跳到正文
#教程/实践
10月3日周六
10月2日周五
  1. GitHub Blog · AI & ML33

    AI 如何改变开发者工作：三项需要强化的核心技能

    随着 AI 改变开发流程，开发者需从单纯编写代码转向指挥 AI 智能体、评估模型输出并专注于解决更宏大的技术问题。开发者应学会通过多模型交叉验证来规避 AI 幻觉，并利用 GitHub Copilot 等工具中的辅助智能体进行代码审查。通过将具体实现任务交给 AI，开发者能腾出更多时间进行架构权衡、需求分析及关键技术决策，从而提升工程判断力。

    发布时间：
10月1日周四
  1. Amazon Science35

    Graph-centric agentic intelligence：基于图结构的 AI 智能体推理研究

    Amazon Science 探讨了如何通过图结构为 AI 智能体提供因果推理与依赖追踪的底层支撑，实现网络故障的自主化与自适应分析。该研究结合图建模、级联图算法与智能体编排，通过构建网络数字孪生图，将传统数小时的故障根因分析缩短至分钟级。此方案已在 NTT DOCOMO 的商用网络中完成验证，证明了图智能在处理复杂拓扑与多层故障中的高效性。

    发布时间：
9月29日周二
  1. Cloudflare AI68

    Cloudflare 如何利用 AI 规划抗量子加密迁移

    Cloudflare 正在开发内部工具 CryptoLabe，通过 AI 扫描代码库、配置文件和文档，自动发现加密算法的使用情况并评估抗量子（PQ）迁移需求。该工具基于 Cloudflare Developer Platform 构建，利用 Agents SDK 和 Workflows 进行自动化分析，旨在帮助工程团队识别迁移障碍并制定优先级，Cloudflare 同时公开了部分提示词供行业参考。

    发布时间：

    推荐理由：Cloudflare 分享了利用 AI 工具 CryptoLabe 扫描代码库以识别加密算法并规划抗量子迁移的实践经验，为企业进行大规模安全升级提供了可参考的方法论。

  2. Cloudflare AI48

    Cloudflare 如何利用前沿 AI 模型测试 WAF 安全性

    Cloudflare 构建了一套基于前沿 AI 模型的动态 WAF 测试系统，通过模拟黑客行为对 WAF 进行压力测试。该系统在授权的客户暂存环境中进行了 1,107 次攻击尝试，涵盖 XSS、SQLi、CMDi、SSRF、LFI 及 Log4j 等六大攻击类别。测试结果显示，绝大多数攻击被 Cloudflare WAF 成功拦截，未被拦截的请求则被用于创建新的检测规则，以强化整体安全防护能力。

    发布时间：
9月26日周六
  1. GitHub Blog · AI & ML66

    GitHub Copilot 如何通过 canvases 构建自定义工作流

    GitHub Copilot 推出 canvases 功能，允许用户通过 /create-canvas 指令及自然语言描述，无需编码即可生成看板、检查清单或仪表盘等自定义界面。该界面支持人机双向实时交互，用户与 Agent 可在同一界面同步更新状态，且创建的 canvas 可保存为扩展供团队共享或个人复用。

    发布时间：

    推荐理由：文章介绍了如何利用 GitHub Copilot 的 canvases 功能通过自然语言创建自定义工作流界面，并展示了人机协作的实时交互方式。

9月25日周五
  2. GitHub Blog · AI & ML82

    GitHub Security Lab 发布 AI 驱动的模糊测试智能体 Fuzzing Taskflow

    GitHub Security Lab 推出 Fuzzing Taskflow，这是一个基于 LLM 的自主模糊测试流水线，可自动完成 C/C++ 项目的入口识别、测试用例编写、覆盖率分析、崩溃分类及漏洞报告生成。该工具利用 Claude Sonnet 5 作为默认模型，通过 MCP 工具与 Shell 驱动分离决策与执行，旨在解决模糊测试中人工参与度高的瓶颈。

    发布时间：

    推荐理由：该工具通过 LLM 智能体自动化处理 C/C++ 项目的模糊测试全流程，为开发者提供了一种可迁移的自动化安全审计方案。

9月24日周四
  1. GitHub Blog · AI & ML68

    GitHub Copilot 应用如何渲染超大规模 Pull Request

    GitHub Copilot 团队通过重构 Pull Request 视图，实现了对包含百万行代码和数百条评论的超大规模请求的高性能渲染。核心方案包括将代码行与评论区拆分为独立的几何布局，采用懒加载测量与滚动锚定技术，并利用自动化性能监测循环持续优化渲染效率，确保在处理复杂交互时界面依然流畅。

