我把 AI 电话的模型参数做成了服务端下发的 Schema
本文是SmartCall开源AI呼叫中心项目关于「模型参数精细化配置」功能的开发记录。详解如何通过服务端参数目录、两层所有权（模型开关+智能体取值）、快照机制与通用渲染器，统一管理多厂商/多槽位模型的异构参数，提升配置安全性与可维护性。（239字）
用两列字段复现 MCP 兼容矩阵的工具数分布
本文提供MCP兼容矩阵工具数分布的复现路径：基于`mcp-data.json`中`toolCount`与`checks[].evidence/usable`两列字段，经过滤fixture、分档统计、真机格筛选后，用20行Python脚本即可复现153个server、756个真机格的完整分布（含0–628工具数、通过率20%–43%）。无结论，纯路径。
如何快速训练大模型：从基座模型到本地微调的完整指南
本文为本地大模型微调实战指南：破除“必须从零预训练”误区，推荐基于Qwen/Llama等开源基座模型，采用LoRA/QLoRA参数高效微调+混合精度+高质量小数据集的轻量路线，并详解模型选型、显存估算（8GB–24GB适配方案）、数据准备要点及六大常见误区，助开发者低成本快速上手。
客户案例GEO改造：用JSON-LD与llms.txt把“某银行”变成可引用实体
AI检索链路不引用“某股份制商业银行”，核心原因是“某”在语义上是占位符，不具备实体识别价值。客户案例页的GEO改造，本质是把面向人的含糊叙事，重写为面向机器的可抽取事实。本文记录一次金融数据治理服务商的案例页改造过程：先诊断页面是否对AI构成“盲区”，再从内容层数据模型、标记层JSON-LD、协议层llms.txt三个层面落地，附可复用的命令与代码模板。需要先摆正预期：JSON-LD本身不直接提升AI引用率，社区内已有实测数据表明结构化标记与生成式引擎引用之间不存在显著的因果关系；它真正的作用是降低模型从页面抽取事实时的歧义与成本，为后续的内容质量竞争铺好底座。
URL编码解码：encodeURI 与 encodeURIComponent 怎么选
本文详解 `encodeURI` 与 `encodeURIComponent` 的核心区别：前者用于**整条URL**，保留 `/:?&#=` 等结构字符；后者用于**单个参数值**，严格转义所有特殊字符（含 `&`、`=`、`/`），避免中文、空格或符号导致参数截断或解析错误。编码解码须严格配对，选错范围是丢参数、链接失效的主因。（239字）
