Discover more.
Spend less.

SSE项目`nexus-sse`持续优化,不一样的视觉效果

掘金

这两天有空,就持续优化stream-nexus / nexus-sse项目,并增加了websocket的集成。这一期聊聊都改了什么?

Score: 57.4Confidence: 54%

思考|谈谈AI时代的后端开发+QECon演讲PPT

掘金

一年已经过去一大半,半年总结一直没做,刚好趁着前段时候参加QECon演讲的一些思考,总结这篇文章..

Score: 57.4Confidence: 54%

Flutter 原生插件开发实战指南

掘金

前面写了关于uniapp中定义原生插件,这篇文章介在 Flutter 日常开发中,我们同样会遇到一个尴尬的局面:项目需要一个特定的原生能力,但 pub.dev 上要么没有现成的插件,要么已有的插件年久

Score: 57.4Confidence: 54%

QML TreeView:基础树视图与自定义委托

掘金

这篇文章展示2个简单的例子:第一个例子用内置的 TreeViewDelegate,几行代码就能搭出一个能展开折叠的树;第二个例子完全自绘 delegate,做出文件管理器风格的树。

Score: 57.4Confidence: 54%

学习大模型推理的加速技术:量化、投机采样与 PD 分离

掘金

在上一篇中,我们学习了推理的显存优化:PagedAttention 把 KV Cache 切成固定大小的块按需分配,前缀缓存让相同前缀的请求复用已算好的 KV 块。再往前看,KV Cache 本身是拿

