如何让 AI 编程更可靠:从 6A 工作流到上下文工程(三)
# AI 编程的工程化实践:从 6A 工作流到上下文工程 怎样把 AI 编程组织成一个有明确目标、能持续推进、能够验证结果的工程过程,是使用 AI 开发项目时值得持续思考的问题。 6A 工作流、Figma 设计规范,以及 Manus 分享的上下文工程经验,分别从开发流程、设计规范和智能体运行机制三个角度,提供了具体的方法。 我认为,其中最值得学习的是:**明确验收条件、合理拆解任
# AI 编程的工程化实践:从 6A 工作流到上下文工程 怎样把 AI 编程组织成一个有明确目标、能持续推进、能够验证结果的工程过程,是使用 AI 开发项目时值得持续思考的问题。 6A 工作流、Figma 设计规范,以及 Manus 分享的上下文工程经验,分别从开发流程、设计规范和智能体运行机制三个角度,提供了具体的方法。 我认为,其中最值得学习的是:**明确验收条件、合理拆解任
[《vibe coding 优秀项目二》](https://linux.do/t/topic/1003800)是一份 **AI 编程经验、提示词和工具配置的汇编**,重点是如何使用 Claude Code、Codex,把需求描述、项目理解、代码实现和验证串成一套工作流程。 **最值得学习的是:给 AI 提供准确的项目知识,把需求写成可验证的标准,并持续检查和更新结果。** 文中的模板需
# 如何让 AI 编程更可靠:从需求设计到结果验证 [《优秀文章&项目》](https://linux.do/t/topic/1003788)是一份关于 Vibe Coding 的资料汇编,收录了 AI 辅助编程的方法、工具、提示词和项目实践经验。 其中最值得学习的,是一个核心思路:**把 AI 放进“明确需求 → 设计方案 → 分步实现 → 测试审查”的工程流程里。** AI
# Windows + AMD 显卡部署 whisper.cpp:中文转写、本地 API 与登录自启动实战 > 本文记录一次实际部署:Ryzen 5 3600、约 32GB 内存、Radeon RX 6700 XT,使用 whisper.cpp、Vulkan 和 large-v3-turbo Q8 模型,在 Windows 上搭建本地语音转写服务。部署与测试日期:2026 年 10 月 11
# Win10 老笔记本复活记:WSL 卡死排查、升级 WSL 3.0 与 Docker 踩坑全记录 > 环境:Dell 笔记本 / Windows 10 22H2 (19045) / 一台常年靠休眠续命的开发机 > 时间线:某个周六下午 6 点到周日早上(跨两天,第二天补上了端口访问的两个大坑) ## 一、起因:`wsl -l -v` 直接卡死 周傍晚想进 WSL 干活,`w
# 实战指南:用 Java Netty 构建轻量级 MCP 中间件,打通大模型与企业级应用 随着大模型(LLM)向深度业务场景渗透,如何让 AI 安全、高效地调用企业内部的存量系统(如 ERP、CRM、核心数据库)成为了一个痛点。Anthropic 推出的 **Model Context Protocol (MCP)** 提供了一套完美的标准协议。 如果你的企业系统基于庞大的微服务架构
# 深入浅出 Model Context Protocol (MCP):从核心概念到多语言服务端实战 随着大语言模型(LLM)能力的飞速跃升,让 AI 能够“触及现实”成为了核心诉求。无论是读取本地文件、查询企业数据库,还是调用内部 API,我们需要一种标准化的协议来连接 AI 与外部世界。 **Model Context Protocol (MCP)** 正是为此而生。它就像是 AI