    发布时间：

    推荐理由：文章详细解析了 GitHub Copilot 应用如何通过双重几何布局和自动化性能监测机制，解决超大规模代码合并请求在渲染与交互时的性能瓶颈。

9月23日周三
9月18日周五
9月16日周三
  1. Together AI48

    Together：如何从闭源模型迁移至开源模型

    Together 建议通过定义明确的用例与工作负载，利用 FrontierCode、DeepSWE、LMArena 等基准测试筛选候选模型，从而实现从闭源模型到开源模型的快速迁移。迁移过程中应重点评估模型的准确性与性能，通过重放现有流量数据进行真实场景验证，而非仅依赖通用基准。该策略旨在帮助企业在数周至数月内完成迁移，并利用托管服务降低技术栈的复杂性。

    发布时间：
9月10日周四
  1. Together AI76

    Together AI：如何在 NVIDIA Vera Rubin NVL72 上优化 ThunderKittens 内核

    Together AI 团队在 NVIDIA Vera Rubin NVL72 平台上适配并优化了 ThunderKittens 内核，通过利用 Rubin 架构的新特性（如 64 字节 K 步长、576 列张量内存、328 KiB 共享内存及 B 端收集器）显著提升了 NVFP4 和 FP8 GEMM 的性能。

    发布时间：

    推荐理由：Together AI 团队分享了在 NVIDIA Vera Rubin 架构上优化 GEMM 内核的实践经验，通过利用更大的共享内存、双倍 K 步长及 B 端收集器等新特性，为开发者提供了提升计算性能的具体优化路径。

9月9日周三
  1. Mistral AI55

    Mistral AI：如何利用智能体实现复杂遗留代码的现代化迁移

    Mistral AI 分享了为某欧洲能源运营商将 4 万行 Fortran 77 代码迁移至 C++ 的实践经验。团队通过构建数值对齐测试框架确保迁移准确性，并采用“人机协作”的结构化智能体工作流，即由人类操作员管理包含规划、编码、测试和审核的智能体模块，有效解决了全自动迁移中代码质量不佳或智能体陷入死循环的问题。

    发布时间：
  2. Together AI72

    构建开源 AI 编码栈指南

    本文详细拆解了开源 AI 编码栈的五个关键组成部分：模型、推理服务、网关路由、交互框架（Harness）及工具（Skills 与 MCP）。作者建议开发者将模型视为可替换的工具，通过解耦各层级实现灵活切换，并分享了利用不同规模模型进行规划、实现与代码审查的组合工作流，以提升开发效率并降低成本。

    发布时间：
8月31日周一
  1. Amazon Science48

    使用 Verus 开发可证明正确的 Rust 代码

    Verus 是一款开源的自动化程序验证器，旨在通过数学规范检查 Rust 代码逻辑，确保其在所有输入情况下均符合预期行为。开发者可直接在 Rust 源码中添加规范与证明，利用其快速的自动化求解器在秒级时间内获得反馈，并支持在 VS Code 等 IDE 中进行交互式开发。目前，Amazon 已利用 Verus 验证了 Nitro Isolation Engine 等关键基础设施组件的正确性。

    发布时间：
7月16日周四
  1. Together AI45

    99.9% 的推理可用性意味着什么？

    推理服务的 99.9% 可用性要求供应商具备跨数据中心冗余能力，并能通过持续运行流量而非冷备模式实现故障转移。实现高可用性需应对 VRAM 错误、热节流及网络故障等 GPU 特有的硬件失效模式，且基础设施所有权决定了故障响应的物理控制力。企业在评估供应商时，应重点考察其是否拥有从芯片到 token 的全栈可见性，以及是否具备应对区域性中断的预留容量。

    发布时间：
6月2日周二
  1. Together AI72

    Together AI 解析 MiniMax M3 高效推理部署方案

    Together AI 介绍了为 MiniMax M3 模型实现高效推理的工程实践，重点通过 MiniMax 稀疏注意力（MSA）机制解决长上下文计算瓶颈，并利用 Rust 编写的网关在 GPU 预处理前完成多模态数据处理，在典型智能体流量下实现了 81% 至 125% 的推理吞吐提升。

    发布时间：
5月29日周五