Score: 57.39Confidence: 54%

让 AI 做好 B-roll,我决定先从复刻开始

人人都是产品经理

想让 AI 做出我喜欢的 B-roll,我选择先从复刻开始。这篇文章记录了我从黑白灰结构图绕路,到自己动手梳理剪辑流程,再把经验写进 Skill 的过程。里面有具体的错误、调整和案例,也有我对可编辑、可复用以及产品成本的思考。适合正在做 AI 产品,或搭建 Agent、Skill 工作流的人阅读。 最近,我看了一些博主用 AI 做的剪辑同时我也做视频剪辑,为了探索方法找了不少相关产品和开源项目。 最常见的做法:先用 AI 生成图片,再把这些图片放进视频,配上转场和动效。 但看这些效果的时候,我总觉得有些地方不太对。 我看到和试过的这些效果,在内容修改、转场和动效上,都有不够灵活的地方。有些瑕疵一眼就能看出来。想把画面按照自己的意思调整到位,需要反复进行多轮对话沟通总结就两个字:“费劲” 还有一个特别明显的问题: 太像了。 黑色、白色,再加一点紫色。圆角卡片、发光文字,几根线在画面里来回动。看多了,甚至能猜到它下一张画面大概长什么样。 我自己也试过让 AI 做。高级一点、简洁一点、有科技感一点,最后又绕回这些熟悉的效果。 一股在会上想睡觉的 PPT 的感觉。 所以,我对 AI 剪辑的不满意,也越来越具体:它还没有稳定做出我想要的视觉表达。 再给它几个形容词,好像也解决不了这个问题。会很积极地回答: AI:你说得很对,我这就修改。 改完再看,还是那股熟悉的AI味道。 01 我想做的 B-roll 是什么 在讲我怎么折腾之前,先把这篇文章讨论 B-roll 的范围说清楚。 以我做的知识类口播视频为例,博主出镜讲述、承担主要内容的画面,可以理解为 A-roll 。配合讲述、帮助展示和解释/无聊内容的辅助画面,就是 B-roll 。 就比如说,我在讲一个产品/概念/数据,声音还在继续,画面切到界面或操作过程或展示,这些就可以试作 B-roll。人物也可以出现在这些镜头里,关键看画面承担什么作用。 这次项目,我主要想做的是 信息呈现类的 B-roll :把图片、视频片段、文字和可视化图表,通过排版与动效组织起来,配合口播表达。 举几个例子: 当时整理的一张参考画面:把几组信息并列摆放,再用局部色块和整行高亮引导注意力。图中数据为原参考内容。 这里既有画面的排版,也有信息出现的顺序和节奏。我希望观众听到一个重点的时候,画面能够帮他看见、理解这个重点。 画面和讲解配合起来,共同完成表达,这就是我想研究的视听语言。 实拍的场景、人物动作、产品特写,也可以用作 B-roll。不过,这次项目先聚焦上面这些信息画面的组织和制作,暂时不展开实拍补充镜头的拍摄。 我喜欢的一些知识博主,已经把这类画面做得很好了。接下来,我想先看看,AI 能不能从这些具体作品里学会它们的做法。 02 既然如此,先让它学着模仿 我开始想,既然已经有那么多优秀的口播视频,先让 AI 学一学,它们到底是怎么做出来的? 先站在巨人的肩膀上,把好的方法看懂,再去做自己的创新。 我已经拉过一些片子,把喜欢的博主、视频和镜头整理了下来。这些参考里就有具体的例子:一组数据怎样展示,一段文章怎样突出重点,几张图片怎样配合口播依次出现。 于是,我决定 从B-roll 复刻 开始。 先挑一小段喜欢的镜头,让 AI 按照参考去拆解和还原。 有了原片,很多模糊的要求就能落到具体画面上。比如整个画面怎样排版,标题和图片是什么关系,色块什么时候出现,文字怎么进入,最后又怎样转到下一个场景。 做出来以后,也有东西可以对照。 哪里看着不对,就回到那个地方,继续观察、继续修改。通过这些具体的差异,我想弄清楚它到底漏看了什么,又把什么理解错了。 我希望先通过复刻,让 AI 学会这些画面背后的组织方式,再尝试用它们表达自己的内容。 平时还要上班,我当然也希望能减少一些重复制作。但首先得把效果做对,后面才谈得上持续使用。 这个项目就这样开始了。 最早,我选了一条看起来挺合理的路:让 AI 把参考画面简化成黑白灰结构图,先提取布局,再继续做剪辑。 后来,这条路线让我绕了不少路。也是在反复尝试、自己动手复刻的过程中,我才逐渐发现,应该怎样拆解这件事。 03 一张结构图,让我绕了不少路 最开始,我想解决的是 AI 理解画面时的视觉噪声问题。 