近一天浏览数排行。
近三天浏览数排行。
从文章库里持续更新，保留摘要和分类，方便判断是否值得点开。
代码坏味道是软件工程中的概念，指代码表面问题暗示深层缺陷，源于Kent Beck和Martin Fowler在1990年代的讨论。Fowler的《重构》一书列出22种坏味道，并配以重构手法。随着软件复杂度提升，坏味道分类扩展到8大类50+种，涵盖架构、耦合、内聚、设计、代码、测试、命名和复杂度等领域。在AI时代，代码生成加速导致坏味道产量增加，自动化检测变得关键。AI技能“/smell”能自动扫描代码库，识别坏味道并生成结构化报告。其工作流程包括确定扫描范围、并行使用启发式规则取证、生成带优先级的Markdown报告并落盘。实战中，扫描Go语言开源项目Gitlawb/zero，发现测试覆盖率良好但存在上帝对象（如4657行文件）和长文件问题，并提供重构路线图，如立即拆分超大对象、短期审查超长文件、长期优化复杂度。这体现了从直觉到自动化的发展，将主观焦虑转化为可执行清单，助力开发者提升代码质量。
在现代Web应用中，服务器端渲染（SSR）对性能和搜索引擎优化至关重要。本文记录了将Landing页面从Next.js迁移至React Router v8，并利用Cloudflare Workers实现边缘SSR的实践过程。迁移源于Next.js在自定义SSR策略上的限制，以及希望借助Cloudflare的全球边缘网络优化渲染效率。作者首先分析了React Router v8的服务器端渲染能力，重新设计了路由架构以确保前端代码兼容性。随后，配置Cloudflare Workers处理请求，基于路由进行边缘渲染，并实施缓存策略减少重复计算。关键步骤包括设置React Router服务器端入口、编写Worker脚本拦截响应、集成Edge Cache存储渲染结果。迁移中遇到浏览器兼容性和状态管理问题，通过引入React Server Components（RSC）和调整数据获取逻辑解决。最终，应用首屏加载时间显著缩短，服务器负载降低，用户体验提升。文章还分享了性能测试数据和优化建议，为类似项目提供实用参考。
本文详细记录了一次Oracle数据库的故障处理过程，涉及block 0损坏、数据文件大量坏块以及使用不当数据库版本恢复。案例中，通过Oracle自带的dbv工具和obet工具检测坏块，确认三个数据文件的block 0损坏，另一个文件存在近两万坏块。尝试通过RMAN备份恢复损坏数据文件时，发现备份片段也损坏，最终找到一份可用备份替换坏块。修复block 0后，修改数据文件路径以解决ORA-17503错误，使用rename命令重命名文件。打开数据库时遇到版本不匹配问题，通过obet工具修改数据文件头中的版本信息，从11.2.0.4降级到11.2.0.0，并重建控制文件。采用resetlogs方式成功打开数据库，最后通过expdp导出数据完成恢复。整个案例展示了Oracle数据库故障排查和恢复的复杂技巧，包括坏块处理、备份恢复和版本兼容性调整，适合数据库管理员学习实际场景中的解决方案。
本文基于一个Oracle数据库恢复案例，揭示dbv工具在检测controlfile坏块时存在不准确的可能性。案例中数据库在mount阶段报出ORA-00227错误，明确指示controlfile损坏，但将controlfile从ASM存储拷贝到本地文件系统后，使用dbv工具检测却显示一切正常，未发现任何坏块。作者通过重建controlfile成功打开数据库，间接验证了dbv工具的局限性。文章强调dbv主要针对数据文件的物理和逻辑坏块设计，对controlfile的检测可能存在盲区，建议数据库管理员在处理类似问题时结合alert日志、RMAN等工具进行综合诊断。此外，文章列举了假坏块、ORA-01578、误删数据库恢复等多个相关故障案例作为参考，为Oracle数据库管理员提供了实用的故障排查经验和工具使用注意事项，提醒避免过度依赖单一工具以确保数据安全。
美团履约团队在ACL 2026会议上分享了多项前沿AI技术研究，聚焦于强化学习优化、大语言模型推理增强及多模态交互系统构建。GeoRA方法针对基于可验证奖励的强化学习场景，通过几何感知的低秩适配避免谱塌缩，提升模型在数学和代码任务上的泛化能力。CoT-Flow框架将离散推理步骤建模为连续概率流，量化每一步的信息增益，实现高效解码和训练加速。UserLM-R1提出具备推理能力的用户模拟器，使用多奖励强化学习模拟人类策略性思维，优化Agent训练环境。Fine-Mem系统通过块级步骤奖励和证据奖励归因，精细管理长期任务中的记忆操作，提高任务成功率。DuplexOmni模型支持全双工多模态交互，实现听、看、说、想并行处理，增强人机交互的自然性与实时性。这些技术突破推动了AI基础研究，并为业务智能化应用提供支撑。
小说'我在智念 AI 的日子'通过虚构叙事，刻画了科技公司高度依赖AI的日常场景：员工使用编程代理如Claude自动生成代码与文档，Token消耗成为生产力指标，但代码审查缺失导致生产环境错误频发。故事中，开发者老张同时运行六个AI代理处理前后端任务，却无法解释幻灯片内容，会议沦为形式；代码合并链条涉及产品经理、开发者和代理，无人审查引发通知服务故障。周四主角尝试独立思考却感到困难，突显AI依赖对认知能力的侵蚀。科技动态部分提及AI生成虚假种子图片和特斯拉限制AI支出，反映AI应用的广泛性与成本挑战。文章列表涵盖设计模式、API设计等，显示开发者在效率与质量间寻求平衡。周刊以故事结合资讯，警示过度AI化可能带来效率假象与质量问题，强调在开发流程中需保持人类监督与批判性思维。
美团发布的LongCat-2.0是首个在五万卡国产算力集群上完成全流程训练与推理的万亿参数MoE模型，总参数1.6万亿，动态激活33B至56B。模型原生支持1M超长上下文，采用LongCat Sparse Attention（LSA）稀疏注意力机制，将计算量从平方级降至线性级，确保在超长文本中精准定位信息。训练方面，团队通过卡间通信异常处理、弹性扩缩卡和自动故障恢复，将月均日故障率降低70%以上；自研确定性算子和Bitwise一致性验证保障正确性；通过流水线调度和显存优化，训练MFU提升1.5倍，实现稳态日吞吐超1T tokens/day。推理阶段，利用大规模专家并行聚合访存带宽，引入零计算专家机制避免不必要传输与计算，优化核心算子调度以降低延迟。架构上，MOPD多专家融合技术集成Agent、Reasoning、Interaction三组专家，由门控网络动态调度，提升编程、推理和交互能力。评测显示，LongCat-2.0在SWE-bench Pro中获59.5分，领先多个前沿模型；在办公场景任务处理中表现均衡，如RWSearch得分78.8。应用案例包括AI SQL Agent搭建、代码库迁移、完整应用开发等，展示了其在真实工作场景中作为可靠工作伙伴的潜力。整体上，LongCat-2.0验证了国产算力进行大规模模型训练的能力，并在Agentic Coding任务中高效稳定。