GopherDaily

20251219

每日一谚：With the unsafe package there are no guarantees

Go技术生态

继 MCP 之后，Anthropic 再放大招：Agent Skills 正式发布为开放标准！
这是继2024年末推出 MCP (Model Context Protocol)标准之后，Anthropic 在构建 AI 开放生态上的又一记重拳，彻底补齐了 AI 原生应用的 “能力层”拼图。如果说 MCP 是 AI 时代的 “USB 接口”，解决了大模型连接外部工具与数据（如 GitHub, Google Drive）的标准化问题；那么Agent Skills 就是 AI 时代的 “通用驱动程序”，它定义了 AI 该如何使用这些工具来完成复杂的业务流程。

Stacktower: 一次意外的深度探究
这篇文章讲述了作者如何受一个 XKCD 漫画启发，开始自学图论，并深入研究了 NP-hard 问题、PQ 树和分层图算法，最终用Go构建了一个将软件依赖图可视化为物理塔状结构的工具——Stacktower。

云原生技术

再见了，微服务：从 100 多个“问题儿童”到 1 个“超级巨星”的架构回归
“微服务”——这个在过去十年间统治了软件架构领域的“最佳实践”，承诺给我们带来更高的模块化、更快的迭代速度和更强的团队自治。然而，当一个团队，深陷于 140 多个服务、140 多个代码仓库、140 多个独立队列的泥潭中，开发速度骤降、缺陷率爆炸、on-call 工程师夜不能寐时，这个“最佳实践”是否已然变成了一个“最大负担”？这不是一个假设，而是 Twilio Segment 团队曾亲身经历的“噩梦”。

DoltCash：基于 Claude、GnuCash 和 Dolt 构建的“氛围式”会计
本文介绍了一个名为 DoltCash 的原型项目，它结合了 GnuCash、Dolt（一个支持版本控制的 MySQL 兼容数据库）和 Claude AI，旨在探索如何将 AI 聊天界面集成到现有的数据驱动应用中（“万物皆可光标”）。作者详细记录了设置过程，包括连接 Dolt 数据库、配置 MCP 服务器，并试图让 Claude 代理执行会计操作。虽然项目暴露了 AI 在专业任务（如精确会计）中的局限性（例如，AI 错误地处理了转账和对账），但也强调了 Dolt 在 AI 应用中提供数据库层面的安全和版本控制保障的重要性。文章最后总结了三个关键见解：资源访问不足以保证 AI 性能、数据库层的安全保证（Dolt）对 AI 应用至关重要，以及持续的、确定性的验证（Dolt Tests）是处理非确定性 AI 输出的关键。

LinkedIn 如何利用 HAProxy 实现其庞大流量栈的现代化
由于用户增长和技术需求的变化，LinkedIn 决定围绕 HAProxy 重新设计其流量堆栈。本次案例研究探讨了 LinkedIn 转向 HAProxy 的原因、他们如何进行评估，以及使用 HAProxy 后实现的显著性能提升，包括延迟降低和配置复杂度的大幅简化。

Kubernetes v1.35: Job Managed By 功能正式可用
在 Kubernetes v1.35 中，指定外部 Job 控制器（通过 .spec.managedBy）的功能已正式进入通用可用（GA）阶段。此功能允许外部控制器完全负责 Job 的协调工作，从而解锁了强大的调度模式，例如使用 MultiKueue 进行多集群分派。使用 .spec.managedBy 的主要动机是支持多集群批处理调度架构，如 MultiKueue。Job 控制器可以跳过协调被标记的 Job，实现工作负载的委托管理。

在 Kubernetes 中分析 NVIDIA CUDA
获取在 Kubernetes 中分析 CUDA 的最简单方法。本文介绍了如何使用 Init 容器和 emptyDir 卷将剖析共享库注入到现有容器中，从而无需重建即可启用 NVIDIA CUDA 性能分析。此模式适用于任何 CUDA 应用程序，如 PyTorch、TensorFlow、JAX 等。

LinkedIn如何构建一个由AI驱动的招聘助手
本文探讨了LinkedIn的招聘助手（Hiring Assistant）的架构和技术构建模块。该助手旨在通过处理招聘中的重复性任务（如候选人筛选、初步评估和初期沟通）来增强招聘人员的能力，而不是取代他们。其核心架构采用“计划-执行”（plan-and-execute）模式，结合异步的消息驱动设计，以实现企业级的规模化运作。招聘助手由一个“主管代理”（Supervisor Agent）协调多个专业子代理（如摄取、招聘、评估、外联、学习和记忆代理）协同工作，同时通过“护栏”（Rails）和“指南针”（Compass）两大支柱来确保质量、安全和人类判断的参与。