我当时的想法是,参考画面里有文字、图片、颜色,还有各种装饰,这些细节可能会干扰它对剪辑样式和排版的理解。能不能先把画面简化,用黑白灰把整体结构表达得更清楚? 比如标题放在哪里,正文占多大面积,图片和文字谁在前、谁在后。用几个灰色的块和简单的标签,把这些关系表达出来。 这样一想,挺合理的。 我就开始让 AI 根据参考截图生成黑白灰结构图,希望后面能沿着这个结构,继续做排版和动效。 早期这些尝试,我用的是 GPT 5.6 Sol。 但光是生成这张图,就开始出现问题。 比如原片里有一大段文字,AI 生成的时候会出现错字。可我这一步只是想知道正文放在哪里、占多大面积,于是又让它把整段文字简化成一个矩形,标上正文内容。 # 第一个提示词 请读取并查看参考图:<source_image> 请根据这张参考图生成一张 16:9 横版“通用构图排版示意图”。 只提取主体位置、比例、对齐、前后层级、留白和连接关系,不复刻原片包装。 这条分镜的信息点:<info_point> 主视觉语法:<visual_grammar> 唯一主主体:<primary_subject> 辅助元素:<secondary_elements> 构图关系:<layout> 文字位置:<text_position> 底部保留约 18% 字幕安全区。 统一风格:灰白纸张底 #F2F0EA,深灰线稿 #222222,灰色占位块 #8A8A8A,单一芥末黄重点 #D9A441,关系线才使用暗红 #B43B32。 人物使用无身份剪影;照片、网页、文档、图表使用无文字几何占位卡。 不要出现真实人脸、品牌 Logo、水印、原字幕、专名、长文字、精确数字、3D 渲染、照片质感、渐变光效或随机装饰。 画面只保留一个主焦点,元素类型不超过 3 类。 # 第二个提示词 每次生图都带上这些规则:输出一张 16:9 横版图。 只提取参考图的空间结构、比例、层级、对齐、留白和连接关系。 人物替换成无身份特征的简笔人形或剪影。照片、网页、文档、图表替换成无文字的几何占位卡。 删除品牌 Logo、水印、真实人脸、原字幕、专名、长文字和精确数字。 元素类型不超过 3 类,画面只保留一个主焦点。 底部固定保留约 18% 的字幕安全区,不能放关键主体和关键文字。 文字只做位置示意,使用短标签、短横线或无文字字块,不承担事实传达。颜色使用统一的中性示意图色卡,不照搬原片的品牌色和包装色。 推荐色卡:灰白底 #F2F0EA、深灰线稿 #222222、灰色占位块 #8A8A8A、单一芥末黄重点 #D9A441、关系线暗红 #B43B32。 当时的一版结构图:标题、重点、辅助文字和正文区域被分别标出来,长正文被简化为一个内容框。 类似的地方,我来回调整了好几次。哪些东西应该保留,哪些可以去掉,哪些本来就是一组,都要重新交代。 第一章那张表格参考的两次抽象:上方主要保留独立色块,下方改为黑白灰,并补上整行文字与重点数字的关系。两张均为当时保存的结构图。 图看起来越来越清楚了。但继续往视频那一步走,新的问题又来了。 有一次做出来的效果,是整张结构图在动。 我希望标题、图片这些元素能够单独修改,也能按照参考里的方式进入、移动和退出。可整张图一起动,离这个目标还差得很远。 图片:早期尝试把整张结构图做成动态,仍未得到可以分别替换素材的剪辑模板。 如果下一次要换成自己的内容,里面的标题怎么改?图片怎么换?换完以后,原来的排版和动效还能不能用? 这些问题,结构图本身没有帮我解决。 我也试过用 SVG 把每个元素的位置明确告诉它,还在方案里规划了布局和动效的结构化记录,想把位置、大小和运动方式交代得更清楚。但结构的呈现和最终做出来的效果,都没有达到我的预期。 上方是参考原画面,下方是当时保存的 SVG 结构预览。人物被概括成几何轮廓,两侧文字卡的位置被单独表达出来。 但不管换成什么格式,前面那些判断都得先做对:画面里究竟有几个元素,哪些属于同一组,它们的位置和比例是什么关系。判断错了,换一种格式,还是要回来改。 回头看,这条路线在我的复刻任务里,多加了一层需要校正的东西。 原片已经在那里了。我先让 AI 根据原片生成一张简化图,再围绕这张图继续做。中间只要理解偏了一点,后面就得花力气纠正,有时候还要重新回到原片确认。 这也让我开始留意一件事:工作流里的中间结果,到底能不能让下一步更容易做对。 一张图把大致结构展示出来,确实方便观察。