Claude Code +Jev: 只把有用的东西塞给大模型
Jev Skill Suggestion 是一款为 Claude Code 设计的智能技能调度工具：它摒弃“全量加载”旧模式，改为按需检索并仅注入当前任务最匹配的单个技能，显著节省上下文空间、提升响应效率。安装只需一条命令，支持主流AI网关。（239字）
大模型服务平台架构实践：AI基础设施商业化的资金结算与分账体系搭建
随着AI基础设施产业化落地，算力租赁、大模型推理API、行业微调定制、数据集标注服务逐渐形成标准化商业闭环。目前绝大多数AI技术团队的研发重心集中在算力集群调度、模型推理优化、向量数据库构建、服务网关封装等核心技术层面，往往忽略了商业化体系中最关键、也最容易踩坑的资金结算架构。
自己动手，搭一个 AI 资讯聚合平台
本文介绍如何构建自动化AI资讯平台：针对信息分散、噪声多、重复高、阅读耗时四大痛点，设计“采集-过滤-去重-摘要”四步流水线。采用SimHash+语义向量双重去重，大模型生成中英双语摘要，PostgreSQL+pgvector统一存储，支持RSS/YouTube/Reddit/X等多源接入。开源项目ai-news-brief可一键部署。
多个 AI Agent 同时运行时，服务器资源到底该怎么规划？
AI Agent部署常陷入“单个流畅→多个必崩”的误区。实际资源消耗远超模型本身：工具调用、浏览器进程、Python/Docker、向量库、缓存与任务队列均争抢CPU/内存/GPU。关键不在Agent数量，而在并发任务数与资源占用模式。合理规划需分场景——API型重网络调度，浏览器型吃内存，本地模型则需兼顾显存+KV Cache+并发。推荐“任务化”调度：20个Agent可仅5并发，靠队列平滑负载，再依压测数据精准扩容。（239字）
从 Prompt 到 Agent Skills：测试人的下一个效率杠杆
本文探讨测试工程中Prompt的局限性——难以稳定表达确定性流程，导致用例质量参差、维护成本高。提出以Anthropic Skill为解法：将测试经验封装为可复用、可版本控制的标准化能力单元（SKILL.md + 脚本），由Agent自动调度。Skill专注“怎么做”，MCP解决“能不能做”，二者协同提升AI测试可靠性与工程效率。
