Coding Agent 接手陌生仓库前：repo2skill 的确定性预检
Coding Agent 接手陌生仓库前：repo2skill 的确定性预检 本文更新于 2026-07-26，内容对应 repo2skill v0.4.0。 把一个陌生仓库交给 Coding Agent，真正影响开工效率的往往不是“它能不能总结 README”，而是几个更具体的问题： 源码从哪里开始读？ 仓库里真实存在的 build、test、lint 命令是什么？ 修改某个 workspace package 后，应该验证哪些直接消费者？ 哪些环境变量可以知道名字，但绝不能读取真实值？ 哪些命令只能展示给人看，不能替用户直接执行？ repo2skill 把自己定位为一个确定性 preflight context compiler：读取本地仓库或公开 GitHub 仓库中的明确证据，生成 Coding Agent 开工前需要的项目地图、命令、边界和验证上下文。 Repository evidence → repo2skill.json → project-map.md → AGENTS.md → SKILL.md → maintenance-profile.m...
我做了一个AI全自动知识学习网站生成器
我做了一个AI全自动知识学习网站生成器 最近完成了一个一直想做的项目，名字是 Knowledge Site Creator。 一句话说清楚：输入"量子力学"“进化心理学”"Python进阶"这样的主题，AI 全自动生成一个包含闪卡、渐进学习、自测、索引、进度追踪的完整学习网站，并支持 PDF 导出。 整个流程是这样的：输入主题 → AI分析领域 → AI创作知识点 → AI生成首页文案 → 渲染6个页面 → 一键预览 几个关键设计： 领域智能识别 — 自动识别编程/历史/科学/语言/通用五大领域，注入对应扩展字段（代码示例/时间轴/公式/词源） 难度自动分层 — 每个知识点按入门(30%)、进阶(40%)、高级(30%)分布 5种学习模式 — 闪卡键盘翻页、渐进学习、4选1自测、搜索索引、SVG环形进度 几何大胆风设计 — 零圆角、4px黑边框、偏移阴影、品红强调色，纯原生 HTML/CSS/JS 零依赖 PDF 导出 — 浏览器原生打印，不拖第三方库 技术栈是 Express 后端 + 原生前端，零框架依赖，前端体积极小，支持 PWA...
LeetCode 1. 两数之和
1. 两数之和 难度：简单 题目 给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。 你可以假设每种输入只会对应一个答案，并且你不能使用两次相同的元素。你可以按任意顺序返回答案。 示例 示例 1： 输入：nums = [2,7,11,15], target = 9输出：[0,1]解释：因为 nums[0] + nums[1] == 9 ，返回 [0, 1] 。 示例 2： 输入：nums = [3,2,4], target = 6输出：[1,2] 示例 3： 输入：nums = [3,3], target = 6输出：[0,1] 提示 2 <= nums.length <= 10^4 -10^9 <= nums[i] <= 10^9 -10^9 <= target <= 10^9 只会存在一个有效答案 进阶 你可以想出一个时间复杂度小于 O(n²) 的算法吗？ 解法一：暴力枚举 class Solution: def twoSum(sel...
LeetCode 49. 字母异位词分组
49. 字母异位词分组 难度 中等 题目描述 给你一个字符串数组，请你将 字母异位词 组合在一起。可以按任意顺序返回结果列表。 示例 1 输入： strs = ["eat", "tea", "tan", "ate", "nat", "bat"] 输出： [["bat"], ["nat", "tan"], ["ate", "eat", "tea"]] 解释： 在 strs 中没有字符串可以通过重新排列来形成 "bat"。 字符串 "nat" 和 "tan" 是字母异位词，因为它们可以重新排列以形成彼此。 字符串 "ate"、"eat" 和 "tea" 是字母异位词，因为它们可以重新排列以形成彼此。 示例 2 输入： strs...
