技术专栏 第155页

这不能全怪 LibreTranslate，人家是基于开源神经网络的通用翻译，不是百科全书。很多垂直领域的词、俚语、缩写，它根本没见过。

每次都长这样：

一个编码智能体可以快速读文件、改代码、跑命令，但它也会忘记上下文、误判团队约束、绕过分层边界，甚至在验证没有完成时给出“已完成”的结论。工程师被迫反复补充提示词、贴报错、纠偏、复查，最后形成一种很别扭的状态：表面上是在用 AI，实际是在给 AI 当流程调度器。

传统的 Flink SQL DDL 散落在每个 SQL 脚本里。一个实时数仓有几十张表，每张表的
CREATE TABLE 出现在引用它的每个脚本中。改一个字段类型所有脚本全要改。这也是为什么需要一个
Flink SQL 元数据中心。

二、设备预测性维护智能体… 3

说出来不怕大家笑话，我光折腾这个安装环节就花了一个晚上。第一次下载Python，用官网链接等了快半小时，进度条纹丝不动，最后还报错说下载失败。换了个浏览器重新下，又是龟速。当时内心只有一个念头：
我还没开始学，就要被劝退了吗？

榜单前列三个仓库——
mattpocock/skills、
obra/superpowers、
anthropics/skills——本周合计新增
33,968 stars。这是个什么量级？相当于一个 5 年老项目一年的星星增长，在七天内集中砸到了 Claude Code Skill 这一个赛道上。

LLM 擅长生成内容，但弱于遵守精确的结构化约束。一个 Agent 产出的 JSON-LD 文档可能缺少必填字段，或者引用了不存在的实体。在简单的单 Agent 场景里，这些问题可以人工兜底，但当一个工程由需求、设计、编码、测试等多个阶段的多个 Agent 协作完成时，
数据一致性和语义正确性就成了生死线。

我的工作是把这些回传上来的crash
分类、登记、跟进——同一个 bug 归一类、追到原因、回灌修复。

正常用户与智能体的对话 VS GEO 监控：