无图形 API
过去十年，图形 API 和着色器语言的复杂性显著增加。是时候开始讨论如何剥离抽象层，以简化开发、提高性能并为未来的 GPU 工作负载做好准备。本文探讨了如何通过采用更精简、基于指针的内存管理、根参数和资源绑定模型来设计一个更现代、更易于使用的图形 API，借鉴了 CUDA 和 Metal 的优点，并利用了当前 GPU 架构的能力。

介绍 GPT-5.2-Codex
OpenAI 推出了其 Codex 系列模型的最新版本 GPT-5.2-Codex，它是 GPT-5.2 进一步针对代理式编程优化的版本，提高了长期工作、代码重构和迁移的性能，并增强了网络安全能力。该模型目前已通过 Codex 编程代理提供，API 版本将在未来几周内推出。对于“更宽松的模型”，将对经过审查的网络安全专业人员开放新的邀请制预览流程。作者对 GPT-5.2 处理复杂编程任务的能力表示印象深刻，并展示了 GPT-5.2-Codex 生成的一只骑自行车的鹈鹕的 SVG 图像。

2025 年人工智能工程师阅读清单
我们挑选了人工智能工程领域 10 个方向的 50 篇论文/模型/博客：LLMs、基准测试、提示工程、RAG、Agent、代码生成、视觉、语音、扩散模型、微调。如果你从零开始，请从这里开始。

如果允许，AI会取代你的工作
这篇文章探讨了如何明智地使用AI与自己“写下解雇信”之间的微妙界限。作者认为，过度依赖AI而不投入自己的核心洞察和创造力，最终会导致工作被AI取代。文章通过金融、市场营销、软件工程和销售等领域的“虚假”（Facked，完全依赖AI）与“精通”（Cracked，将AI作为增强工具）的使用对比，强调了只有通过亲手实践来培养直觉和品味，才能在AI时代保持竞争力。建议从自动化重复性小任务开始，逐步将AI融入工作中，而不是完全外包工作。

一个代理是不够的 | Ben Redmond
Agentic coding（代理式编码）存在一个问题——方差。如果单代理运行在设计上就留下了性能损失怎么办？由于大型语言模型（LLMs）的随机性，每次代理运行都会有细微的变化。即使在相同的背景下，一个会话可能接近“峰值”，而另一个可能只处于概率曲线的中间位置。本文探讨了如何通过并行代理来解决这种方差问题，通过多次采样和汇聚结果来可靠地收敛到最佳解决方案。

Conductor：为 Gemini CLI 引入上下文驱动开发
Conductor 是 Gemini CLI 的一个新扩展，它支持上下文驱动的开发。它将项目上下文从聊天记录转移到持久的 Markdown 文件中，用于正式的规范和计划，确保 AI 代理遵守项目目标、风格和技术栈。这种结构化的工作流程非常适合“现有项目”和团队，允许在保持人类开发者控制的同时安全地迭代和贡献一致的代码。

流行工具与项目

schollz/croc
Easily and securely send things from one computer to another 🐊 📦

AlexxIT/go2rtc
Ultimate camera streaming application with support RTSP, RTMP, HTTP-FLV, WebRTC, MSE, HLS, MP4, MJPEG, HomeKit, FFmpeg, etc.

google/osv-scanner
Vulnerability scanner written in Go which uses the data provided by https://osv.dev

putyy/res-downloader
视频号、小程序、抖音、快手、小红书、直播流、m3u8、酷狗、QQ音乐等常见网络资源下载!

woodpecker-ci/woodpecker
Woodpecker is a simple, yet powerful CI/CD engine with great extensibility.

NexaAI/nexa-sdk
Run the latest LLMs and VLMs across GPU, NPU, and CPU with PC (Python/C++) & mobile (Android & iOS) support, running quickly with OpenAI gpt-oss, Granite4, Qwen3VL, Gemma 3n and more.

cockroachdb/cockroach
CockroachDB — the cloud native, distributed SQL database designed for high availability, effortless scale, and control over data placement.

编辑:Tony Bai

编辑主页:tonybai.com

GopherDaily项目:github.com/bigwhite/gopherdaily