我这个博客仓库有 611 篇 Markdown、791 个文档源文件，可我问 AI “我以前是怎么讲鉴权的”，它照样答不上来。存了等于没存。这篇给一套后端工程师能长期跑下去的方案：先按“AI 知道 / AI 不知道”把知识分层，再用“源文件是唯一事实源、索引全部可重建”的四层结构去存，组织上 Tree 做骨架 Graph 做补充，检索上从目录到混合检索到图检索三级递进。附可抄的目录结构、frontmatter 规范、reindex 脚本骨架、工具三档选型，和一份精选论文清单。

KV Cache 不是一个"顺手能省点钱"的技巧，而是一条硬约束：它规定了你的提示词必须怎么排版。前缀不稳，缓存全废；更糟的是，如果你开了缓存又让前缀每轮都变，按价目表算，账单会比压根不开缓存还高 25%。本文讲清 KV Cache 的原理、命中规则、省钱之外的收益、可落地的最佳实践和常见陷阱。

面向零基础大一新生，手把手学习如何向 AI 提需求、看计划、改代码、跑测试和写复盘文章，并用 DeepSeek-V4-Flash、OpenCode、Cursor + Cline 完成两个小项目。

SIP 看起来像 HTTP，真正用起来却更像一套分布式状态机。本文系统回顾寻址注册、消息、事务、Dialog、SDP Offer/Answer 和重要扩展，再把它放进呼叫中心，拆解 SIP Trunk、SBC、IVR、ACD、转接、录音与典型排障案例。

上下文窗口再大，也不该一次性塞满。渐进式披露的核心是：先给模型一张薄薄的"目录"，让它按需去取详情。这既是省 token 的关键手段，也是让 Agent 少犯错的结构性做法。本文用我自己写的两个 skill 讲清它的做法、最佳实践和常见陷阱。

走出舒适区，不是把过去清零。会过时的技术、工具和招式要敢换；能迁移的判断力、原则和方法，则要在变化中不断磨炼。换术而不丢道，才走得远。

电话没有消失，而是从呼叫中心唯一的入口变成了 Contact Center 众多渠道中的一个。本文从 SIP、VoIP 和 IVR 出发，拆解 Contact Center 的技术栈、生态、主要厂商、经典应用和公开案例，再讨论 AI 会怎样改造这套系统。

此文章已加密，请输入本篇访问密码。

从大模型的幻觉和不确定性说起，聊聊把产线运维交给 AI 到底放不放心。我的答案是：脚本、监控、告警、扩容、部署都能交给 AI，但判断和决策必须留给人；而且确定性动作让 AI 写完脚本就该退出，用确定性代码去跑，别让概率模型实时掺和。初级运维岗会缩，踩过坑的资深运维反而更值钱。文末给一张"哪些能交、哪些不能交"的清单。

生产力一直在涨，人却越来越累。00 后整顿职场、中年失业、灵活就业、消费疲软，大家早就不谈 Work-life Balance 了。AI 本该让物质极大丰富、生活更幸福，眼下却是失业更多、人更辛苦。到底是怎么了？这篇不抱怨，只想把"进步为什么没换来松弛"讲透，再落到一个技术人真能动手的破局姿势：顺势、开放、找到 AI 替代不了的你，进而反过来驯服 AI。

LLM 会写代码，但你敢直接在生产机器上跑它写的 rm -rf 吗？AI Agent 真正缺的不是更聪明的脑子，而是一个能随时开、随时扔、跑坏了也不伤及无辜的“盒子”。本文以 Kubernetes SIG 的 agent-sandbox 项目为例，讲清楚 Agent 运行环境的技术栈、原理、用法、实例、横向比较与未来走向。

Deno 当年高调宣布"要修复 Node 的十宗罪"，结果差点被 npm 生态拒之门外。Deno 2 认怂并拥抱 npm 之后，它反而找到了自己真正的位置。这篇文章讲清楚 Deno 的长处、短处、适用场景和常见陷阱，帮你判断什么时候该用它、什么时候别碰它。

中台这几年在很多公司里越来越尴尬：不直接赚钱、效率难衡量、自研的还没开源的好用，团队士气低落。但中台没落不是模式失败，是定位错了——它被当成了 KPI 和权力中心，忘了自己本该是让业务跑得更快的“铺路队”。AI 时代要活下去，中台得回归平台工程的本分：精兵简政、当产品不当收费站、把采用率当唯一裁判。

此文章已加密，请输入本篇访问密码。

当性能卡在延迟上、当可靠性被跨国网络拖垮、当突发流量把源站压垮时，边缘节点常常是那个"离用户最近、最稳、最快"的解法。这篇从我做音视频就近接入的经历讲起，理清边缘节点到底适合哪些场景、有哪些经典案例、落地时怎么做、又容易踩哪些坑——核心是一句：边缘换来的是延迟和稳定，代价是一致性和运维复杂度，时间和空间从来不可兼得。

顺境里人人都很有修养。你的定力值几分钱，只有在遇到难搞的人和事时才会暴露。折磨你的常常不是某个人，而是一件推不动、边界不清、越弄越乱的破事。王阳明说“人须在事上磨”，讲的不是忍，是把一件麻烦事拆成两本账：事账要办完，心账不能被污染。本文给出《传习录》里那份五百年前的现成清单（怒、喜、恶、怜、忙、随），配上林肯那封“从未寄出”的信、斯坦福关于情绪抑制认知成本的研究、HBR 关于职场无礼代价的数据，以及 Mulally 在福特为第一个红灯鼓掌的那一刻。

此文章已加密，请输入本篇访问密码。

Pi 的 README 里有一节 Philosophy，通篇是"不做什么"：不做 MCP、不做 sub-agent、不做权限弹窗、不做 plan mode、不做内置 todo。但把仓库翻一遍会发现，这些被拒绝的功能全都以示例扩展的形式躺在 examples/ 目录里。这篇结合代码和数据讲清一件事：Pi 的克制不是靠作者意志力，是靠三个支点撑住的——按 token 而不是按行数度量"最小"、用扩展点给需求留泄压阀、以及一套敢说不的治理。文末给一个把 Pi 当 Agent 引擎嵌入自己项目的完整实例：代码库合规巡检 agent，含只读工具收敛、自定义工具落库、事件流审计。

AI 既让学习成本大跌，也在实验里测出了能力退化，这两件事同时为真。差别不在用不用 AI，而在“生成答案的那一步”发生在谁的脑子里。文中列了会变笨的六种做法、会变聪明的六种做法，三条不靠感觉的自测线（费曼测试、挑毛病测试、一个月回测），以及一个反问：AI 做的我都得懂吗？答案是不必——荀子说“假舟楫者，非能水也”，关键是把活分成必须会做、必须能判断、可以不懂三层，判据是“错了会怎样”。

OpenCode 把 Go 写的 TUI 换成了 TypeScript，同一年 OpenAI 把 Codex CLI 从 TypeScript 换成了 Rust——两个团队方向正好相反。我的判断是：TS 赢的是 Agent 与工具这一层，Python 在模型层一寸没让。这篇结合 OpenCode 源码讲清四条真实原因、TS 的四个失分点，以及给老程序员的一条学习路径和一份实测过的陷阱清单。