我做了一个论文阅读提速工具 AI Paper Coach
我做了一个论文阅读提速工具 AI Paper Coach 最近我把一个会长期维护的项目整理出来了，名字是 AI Paper Coach。 目标很直接，把论文阅读从零散笔记变成结构化流程。 导入论文 -> 结构化分析 -> 七问拆解 -> 复现指导 -> 导出报告 最近这轮主要补了几个关键点： 标题识别增强，支持 arXiv API 兜底 finalize 阶段可观测，记录耗时、重试、repair 触发 复现指导空内容兜底修复 按学科自适应生成复现指导，不再只按代码论文模板写 它做的事是： 输入 arXiv 或 PDF 链接，或者直接上传 PDF 生成结构化分析，不只是摘要 用“七问框架”把论文核心逻辑拆清楚 输出复现指导，覆盖环境、数据、步骤、风险点 全流程可追踪，支持 trace、历史记录和导出 这轮重点修了几个实际问题： finalize 偏慢，增加每次模型调用耗时、重试次数、repair 触发标记 标题占位问题，新增多源标题兜底，减少“论文中未明确说明” 复现指导空白问题，补了 finalize/review 合并兜底 学科自适应，非代码论...
AI前沿论文深度解读 | 2026年04月07日
AI前沿论文深度解读 | 2026-04-07 Daily-Omni：多模态大模型，真的会“同时看懂画面和声音”吗？ 日期：2026年04月07日 适合读者：本科生、研究生、AI 从业者、多模态方向学习者 阅读时间：约 10 分钟 难度等级：中等 一、为什么这篇论文值得看？ 这篇论文讨论的不是“怎么把模型做得更大”，而是一个更尖锐的问题： 很多多模态大模型看图很强、听音频也不差，但它们未必真的能把某一时刻的声音和某一时刻的画面对上。 比如一个视频里，门突然被关上，画面上是一个人伸手拉门，音频里是“砰”的一声。人类会自然把这两个事件对齐，知道这是同一个动作的视觉和声音表现。但对模型来说，这件事并不简单。 论文《Daily-Omni: Towards Audio-Visual Reasoning with Temporal Alignment across Modalities》正是围绕这个问题展开。作者提出了一个新的音视频问答 benchmark，用来测试模型是否具备真正的跨模态时间对齐推理能力。 二、论文到底在做什么？ 2.1 核心目标 作者想解决的问题可以概括为一句话： 现...
AI前沿论文深度解读 | 2026年03月28日
AI前沿论文深度解读 #5 | Mamba：颠覆Transformer的线性时间序列建模架构 📅 2026-03-30 | 🏷️ 模型架构 · 状态空间模型 · 长序列建模 · 线性注意力 📄 核心论文：Gu & Dao, “Mamba: Linear-Time Sequence Modeling with Selective State Spaces” (ICML 2024) 🔗 延伸论文：S4 (2021) · S5 (2022) · H3 (2023) · Mamba-2 (2024) · Vision Mamba (2024) 📚 本博客面向本科生，深入浅出地解读最新AI论文，帮助你真正理解人工智能的前沿动态。 🔬 目标：不仅了解"是什么"，更要理解"为什么"和"怎么做" ⏰ 生成时间：2026-03-30 10:15 🤖 Powered by：OpenClaw + PyTorch + Feishu Doc 目录 AI 领域全景扫描 论文深度剖析 动手实践指南 拓展学习资源 总结与思考...
AI前沿论文深度解读 | 2026年03月27日
🤖 AI前沿论文深度解读 | 2026-03-27 DeepSeek R1：强化学习驱动的推理模型革新 📅 日期：2026年3月27日 📝 作者：好的好的379 🎯 适合读者：本科生、AI爱好者、技术从业者 ⏱️ 阅读时间：约15分钟 ⭐ 难度等级：中等 📊 一、AI 领域全景扫描 1.1 本周AI热点速览 领域 重要进展 影响指数 推理模型 DeepSeek R1开源，挑战OpenAI o1 ⭐⭐⭐⭐⭐ 多模态AI GPT-4o图像生成能力升级 ⭐⭐⭐⭐ 开源生态 Llama 4、Qwen 3发布 ⭐⭐⭐⭐ Agent系统 Manus、Devin引发关注 ⭐⭐⭐⭐ 1.2 论文主题选择：DeepSeek R1 本周我们聚焦于DeepSeek R1推理模型，这是2025年初最重磅的AI开源事件之一。 为什么选这个主题？ 🏆 性能突破：AIME 2024竞赛79.8%准确率，超越OpenAI o1-1217 💰 成本革命：训练仅600万美元，API价格低于o1达90% 🔓 完全开源：模型权重、技术报告全部公开 🧠 纯RL路径：...