但继续做剪辑,我需要的是能分别修改的元素、准确的排版,以及后面可以接上动效的画面。前一步应该直接为这些事情提供帮助。 后来,我又用 GPT 6 重跑了另一个项目。在重新尝试和反复沟通的过程中,我逐渐发现, 没有必要先把画面整成黑白灰。 这种简化表达,也没有让它稳定理解我想交代的那些画面关系。 于是,我决定把生成黑白灰图片这一步砍掉,直接去做可以编辑的画面排版。 这次整理项目时,我翻找到 2024 年的《Multimodal Self-Instruct》中有一句话,描述了当时模型面临的困难:“这些由简单几何元素构成的抽象图像,对大型多模态模型来说更具挑战性。”(中文译文)论文原文 另一个帮助我理清流程的依据,是自己动手复刻的经验。我开始回看:我手工复刻一段视频时,究竟先做什么,后做什么?把这个顺序理清楚,才有可能让 AI 跟着做。 04 自己动手复刻,才把流程想清楚 我自己也去手工复刻了别人的视频。在这个过程中,我发现,自己做这件事其实有一个顺序。 我会先把画面停下来。 一段 B-roll 刚开始的时候,文字可能还没完全出现,图片也可能正在移动。如果拿这个时候的画面去还原排版,就容易把运动过程中的位置,当成它最后应该停下来的位置。 所以,我会先找到元素基本到位、能够看清完整排版的那一帧。后面和 AI 沟通时,我把它叫作落定帧。 同一段参考视频:上方还在入场,下方主要元素已经到位。复刻排版时,我先以下方这样的画面为基准。 先知道最后要排成什么样,再去看它是怎样变成这个样子的。 接下来,才是拆元素。 这里有一组标题,那里有一张图片,背景上还有装饰线和色块。哪些需要单独处理,哪些本来就是一组,先把这些东西理清楚。 然后把它们放回画面里,逐个校准排版。 标题占多大面积,图片放在哪里,正文和标题之间留多少距离,前后有什么遮挡关系。这些都得回到参考里去看,不能只满足于画面里大概有这些东西。 先把静态画面做对,再去处理它怎么动。 我把这套做法告诉 AI,让它先根据参考,用 Remotion 做出可以编辑的静态画面。文字、图片和其他元素分别落实到画面里,然后把结果和原片放在一起对照。 项目里的一组静帧对照:上方是参考原片,下方是复刻画面。这个阶段主要看主体占屏、文字比例和元素之间的位置关系。 这样一来,修改也更具体了。 比如大字占屏的比例不够,旁边的小字和主体离得太远,或者几个元素之间挤在一起。看着两张图,就可以针对这些地方调整。 等画面排版确认下来,再回到视频里,观察每个元素怎样进入、停留和离开。 它从哪里开始移动,最后停在哪里;是文字先出现,还是图片先出现;哪些东西一起动,哪些有自己的动作。静态画面有了基准,这些问题才更容易拆开来看。 当时,我给 AI 说明的顺序就是: 选落定帧 → 拆解元素 → 校准排版 → 再处理入场和出场 。 流程示意图,根据本文整理:先找到完整排版,再拆元素、校准位置,最后处理入场和出场。 这其实就是我自己手工复刻时会做的事情。把它一步步说清楚以后,我才知道该怎样要求 AI,也知道每一步做完以后,自己应该检查什么。 这次经历让我发现,自己先动手做一遍,很有价值。 亲手做的时候,有些判断可能顺手就完成了。比如先停在哪一帧,先摆哪些元素,什么时候才开始加动效。但交给 AI,这些顺手做掉的判断,都得重新说清楚。 我也开始把对它的要求,从笼统的复刻这段视频,拆成了每一步可以看到、可以修改的结果。 不过,流程拆清楚以后,新的问题也出现了。 即使给了具体参考,AI 对画面里某些元素和动作的理解,还是会和我看到的不一样。有些我以为很简单的效果,反而成了后面反复修改的地方。 05 画面里的关系,比我想的更容易看错 让 AI 拆元素以后,我发现它有时会拆得过细,有时又把本来不同的变化混在一起。 有一个很具体的例子:画面里有显示器、桌面和手机,它给这些东西分别留了图片替换的位置。 我就告诉它,这里不用那么多替换入口,只是一张背景图。 照片里有几个物体,和剪辑时需要几个独立元素,是两回事。对这个画面,我需要的是换掉整张背景图,保留它和上面文字的关系。 纠正后的复刻画面:工作台照片作为一整张背景图替换,标题单独编辑。这里使用的是相似背景照片,展示的是素材怎样被组织。 这也让我重新理解了拆元素这一步:要按照后面准备怎么编辑来拆。 另一个让我反复说明的地方,是一整句标题。 参考里有一句“冲击全球市场的 Kimi K3,到底有多强?”。其中一部分文字叠在浅色块上,看起来颜色发生了变化。 