一、为什么是飞书 CLI 二、安装：第一道坎不在代码里 三、认证：Agent 登录飞书，比人类更麻烦 四、身份边界：机器人替我发言，还是我替机器人背锅？ 测试 1：以 Bot 身份收发消息 测试 2：以 User 身份搜索历史消息 身份边界总结 五、四个工作流实测 工作流 1：晨间日程概览 工作流 2：群消息关键词响应 工作流 3：会议纪要整理 工作流 4：技术问题分析（翻车） 六、翻不过去的墙 1. 权限墙：scope 不够时，Agent 只能报错，无法自愈 2. 安全墙：高风险操作必须人类确认 3. 认知墙：Agent 没有上下文，只能执行，不能判断 七、结论：到底替我上了多少班？ 本文首发地址 https://h89.cn/archives/612.html 过去一周，我把飞书官方 CLI 接入了我的工作流，试图回答这个问题。结果不是"可以"或"不可以"，而是

- 阅读剩余部分 -

Harness Engineering：Agent 写代码不难，难的是让它别乱写 Harness Engineering：Agent 写代码不难，难的是让它别乱写 一、先看一个真实项目 二、Harness 到底解决什么问题 三、第一层：代码库本身就是真相源 四、第二层：规则要能自动拦住错误 五、第三层：反馈必须足够快 六、第四层：Agent 产出越多，越要管理熵 七、外部案例说明了同一件事 八、最小落地方案 九、冷一点看 参考与延伸阅读 本文首发地址 https://h89.cn/archives/610.html 2026 年 2 月，OpenAI Codex 团队发了一篇文章，里面有个数字很扎眼： 3 个工程师，5 个月，约 100 万行生产级代码，没有一行是人手写的。 他们大约合并了 1,500 个 Pull Reque

- 阅读剩余部分 -

一、技术底座：Kuikly 到底怎么工作的 1.1 核心架构：让 native 层尽量薄 1.2 六平台覆盖与动态化 1.3 代码量对比 二、为什么 2026 年值得重新评估 Kuikly 2.1 鸿蒙生态：KMP 系的天然优势 2.2 AI 驱动开发：不只是口号 2.3 Compose DSL 走向正式 Release 三、KMP 与 Kuikly 的分界线：为什么用了 KMP 还要选 Kuikly 3.1 KMP 做到哪一步 3.2 Kuikly 在 KMP 之上加了什么 3.3 和 Flutter、RN 的本质差异 四、QQ 音乐实战：React H5 → Kuikly 智能转码全记录 4.1 背景与痛点 4.2 成果数据 4.3 技术方案拆解：为什么 AI 转码能落地 五、横向对比：Kuikly 放在选型表里是什么位置 5.1 框架定位总览

- 阅读剩余部分 -

一、四强并立 二、BYTEROVER：让 LLM 自己管理记忆 三、MemPalace：verbatim 哲学的极端实践 四、Mastra OM：极简架构反而最高分 五、四系统横向对比 六、benchmark 分数不是选型依据 七、选型建议 八、结语 本文首发地址 https://h89.cn/archives/597.html 2025 年 12 月，Hindsight 发了一篇论文，宣布自己在 LongMemEval 和 LoCoMo 两个 benchmark 上拿下 SOTA（State-of-the-Art）。Virginia Tech 复现了，The Washington Post 也复现了。MIT 开源，SDK 完整，Fortune 500 在用。 五个月后，它的 SOTA 位置已经被三个新系统抢走了。 但这不重要

- 阅读剩余部分 -

一、Agent Memory 的困境：RAG 和 Knowledge Graph 都卡在哪 二、Hindsight 的解法：仿生记忆三层架构 三、LLM 在 Hindsight 里不是只负责"聊天" 四、三个核心操作：Retain、Recall、Reflect Retain：不只是"存"，而是"理解后存" Recall：四路检索 + 融合 + 重排 Reflect：从"回忆"到"学习"的关键 五、实战：5 分钟跑起来 纯嵌入模式（不用跑服务） 给 Claude Code 加记忆 六、性能数据：SOTA 是真的，但竞争在加剧 七、适合谁，不适合谁 八、总结 参考文献 本文首发地址 https://h89.cn/archives/598.html 你的 AI 客服记住了用户上周的问题，但再次遇到类似投诉时，它还是会按标准话术回复，

- 阅读剩余部分 -

一、AI 读不懂 PDF，很多时候不是 AI 的锅 二、PP-OCRv4：快是真快，坑也是真的多 跑起来之后的惊喜 但结果让我哭笑不得 代码写得我头大 三、DeepSeek-OCR-2：让 VLM 来收拾残局 效果确实好了 但速度让我回到了拨号上网时代 同模型换后端：Ollama 四、PaddleOCR-VL-1.5：两手都要抓 架构设计很聪明 体验出奇地好 五、实测数据一图看清 六、优化验证：速度提升后，质量有没有垮？ 优化前后耗时对比 代码改动记录 七、那些让我想摔键盘的坑 PP-OCRv4 的五连坑 DeepSeek-OCR-2 的坑 Ollama 的坑 PaddleOCR-VL-1.5 的坑 八、到底该选谁？ 九、写在最后 本文首发地址 https://h89.cn/archives/596.html 测试设备：NVIDIA RTX

- 阅读剩余部分 -

整体架构 核心模块拆解 1. 多源采集：配置化接入，不硬编码 2. 热点发现：Embedding + DBSCAN 3. LLM 提炼：从 N 篇文章到 1 个结构化事件 4. 热度评分：不只是计数 5. 去重：48 小时滑动窗口 6. 实时推送：SSE 比 WebSocket 简单 踩过的坑 技术启示 参考文献 本文首发地址 https://h89.cn/archives/595.html 这个五一我哪也没去，在家把一个想了很久的项目做完了。 事情是这样的：每天早上刷 Twitter、Hacker News、微博、知乎、36氪……每个平台都有自己的热点，但它们散落各处。更烦的是，算法推荐的"猜你喜欢"往往让真正重要的事件被淹没在信息流里。刷半小时，感觉看了很多东西，但脑子里一团浆糊。 我不是缺新闻，我是缺组织好的信息。 五一假期第一天，我脑子里突然闪过一个念头：

- 阅读剩余部分 -

两张进化网络，还是两张孤岛 EvoMap：让 AI 的经验不再是一次性的 Hermes：每个实例都是一座孤岛 结构性困境：指数打线性，差距只会越来越大 Hermes 补得上这个差距吗 一份技术对比报告 时间线：晚了 5 周以上 三层记忆体系精确对应 12 组术语，一对一替换 10 步主循环，步步对齐 Hermes 的回应 接回去：为什么接入网络等于自曝 一个更大的问题：开源协议在 AI 洗代码面前失效了 后续 Evolver 的一段插曲 参考文献 本文首发地址 https://h89.cn/archives/589.html 你花三小时调通了一个 Python 环境报错，隔壁同事遇到同样的坑，还是得从头踩一遍。 AI Agent 也一样。经验怎么传承？这个问题，EvoMap 和 Nous Research 给出了完全不同的答案。 EvoMap 的 E

- 阅读剩余部分 -