深蓝居

摘要： 你有没有注意过，每次让 AI 编程助手执行一条 `grep` 命令，返回的结果里真正有用的只有寥寥几行匹配，但它们却被裹在几十行 JSON 元数据里——`tool_use_id`、`type`、`content` 层层嵌套？你花 Token 买的不是糖，是包装纸。 这不是个别现象。我实测过，**70-95% 的工具输出是模板化的包装信息**。它们每轮对话都出现，挤占上下文窗口、拖慢响应速度、烧掉你的 API 额度。更致命的是，冗余信息填满上下文后，模型开始"失忆"——忘了你一小时前强调的设计约束，给出自相矛盾的建议。 Headroom 就是为此而生的。它是一个零侵入的 HTTP 代理，坐在编程助手和 LLM 之间，把冗余的"包装纸"剥掉，只把精华传给模型。平均省下 87% 的 Token，响应质量丝毫不打折扣。接下来，我会从原理到实践，带你深入理解它的优化体系，并手把手教你接入 CodeBuddy。 阅读全文

摘要： 如果你把上篇的行动清单做完了，成本通常已经有明显下降。但如果你想继续往下压，就要开始处理系统层的问题：命令输出怎么压、检索怎么少走弯路、多个 Agent 怎么把上下文拆开。 本篇承接上篇的五层模型，继续往下走三层： 层级 主题 作用 特点 第三层 压缩工具 先把高频输入输出压下来 装完即用，立即见效 阅读全文

摘要： 月初看账单，吓一跳。 也没问多少问题，Token 怎么烧成这样？ 后来认真拆了一轮，才发现一个反直觉的事实： 你问的那句话，在每次请求里可能连 1% 都不到。 真正的成本大头藏在别的地方。这篇文章，就是把这个"别的地方"讲清楚，然后给一套不用装任何工具、今天就能用的省钱方法。 第一章 账单都花在哪了 阅读全文

摘要： 前言 在上一篇文章 https://www.cnblogs.com/studyzy/p/19885426 中，我们探讨了 tapd-ai-cli 的设计理念：为什么 CLI 比 MCP 更适合作为 AI Agent 与外部系统之间的桥梁。核心论点很清晰——MCP 的 Schema 注入机制像一笔"菜 阅读全文

摘要： 当我们想要让 AI Agent 帮忙管理 TAPD 项目时，往往会面临一个尴尬的选择：用 MCP 接入吧，Agent 变得又慢又贵；不用吧，似乎没有更好的标准化方案。 本人最近在做 AI Coding（Vibe Coding）相关的工作，需要让 Claude Code、CodeBuddy 等 AI Agent 频繁地与 TAPD 交互——查需求、建任务、提缺陷。一开始我也是用 MCP 方案，但很快就被它的 Token 消耗和响应延迟劝退了。于是我开始思考：有没有一种更轻量、对 AI 更友好的接入方式？ 答案是 CLI。 这篇文章记录了我开发 tapd-ai-cli 的设计思路和实测数据，希望对同样在做 Agent 工具集成的朋友有所帮助。 阅读全文

摘要： 这篇文章详细介绍了Anthropic工程团队在长运行应用设计方面的研究，包括多智能体架构、上下文重置、自我评估问题以及生成器-评估器循环等关键技术。 阅读全文

摘要： 一、引言：为什么我们需要规范驱动开发 软件工程从不缺乏"写代码"的方法，真正稀缺的是——如何让"正确的系统"稳定、可控、可复现地诞生。 当项目规模变大、参与角色变多、系统生命周期变长时，很多团队都会遇到同一类问题： 需求写得很清楚，但代码实现总是"跑偏" —— 开发人员对需求的理解偏差，导致最终交付 阅读全文

摘要： 引言：命令行的困境与机遇 在软件工程的世界里，命令行界面（CLI）始终占据着不可替代的地位。从系统管理到日常开发，从数据处理到自动化脚本，命令行工具以其高效、灵活、可组合的特性成为工程师们的首选。然而，这种强大的能力背后，隐藏着一个长期存在的矛盾：人类自然的表达方式与计算机严格的语法要求之间的鸿沟。 阅读全文

摘要： 在 AI 工具泛滥的今天，大多数人已经习惯用它“写内容”，却很少有人真正把 AI 当成一个可控、稳定、审美在线的专业设计助手。这篇文章不是在教你做 PPT 的基础操作，而是分享一套我反复验证过的 NotebookLM 高阶用法：如何在几乎不碰设计细节的前提下，把一份“内容正确但外观灾难”的草稿型 PPT，快速升级为真正能进向领导汇报、客户交流的商务级幻灯片。如果你也长期被配色、排版、配图拖慢效率，这套方法值得你尝试。 阅读全文

摘要： 在 AI 辅助编程日益普及的今天，许多开发者都遇到过这样的困境：当你让 AI 开发一个复杂功能时，最初的几轮对话还很顺利，但随着代码量的增加，AI 开始“忘记”之前的约定，生成的代码偏离了最初的设计，甚至出现逻辑前后矛盾的“幻觉”。 这并非 AI 不够聪明，而是因为上下文（Context）的丢失和意 阅读全文