我告诉 AI,这整句话的字体参数和大小是一样的。这里需要处理的是差值混合模式,也就是文字和下面色块叠在一起时产生的颜色关系。 如果只把它理解成某几个字换了颜色,就容易把一句标题拆成不同的样式。可我想保留下来的,是整句文字与色块之间的关系,后面还要继续做动效、替换内容。 左边是原片,右边是修订后的可编辑静帧。整句标题保持一致的字形参数,局部变色通过差值混合关系实现。 这个问题提醒我,看到一个视觉结果之后,还得继续判断它是怎样形成的。 哪些变化属于文字本身,哪些来自它和其他元素的叠加?这些地方判断不同,后面做出来的东西也会不一样。 动效里也有类似的问题。 项目里有一版把提示词大特写的入场做成了打字效果。看起来,画面上的字确实是越来越多的。 但另一轮重新分析连续帧时,发现这一段的文字和边框,本来就是一个完整的平面。它们一起从右侧移进画面,原先在画面外的文字,才逐渐被看见。 看到的字越来越多,也可能是整块内容正在进入画面。 参考片的连续帧:第一排能看到文字与边框一起移动;后面的镜头里,第二行文字又确实有逐字出现的过程,需要分别判断。 所以,这里的修改也要分开处理:大特写阶段还原文字与边框的整体移动,后面第二行和小注释的逐字效果则保留。 这种区别,只看最后停下来的画面,是看不出来的。必须回到前后的变化里,观察究竟是哪个东西在动,又是怎样动的。 这几个问题放在一起,我的判断标准也越来越具体。 一张照片要不要拆开,看我准备怎样替换它。文字局部变色,要看它和下面图层的关系。画面里的字逐渐变多,要确认是文字在出现,还是整块内容在移动。 复刻时需要还原的,还有元素之间的关系,以及画面变化的过程。 视频:项目中另一段连续 B-roll 的对照,上方是原片,下方是复刻。 这也是我觉得自己动手做过很有帮助的地方。有了剪辑经验,我能更具体地指出某个地方为什么不对,和 AI 一起回到原片里确认。 但新的问题是,这些判断不能每做一个案例,就从头解释一次。 于是,我开始把这些反复出现的错误和修正方法记下来,继续写回 Skill。希望下一次遇到相似画面时,它能先按这些经验检查一遍。 06 写进 Skill 以后,流程还要继续打磨 有一次,面对又出现的问题,我问 AI: 为什么次次都需要我去说? 前面已经讲过的判断,换个案例又要重新解释。我希望这些经验能留下来,下一次直接用上。 所以,每次修改之后,我都会继续让它整理:这次哪里理解错了,应该先看什么,怎样检查,再写回 Skill。 这套流程逐渐形成了一个总控 Skill,加上三个分别负责布局、动效和验收的 Skill。 拆完以后,每一步之间怎么交接,也得明确。 比如布局阶段确认过的标题,到了动效阶段,仍然要对应同一个元素。不能一边加动画,一边又把已经确认的字体、位置和比例改了。 我需要保留已经认可的静态画面,让后面的调整有东西可以对照。哪里出了问题,也能知道应该回到哪一步处理。 Skill 分工示意图,根据本文整理:总控安排阶段,布局、动效和验收依次交接,发现问题再回到对应阶段处理。 但有流程、有检查记录,还不够。 之前有一版静帧,报告里已经写了通过。我看完以后,仍然觉得不对。 后来,那一版的通过结论被撤掉,重新调整主体占屏、视觉比例、层级和留白,才到了我能接受的状态。 同一画面的两版复刻:上方曾被报告标为通过,后来被否决;下方重新调整了背景字比例、月球素材和标题样式,才成为我认可的静态基准。 这件事让我对验收有了更具体的要求:通过这个结论,得能对应到我实际看到的结果。 静态排版像不像,要看静帧。动作对不对,要看连续变化。内容能不能替换,要真的换一次。文件成功生成,只能说明文件生成了。 检查工具本身也有能力范围。 有一段视频,我已经认可整体效果,但自动检查仍然没有全部通过。原因出在比较工具上:它只能固定忽略一块区域,而原片里需要排除的人物画面,会随着时间和场景变化。 如果为了让报告通过,把忽略区域画得很大,又会把本来需要检查的 B-roll 一起遮掉。 最后,这个案例保留了两种状态:视频效果得到了我的认可,自动检查还有没解决的限制。 把这些情况写清楚,比一个笼统的通过更有用。后面继续做的时候,才知道哪里已经检查过,哪里还需要处理。 不过,规则越补越多,我也开始担心另一个问题。 我当时又问过: 现在这个 Skill 的体量,会不会太大? 每遇到一个问题,就加一条要求、增加一份记录,整套东西会不会越来越重?