往往不是更强的模型，而是一层能说清“这里有哪些东西、它们怎么连、谁能对它们做什么”的语义底座。这两年，这层底座正在被标准化。本文是对《本体驱动的AI大模型：方法与实践》一书的解读与补充。

模型要跑起来，先被深度学习框架（PyTorch）切开并行，每个 NPU 算出来的梯度靠 HCCL 互相传，HCCL 背后靠 CANN 把代码变成 NPU 能跑的算子，这一切由调度层拉起，流量走五个网络平面，最终落在一块 384 张 NPU 的物理底座上。

过去几个月，AI巨头接连发布新一代模型，在编程、科研和复杂任务上屡破纪录。

如果让AI只学习牛顿发现万有引力之前的所有知识，它能自己把万有引力给推导出来吗？

这一讲我们把 Agent 的「手脚」彻底讲透：Function Calling 到底怎么转、Tool 怎么定义模型才会用、Tool / Skill / MCP 到底什么关系、五个最常见的坑、以及重试降级熔断超时这一套容错机制。读完你会知道，工具数量从来不是 Agent 强弱的指标，「在正确的上下文里，只暴露当前真正需要的工具」才是。

今天我们跳出枯燥的协议发展史，全程以抓包视角、线上真实场景、故障案例，深度拆解 HTTP/1.1 与 HTTP/2 的核心区别，彻底搞懂多路复用、队头阻塞、连接复用、ALPN 协商、流量控制等核心知识点，帮你搞定 90% 的网页加载、接口并发网络问题。

值得关注的是，Expo 这次不只是给开发者增加新 API，而是在移动应用开发、原生性能和 AI 辅助开发几个方向同时推进。

AI，真的开始有能力从等待人类逐项分配任务，进一步走向主动发现问题、持续推进工作了。

最近，苹果就因为这么一桩事，又被网友狠狠吐槽了一通。尤其是两年前买了M4 iPad Pro的老用户，看完更是血压飙升。

DeepSeek Harness 团队发出了这篇工程指引。在我看来，这篇指引在工程落地上的意义，丝毫不亚于当年的 R1，感兴趣的建议仔细研读。今天跟大家聊聊 Agent 的底层架构逻辑，再说说我对产品商业化和行业前景的一点个人思考。

2026 年 10 月 31 日晚，DeepSeek Harness 团队在 GitHub 开源了 dsh-superagent-prototype——一个常驻单个 GitHub 仓库的主动式编码 Agent 研究原型。上线不到一天 Star 破三千，配套万字架构长文同步放出。它真正想解决的问题不是"Agent 能不能干活"，而是"一个替整个团队干活的 Agent，凭什么不烧掉整个团队的注意力"。

Armeria 是适用于任何场景的首选微服务框架。您可以利用自己喜爱的技术（包括 gRPC、Thrift、Kotlin、Retrofit、Reactive Streams、Spring Boot 和 Dropwizard）构建任何类型的微服务。

Codex 的答案并不来自某个天才的拍板，而是来自一次次被现实打脸之后的回溯。所以这篇文章，我想站在架构师的视角，把它抽象成一张总体设计图、七条架构原则和一套企业落地路径。

这篇文章我不按 Meta 文档的顺序复述，而是用我自己在企业里搭 Agent 平台时总结的“五层托付架构”来拆 Muse：运行时、状态、凭证与工具、裁决、意图。每一层我都讲清楚三件事：Muse 怎么做的，为什么这么做，企业该抄哪一部分。

今天让 AI 模拟人类手指去戳美团和携程屏幕，其实就是把蒸汽机换成了大号电动机，还在沿着移动互联网那根老传动轴使劲。顺着这个思路，我自己现在的用法其实很土，总共就三条界线，掏出来给你参考。

DeepSeek Harness 的界面本身比较干净，右侧那块区域默认只能浏览文件，看不了 Git 状态，也看不到子代理在干什么。平时写代码时，这些信息不算刚需，但一旦任务变复杂，来回切窗口就成了日常。