DoneHub

背景

2026 年存储芯片行业几件大事值得关注：三星市值突破新高，HBM 订单排到明年；海力士股价暴涨，成为英伟达最大 HBM 供应商；美光宣布 HBM3e 量产；长鑫存储融资成功，中国 DRAM 再获突破。这些新闻背后涉及的内存条、固态硬盘、HBM，归根结底都属于两大技术体系：DRAM 和 NAND Flash。

搞清楚这两者的区别和关系，上面那些新闻就读得通了。

阅读全文 »

背景

做 RAG 系统的开发者，大概都会经历过这样一个过程：

Demo 阶段跑几个测试用例，效果不错。一上真实业务数据，准确率直接掉到 60% 甚至更低，用户投诉不断，自己也说不清问题出在哪。

我曾经连续三周每天晚上对着 Bad Case 分析表发呆，改了 Prompt 没用，换了大模型没用，调了 TopK 还是没用。最后发现，问题根本不在大模型那一环，而是在大模型之前的整条链路上。

这篇文章通过深度讲解四步优化，每一步都能量化地拉高准确率，最终从 60% 做到 85%。

“任务越复杂越该用多Agent”，听起来好像没毛病，但这句话背后藏着一个巨大的陷阱。很多人一拍脑袋就上多Agent，结果延迟爆表、成本失控、日志一团浆糊，最后发现单Agent加个工具调用就能搞定。上一篇我们聊了 Multi-Agent 系统的设计原理，今天换个角度：什么时候该用多Agent？用完之后，怎么评判这套设计到底好不好？

构建 Agent 时需要解决的一个核心问题是让它跨会话记住用户偏好、项目背景、之前犯过的错误。大部分人的做法是搞一个文件，把所有「需要记住的东西」往里塞。文件越来越大，token 成本越来越高，而且大部分内容跟当前对话根本没关系。

Claude Code 的记忆系统给出了一个反直觉的设计原则：工程量最大的部分不是「怎么存」，也不是「怎么取」，而是「什么该存、什么不该存」。

背景

2026年4月24日，DeepSeek 正式发布了 V4 系列模型。这不是一次普通的版本迭代，它解决了一个困扰 AI 行业多年的根本问题：长上下文的效率瓶颈。

本文将深入解读 DeepSeek V4 的核心技术创新，帮助你理解这次发布为何值得关注。

阿里云百炼 Coding Plan 官方宣称”仅限编程工具使用”，但实际上其 endpoint 基于 OpenAI 兼容协议，Java/Python 应用完全可以调用。本文分享如何用 LangChain4j 和 OpenAI SDK 突破这一限制，直接消耗 Coding Plan 额度。

如果最近关注 AI Agent 领域，可能会注意到一个新名字：Hermes Agent。它来自 Nous Research，在短短两个月内从一个小型内部项目成长为功能完备的 AI Agent 平台。这篇文章聊聊它到底有什么不一样，以及为什么值得你花时间了解。

Anthropic 开源 Claude Code 之后，社区里一个常见的疑问是：为什么不用 LangChain 或者 LangGraph？这两个框架在 Agent 开发领域已经是事实标准，跳过它们自己造轮子，总得有个理由。读完源码后，我发现这个选择背后的原因比多数人猜测的更具体。不是框架好不好的问题，而是 Claude Code 的产品形态和 LangChain 的设计前提存在根本性的不匹配。

2026 年 3 月 31 日，Anthropic 的 Claude Code 源码意外泄露。作为目前使用最广泛的 AI 编程助手之一，它的源码首次让社区有机会看到这类产品的内部实现。读完源码后，我发现它的架构设计和多数人的直觉判断有明显出入。大多数开发者最初认为它只是一个套壳 API 调用的 CLI 工具，实际代码量和工程复杂度远超这个定位。

Claude Code 没有使用 ReAct 模式来驱动 Agent 循环。这个选择在 2025 年的 AI Agent 领域几乎是反直觉的，因为 ReAct（Reasoning + Acting）已经是 LangChain、AutoGPT 等框架的默认范式。但 Claude Code 选择了 Async Generator 状态机，用一套 while (true) + state = next + continue 的结构替代了传统的思考-行动-观察循环。这个设计决策解决了 ReAct 在流式交互和故障恢复上的根本性限制。