有些步骤到底能不能帮助我判断效果,也需要重新看。 比如默认制作上下同步对比视频的流程,我后来要求撤掉了。但前期快速查看静帧对照的方式,我仍然保留,因为它能让我尽早看出排版哪里不对。 通用判断也尽量只维护一份,各个 Skill 在需要时引用。具体案例的细节单独保存,避免每做一个新案例,都先背上之前所有案例的特殊要求。 这里也推荐一下 Matt Pocock 的Writing for Agents,我也用它来整理这套 Skill 的步骤和完成标准。 修正也加了上限:初版之后,最多再做两轮定向修改。还有没解决的地方,就留下差异和原因,让我知道当前结果到了什么程度。 我开始同时考虑两件事:哪些判断必须留下,哪些步骤确实值得每次都执行。 我当时也做了对应的测试,先看实际做出来的效果,再决定哪些判断留下、哪些步骤调整。流程该怎么改,还是要回到具体结果里去判断。 视频:一段 11 秒的复刻效果,上方是参考原片,下方是复刻结果;人物区域按本次复刻范围留白。 接下来,我想验证的事情也更直接:把参考里的内容换成自己的,这套东西还能不能用? 07 换成自己的内容以后 做复刻的时候,我一直惦记着一件事:这些东西,下一次能不能直接拿来表达自己的内容? 于是,我开始让 AI 在已有的案例里换文字、换图片。 下面是同一段镜头的三个版本:原模板、换成本期文字、再换成我自己的口播照片。 从左到右:原模板、替换文字、再替换成本人的照片。 另一段月球标题画面,我把 KIMI、K3、月之暗面换成了 B-ROLL、复刻、可复用。 替换月球标题里的文字,月球图片与原有动效继续保留。 这套复刻流程里,画面比例还是得先对上,16:9 和 9:16 不能直接切换。横竖屏这一块,我后来自己做了剪辑处理。 不过,在原有比例下,根据素材换文字、换图片、调整字体,效果还是不错的。 后续我也想做一个素材库原型,把这些复刻成果整理起来,方便下次继续用。这可以作为之后的一个优化方向。 08 从复刻到产品,我开始关心什么 做这个项目的时候,我也找了不少产品和开源项目做对标。 我当时看到的一些效果,仍然没有达到我想要的复刻程度。 不过,整理这些对标时,也需要看清楚它们各自在解决什么问题。 比如,mimic-mcp 的项目说明里,已经包含参考视频分析、生成可编辑的 Remotion 工程,以及渲染后的对照检查。mimic-mcp 项目说明 video-shotcraft 则围绕产品宣传和演示视频,提供可以选用的镜头做法、动效和模板,文档中也介绍了继续修改文案与样式的能力。video-shotcraft 项目说明 对我来说,比较时得再具体一点:生成好看的画面、延续一种风格、还原我指定的镜头,以及换成自己的内容后继续使用,是几层不同的要求。 如果用第一性原理往回想,我的出发点其实很简单:我想把知识内容表达清楚,也已经找到了值得学习的画面。接下来,需要把它的做法拆明白,做成自己能修改、能复用的东西。 这也让我逐渐明确了,这个产品首先应该交付怎样的结果: 参考中的排版和动效能被还原,自己的内容能替换进去,发现问题以后也能继续改。 围绕这个要求,很多设计选择就具体了。 比如前面那张背景图,里面虽然有显示器、桌面和手机,但我准备替换的是整张图。产品就应该给我一个换背景的入口,把这一整张图处理好。 识别出了哪些物体,还要结合我准备怎样修改,才能决定它们在产品里应该怎样被编辑。 还有,做错以后,我能不能很快指出问题、接着修改,也很重要。 排版已经确认好了,后面调整动效,就应该保留这份结果。某个地方不对,要能回到对应的步骤处理。我希望每次修改,都能在前面已经做好的基础上继续往前走。 成本也得这样看。 模型消耗的额度、等待生成和渲染的时间、我来回检查和解释的时间,都得算进去。如果每换一个案例,都要把同样的问题重新讲一遍,这部分投入也不会因为用了 AI 就消失。 所以后续继续做的时候,我会更关心:达到一个能用的结果,总共需要多少次修改、多少人工介入;上一次留下的方法,下一次究竟能帮上多少忙。 我还是想把它继续做成产品。现在想先把这些具体的事情做好,让一次复刻留下的结果和经验,下一次能够接着用。 这也是这个项目让我最想继续研究的地方:把我在手工剪辑里做过的判断,逐步变成 AI 能执行、我能检查和修改的流程。 本文由 @炸毛疯兔 原创发布于人人都是产品经理。未经作者许可,禁止转载 题图来自用户提供

