Web Locks 跨标签页 Leader:所有权代际、迟到结果围栏与降级路径
Web Locks 能让同源标签依次进入临界区,却不会自动给服务器写入提供 fencing token。本文把浏览器选主、持久 generation 和副作用提交分层,阻止旧标签迟到覆盖。
Articles
沉淀 AI、Web、云原生和独立开发经验。
Web Locks 能让同源标签依次进入临界区,却不会自动给服务器写入提供 fencing token。本文把浏览器选主、持久 generation 和副作用提交分层,阻止旧标签迟到覆盖。
AI 产品有个传统软件没有的难题:每个用户都在产生可变成本(token)。定不好价,要么亏钱、要么赶走用户。本文拆解 AI 产品五种主流定价(按量/订阅/credits/价值/混合),各自的适用场景和坑,以及最关键的——怎么把"用户用得越多你越亏"的死局解开。
一个 2xx 只能证明端点对 HTTP 请求给出成功响应,不能证明订阅者完成业务处理。本文用订阅代际、签名密钥状态机、不可变投递证据和可选处理回执控制重试与轮换。
向量检索擅长"语义相似",却搞不定"关系推理"——"谁是谁的上级"、"A 产品依赖哪些组件"。知识图谱补上这一刀。本文讲清知识图谱相对向量库的优势、GraphRAG 的思路、什么场景值得上图谱,以及务实的落地建议——别为了酷而上图谱,多数场景向量库够。
LLM 推理慢,主要慢在 decode(逐 token 生成)阶段。本文讲清两个最值钱的优化:KV Cache(别重复算历史)和 Speculative Decoding(小模型起草、大模型验证,并行多 token)。加上连续批处理和量化,能把推理吞吐拉到一个数量级。
"AI 不一定非要在云端——隐私、延迟、离线、成本,四个理由让端侧推理重新变热。本文讲清端侧 AI 的现状:模型(1B–7B 量化)、框架(llama.cpp/MLC/ExecuTorch)、运行环境(手机/浏览器 WebGPU/桌面),以及它真正适合的场景和当前局限。"
改了 prompt/换了模型,你怎么知道"真的变好了"?凭感觉不行,要 A/B 测。但 AI 的 A/B 比传统功能难——输出非确定、质量主观、样本要大。本文讲清 AI 功能 A/B 测什么、怎么定指标、离线 eval 和在线实验怎么配合,把"我觉得新版好"变成"新版留存 +8%"。
2026 做 AI 产品,冷启动比以前更难——同质化严重、用户期望被大厂拉高、Demo 能跑但没人付费。本文讲清 AI 产品冷启动的现实、PMF 之前别做的事、以及真正能差异化的三个方向(垂直深耕/数据飞轮/工作流闭环),帮你在 AI 应用红海里找到立足点。
软件工程有 TDD,AI 工程需要 EDD——评测驱动开发。写代码前先写评测集,让它定义"什么是好",每次改动跑评测,下降即拦。本文讲清 EDD 的流程、它和 TDD 的区别(非确定、概率性)、怎么落地,以及它如何把"凭感觉调 AI"变成可工程化的迭代闭环。
"Copilot/Cursor/Claude Code 用着爽,但你想过'做一个给自己的代码生成'吗?本文拆解代码生成产品的工程内核:上下文构建(给模型看哪些代码)、生成策略(补全/编辑/Agent)、质量护栏(语法/测试/diff),以及做内部代码助手时和通用 AI 编程工具的差异化——场景收敛 + 代码库感知。"
"AI 应用天生多语言(模型本来就懂几十种语言),但'能答多语言'和'产品国际化'是两回事。本文讲清 AI 应用的 i18n 难点:UI 翻译、模型输出语言控制、区域合规、文化适配、多语言 RAG,以及一套基于 next-intl 的多语言架构。"
模型预训练出来是"续写机器",能变成"有用的助手"靠的是对齐——RLHF/DPO 那一套。本文用大白话讲清对齐在干什么、RLHF 和 DPO 的区别、为什么对齐既是"安全"也是"能力",以及作为应用开发者理解对齐边界的重要性——知道模型为什么有时"过度拒绝"、怎么和它相处。