不改 GGUF 文件,用 chat-template-file 修复 llama.cpp Jinja 模板错误 问题:HTTP 400 “Unable to generate parser for this template”本地部署的 Qwen3.5-35B-A3B 模型(Ornith 微调版),通过 llama.cpp server 提供 API 服务。某天发现部分请求稳定返回 400 错误: 123456789101112HTTP 400{ "error": { 2026-07-09 AI工程 #Qwen #GGUF #Jinja #llama.cpp #故障排查 #chat-template
从交易记录重建每日资产快照:daily_summaries 历史回填实战 从交易记录重建每日资产快照:daily_summaries 历史回填实战问题:权益曲线只有 4 个点一个量化交易平台的 Dashboard 上,净值曲线(equity curve)只显示了 4 个点。不是数据源断了,不是前端 bug——是 daily_summaries 表只有 8 行数据,集中在短短几天内。 后端的 generate-summary 端点功能完全正常,手动调用能正确生成当日快照。 2026-07-09 量化交易 > 数据工程 #Python #数据回填 #SQLite #定时任务 #权益曲线
SSH 启动桌面应用失败:Windows Session 0 隔离与跨会话启动解法 SSH 启动桌面应用失败:Windows Session 0 隔离与跨会话启动解法问题:SSH 能执行命令,但启动的应用”看不见”一个 AI Agent 通过 SSH 连接到 Windows 主机,执行 powershell.exe Start-Process notepad.exe,命令返回成功,任务管理器里能看到 notepad.exe 进程。但 RDP 连上去看桌面——什么都没有。记事本窗口 2026-07-09 系统运维 > Windows #Windows #SSH #PsExec #Session-0 #跨会话 #GUI
免费 AI 编程工具链:OpenCode + 三层约束让免费模型写出生产级代码 免费 AI 编程工具链:OpenCode + 三层约束让免费模型写出生产级代码背景:免费模型能写代码吗?市面上有大量”免费 AI 编程工具”——Cursor、Windsurf、Trae-CN……它们提供免费的模型额度,让开发者零成本用 AI 写代码。但免费模型(GLM、DeepSeek、MiniMax 等)的代码能力参差不齐,直接用经常翻车:改了不该改的文件、删除已有功能、留下半成品代码。 问题不 2026-07-09 AI Agent > 开发工具 #OpenCode #Karpathy #免费模型 #代码审查 #AGENTS.md #代码约束
外部数据源不稳定的标准修复模式:HTTP重试 + 缓存兜底 外部数据源不稳定的标准修复模式:HTTP重试 + 缓存兜底问题背景一个量化交易系统的宏观周期分析模块依赖外部学术机构发布的 GPR Index(地缘政治风险指数)Excel 文件。该文件由第三方研究者维护,托管在个人学术网站上,通过固定的 HTTPS URL 提供下载。 系统每天凌晨自动执行宏观数据采集管道,其中一个脚本负责下载 GPR Index 并生成风险评分。某次采集周期中,该步骤开始频繁超 2026-07-09 后端工程 > 数据工程 #Python #外部数据源 #容错设计 #重试机制 #缓存策略
幽灵偏差:当你的日报系统开始对自己撒谎 幽灵偏差:当你的日报系统开始对自己撒谎一个连续 4 天的”未闭环”Bug一套量化交易系统配备了一个 AI 日记系统,每天凌晨自动反省:做了什么、哪些计划没落地、怎么改进。这个自省机制基于 PDCA 循环——计划(Plan)、执行(Do)、检查(Check)、处置(Act),每天对账。 某天,日记系统记录了一个偏差:宏观分析模块依赖的 GPR Index(地缘政治风险指数)外部数据源下载超时,看板上 2026-07-09 工程实践 > AI Agent #PDCA #日记系统 #偏差检测 #自省机制 #数据验证
AI Agent 自主重构之路:从响应式审查到全自动修复 问题前端项目的移动端适配通常是一块「知道该做,但没人愿意碰」的领域。没有新功能亮点,全是 layout 调整、media query 改写、触摸目标放大——机械重复,量还大。 某双页面应用(约 10+ 个页面)的移动端审查报告一口气列出了 12 项适配问题,分布在两个独立前端仓库中。如果手动修,按每项 30 分钟估算,至少需要 6 小时纯工时,还不算来回切换上下文的时间。 但这次的情况不同:从审查 2026-07-09 工程实践 #AI-Agent #自动化 #前端响应式 #工程实践
A2A 协议实战:两个 AI Agent 协作升级路由器技能 A2A 协议实战:两个 AI Agent 协作升级路由器技能背景:从工具共享到任务协作在上一篇文章中,我们解决了 Agent 间的工具共享问题——通过 MCP 桥接,Linux 上的主 Agent 可以调用 Windows Agent 的 13 个工具。但那是单向的:主 Agent 调远程工具,远程 Agent 只是被动的执行者。 真正的多 Agent 协作(Agent-to-Agent,A2A) 2026-07-09 AI Agent > A2A #多Agent协作 #MCP #A2A #路由器 #技能升级
Agent-to-Agent MCP 桥接:让两个 AI Agent 互相调用工具 Agent-to-Agent MCP 桥接:让两个 AI Agent 互相调用工具背景:一个 Linux Agent,一个 Windows Agent一个运行在 Linux 上的 AI Agent(下称”主 Agent”),已经有了完整工具链:文件读写、代码执行、定时任务、数据库查询。但它够不到隔壁一台 Windows 主机——那台机器上有另一个 Agent(下称”远程 Agent”),能做主 A 2026-07-09 AI Agent > MCP #多Agent协作 #MCP #SSH #A2A #FastMCP #跨平台
Karpathy 四原则驱动代码重构:3 文件 1 小时零 regression Karpathy 四原则驱动代码重构:3 文件 1 小时零 regression背景量化交易系统的数据源是硬编码在代码里的——ReShare、yfinance、akshare 三个数据源的开关和地址散落在多个文件中。想临时关闭某个数据源?得翻代码改逻辑。 需求很简单:把数据源配置提取到统一配置文件,通过 config 字典控制每个数据源的 enabled 状态和 base_url。 但”简单需求” 2026-07-08 编程实践 > 方法论 #最佳实践 #Karpathy #代码重构 #AI辅助编程 #方法论