DoneHub

系列导航：01 什么是 AI | 02 机器学习 | 03 深度学习 | 04 神经网络 | 05 自然语言处理

很多刚开始接触大模型的朋友，经常会看到”消耗了 XXX tokens”、”超出 token 限制”这样的提示。Token 是大模型处理文本的最小单位，模型不是逐字逐句读取，而是先把文本拆成一块块 Token，再逐块处理。这个设计背后有明确的技术原因。

CloudCLI UI（又名 Claude Code UI）是一款基于 Node.js + React 的 Web 应用，为 Claude Code、Cursor CLI、Codex 和 Gemini CLI 提供统一的图形化界面。与桌面应用不同，它通过浏览器访问，支持移动端使用，并提供云端托管选项。项目由 CloudCLI 团队开源，采用 Express + WebSocket + React 构建，配置直接写入 ~/.claude 目录，与 CLI 完全同步。

opcode 是由 Asterisk 团队开发的开源桌面应用，基于 Tauri 2 + React 构建，为 Claude Code CLI 提供完整的图形化管理界面。它将命令行工具转变为直观的桌面体验，支持自定义 Agent 创建、会话管理、成本追踪和时间线回滚等功能，所有数据存储在本地，无云端依赖。

2024 到 2025 年间，AI 领域的新概念密集涌现。ChatGPT、Claude、DeepSeek、Agent、MCP、Vibe Coding 这些名词频繁出现在各种技术讨论中，身边不少朋友想弄清楚它们分别是什么、彼此之间什么关系，却被信息洪流搞得一头雾水。这篇文章的目标是建立一套清晰的认知坐标系，帮你理解 LLM、Agent、Skills、MCP 这些核心概念及其相互关系。掌握这个框架后，面对任何新概念都能快速判断它在整个版图中的位置，也能更准确地选择工具来解决自己的问题。

向量数据库面临的核心问题是：给定一个查询向量，如何快速找出数据库中最相似的 K 个向量。这个问题涉及三个层面——相似度度量的数学定义、近似最近邻搜索的算法设计、索引结构与存储的工程优化。本文从原理层面切入，剖析相似度计算的数学基础和核心算法机制。

阅读全文 »

做 RAG（检索增强生成）应用，向量数据库是绕不开的核心组件。市面上产品不少（Milvus、Qdrant、Weaviate、Chroma、Pinecone），每个都说自己最强。这篇文章从底层原理到实际选型，重点分析 Chroma 和 Milvus 两款代表产品，帮你在具体场景下做出选择。

阅读全文 »

最近在做 RAG 相关的项目，踩了不少 PDF 处理的坑。真实业务里的 PDF，可能是合同、财报、技术手册、学术论文，甚至是扫描件，内容不只有文字，还有目录、表格、流程图、页眉页脚、多栏排版。直接粗暴抽文本，最后 RAG 检索出来的大概率是一堆断裂、重复、缺上下文的垃圾片段。下面从工程角度聊聊 PDF RAG 的四层架构，这是我在实践中总结出的一套方法论。

上一篇我们系统梳理了 Agent 编程的核心名词词典。有了概念基础，下一步就是动手看真实项目代码。

这篇文章推荐 10+ 个值得深入学习的开源 Agent 项目，涵盖单 Agent、多 Agent、Code Agent、生产级平台。每个项目都会告诉你：Star 数、学习价值、核心文件、适合什么阶段的人看。读完之后，你会有一条清晰的学习路线，知道从哪里开始、怎么深入、最终能做什么。

Agent 领域的新概念层出不穷。Tool Calling、ReAct、RAG、Memory、Orchestrator……不懂这些概念，看技术文档如同看天书；只懂概念不懂原理，遇到实际问题又无从下手。这篇文章从产品视角（这个概念解决什么用户问题）和技术视角（这个概念怎么实现）两个维度解读每个核心概念。读完之后，你既能跟产品经理聊需求，也能跟工程师聊实现。