如果你在做 RAG,可能会需要 pdf-inspector

掘金

最近在做 RAG,发现 PDF 这一关其实比想象中麻烦很多。 产品手册、论文、研究报告这些资料想放进知识库,第一步肯定是把内容解析出来。以前很容易把这件事理解成“PDF 转文字”,但真正碰到资料以后会

Score: 57.39Confidence: 54%

10 个任务实测蓝耘智能路由:它把任务派给了谁,钱花对了吗

掘金

用 MaaS 平台的人大概都纠结过同一件事:简单任务用旗舰模型嫌贵,复杂任务用便宜模型怕它翻车。于是每次发请求前都要做一道选择题——这个任务该用哪个模型?任务一多,切换模型本身就成了新的心智负担。

Score: 57.39Confidence: 54%

【GitHub日報】AIエージェント管理TUI登場、エージェントメモリ学習基盤も急伸 — 2026-09-28

AIタグが付けられた新着記事 - Qiita

GitHub Trending から、日本の開発者に役立ちそうなリポジトリを毎日ピックアップしてお届けします。 🆕 初登場(First Timers) 今日初めてトレンド入りしたリポジトリ。 YoanWai/agent-manager — ⭐ 528(+16) Go ...

Score: 57.39Confidence: 54%

MySQLのINSERT IGNOREは重複以外のエラーも黙らせる:11種類の対象エラーと安全な置き換え方

AIタグが付けられた新着記事 - Qiita

結論だけ先に INSERT IGNORE は「重複した行だけを飛ばす」書き方ではありません。 重複キー以外に、NOT NULL 違反・外部キー違反・パーティション不一致など計11種類のエラーを警告に格下げします 範囲外の数値や長すぎる文字列は、エラーにならず近い値に丸め...

Score: 57.39Confidence: 54%

栗子前端技术周刊第 148 期 - Turborepo 2.11、Chrome 154 iframe、Node.js 26...

掘金

🌰栗子前端技术周刊第 148 期 (2026.09.21 - 2026.09.27):浏览前端一周最新消息,学习国内外优秀文章,让我们保持对前端的好奇心。 📰 技术资讯 Turborepo 2.11:

Score: 57.39Confidence: 54%

CLAUDE.mdの設計パターン集 ― チーム開発で『再現性のある指示』を書くための7つの型

AIタグが付けられた新着記事 - Qiita

結論:CLAUDE.mdは「チームの暗黙知」を形式知に変える設計書 Claude Codeをチームで使い始めた瞬間、「人によって出力が全然違う」 問題にぶつかりませんでしたか? 同じリポジトリで作業しているのに、Aさんが生成したコードはTypeScript厳格モード準拠、...

Score: 57.39Confidence: 54%